机器学习预测饮用水新兴消毒副产物卤环戊二烯的分布特征与驱动因素

本研究创新性地将机器学习（ML）应用于饮用水新兴高毒性消毒副产物卤环戊二烯（HCPDs）的预测研究，通过二元分类与回归模型结合水质参数（如TOC、电导率等），实现了对低浓度HCPDs的高精度预测（分类模型准确率达0.93–0.95），并利用SHAP分析揭示其关键驱动因子，为新兴DBPs的智能监测与风险防控提供新策略。

　　

Section snippets

Chemicals and reagents

1,2,3,4-四氯-1,3-环戊二烯（TCC）和1,2,3,4,5,5-六氯-1,3-环戊二烯（HCC）标准品分别购自上海优申化学科技有限公司和江苏碳摩质检科技有限公司。内标物菲-d10（Phe-d10）和六氯苯（HCB）购自AccuStandard公司（美国）。无水硫酸钠（Na₂SO₄）和硫酸（H₂SO₄）则来自国药集团化学试剂有限公司。

HCPD distribution in the tap water of 32 cities

在探究自来水中的HCPDs分布前，需先确认它们在源水中是否存在。如表S5所示，从北京采集的4个源水样本（R1～R4）中均未检出HCPDs。既往研究也报道HCPDs在源水中未被检出，而在饮用水样本中出现。这一结果支持了HCPDs并非天然环境成分，而是消毒过程中形成的副产物的假设。

Conclusion

通过全国范围的自来水检测与分析，本研究首次揭示了HCPDs在中国自来水中的浓度水平与分布模式。基于浓度数据与水质参数，我们提出了结合二元分类与回归模型的机器学习预测策略。二元分类模型精准预测了HCPDs的出现情况，而回归模型进一步量化了其浓度水平，为新兴DBPs的智能监测提供了理论与实践基础。