机器学习预测饮用水消毒副产物卤代环戊二烯（HCPDs）的分布特征与驱动因素研究

本研究创新性地将机器学习（ML）应用于饮用水消毒副产物（DBPs）研究，通过二元分类与回归模型精准预测高毒性新兴污染物卤代环戊二烯（HCPDs）的生成趋势，并借助SHAP分析揭示总有机碳（TOC）和电导率是关键驱动因子，为智能化水质监测与风险预警提供新范式。

　　

亮点

首次在中国大陆32个城市自来水系统中定量检测出两种卤代环戊二烯（HCPDs）：1,2,3,4-四氯-1,3-环戊二烯（TCC，平均浓度2.26 ng/L）和1,2,3,4,5,5-六氯-1,3-环戊二烯（HCC，平均浓度12.81 ng/L）。

方法

采用八种机器学习算法，以水温、pH、氧化还原电位（ORP）、电导率、余氯（RC）和总有机碳（TOC）六种水质参数为输入特征，构建HCPDs的二元分类与回归预测模型。

关键发现

• •

  二元分类模型中，梯度提升（GB）对TCC的预测准确率达0.93，多层感知器（MLP）对HCC的预测准确率达0.95；

• •

  回归模型中，AdaBoost对TCC的预测R2为0.64，MLP对HCC的预测R2为0.37；

• •

  SHAP分析表明TOC和电导率是影响HCPDs生成的最显著驱动因子。

结论

机器学习模型可有效预测低浓度、高毒性新兴消毒副产物HCPDs的生成趋势，其中分类模型在实际应用中表现出色，为饮用水安全风险评估提供了高效可靠的智能化工具。