地下水硝酸盐污染脆弱性评估方法比较研究：基于指数法、统计模型与机器学习的综合性能评价

本文系统评估了9种地下水脆弱性评估方法（包括指数法DRASTIC/DRASTIC-L、统计法WofE/LR/FL和机器学习MLP/SVR/RFR/AdaBoost）在Dagu河流域的应用效果，通过敏感性分析揭示机器学习模型（AUC-ROC达0.87）的优越性，为不同数据条件下方法选择提供科学依据。

　　

Highlight

本研究首次系统比较三类九种地下水脆弱性评估方法，机器学习模型展现出最高预测精度（AUC-ROC>0.85），而统计方法对硝酸盐测量误差具有强鲁棒性，指数法则对因子权重敏感。

Vulnerability indices by DRASTIC and DRASTIC-L

采用DRASTIC和DRASTIC-L两种指数法生成的脆弱性指数范围分别为87-177和104-227。DRASTIC-L因纳入土地利用因子，显著提高了农业区脆弱性识别灵敏度（图4a-b）。

Sensitivity of index-based methods to factor weights

通过78,125组权重组合测试发现，尽管权重变化会改变绝对脆弱值（图9a-b浅红色曲线），但各区域脆弱性等级排序保持稳定，说明指数法结果具有相对可靠性。

Insights, implications, and limitations

机器学习虽性能优异，但依赖完整硝酸盐数据；统计方法适合监测网络薄弱的区域；指数法则为快速筛查提供便利。研究首次整合敏感性分析框架，推动评估方法从"黑箱"走向透明化。

Conclusions

提出"数据质量-方法选择"决策树：高精度硝酸盐数据优先选用机器学习（如RFR）；中等数据质量适用逻辑回归（LR）；数据稀缺时推荐DRASTIC-L。该框架为全球农业流域地下水管理提供范式。