基于机器学习的中国沿海全域水质智能评价通用框架构建与验证

本研究针对沿海水域多源污染复杂性问题，创新性构建了集成RF/XGBoost特征选择、ROC权重分配、国家标准归一化的ML-WQI通用框架。通过EXT算法实现最优WQI预测（模糊率22.26%），XGBoost分类准确率达98.32%，揭示中国沿海水质呈"黄海优-南海次"空间格局，为海洋环境治理提供智能决策工具。

　　

随着沿海城市化进程加速，全球60%人口聚集的沿岸海域正面临富营养化、有害藻华等严峻挑战。传统水质指数(WQI)模型在复杂海洋环境中存在指标选择主观、权重分配经验化等问题，且缺乏针对中国海域特点的系统验证。为此，广西大学土木建筑工程学院（State Key Laboratory of Hydroscience and Engineering, Tsinghua University联合访问学者）的Nong Xizhi团队在《Marine Pollution Bulletin》发表研究，通过融合7种机器学习算法构建了智能水质评价体系。

研究采用RF/XGBoost筛选出COD_Mn等7个核心指标（准确率>96%），结合ROC权重法与GB3838-2002标准改进归一化，系统比较6种WQI聚合函数。基于中国四大海域2021-2023年监测数据，采用EXT、XGBoost等13种算法进行模型优化，并通过误差条分析验证稳定性。

【Determination of influencing factors】通过特征重要性分析确定COD_Mn、TP等关键指标，XGBoost筛选准确率显著优于传统方法。
【Methodology】创新性提出WQM/AM双模型耦合策略，WQM模糊率最低（22.26%），XGBoost分类AUC达1.00。
【Study area】揭示中国沿海水质空间异质性：黄海WQI>80（全优类），南海WQI>50（以中等类为主）。

该研究首次实现ML-WQI模型在中国全域海岸带的验证，建立的"特征选择-权重分配-分类预测"技术链条，为政府防控陆源污染提供了可推广的智能工具。特别是创建的基于国家标准的非线性归一化方法，显著提升了模型在复杂水文条件下的适用性，对全球沿海环境管理具有范式意义。