机器学习预测饮用水消毒副产物HCPDs：全国分布特征与驱动因子解析

本文创新性采用梯度提升（GB）和多层感知器（MLP）等机器学习算法，构建了针对新兴消毒副产物卤代环戊二烯（HCPDs）的二元分类与回归预测模型，揭示了总有机碳（TOC）和电导率是其生成的关键驱动因子，为饮用水安全风险评估提供了智能化的理论支持与技术路径。

　　

Highlight

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）平均浓度达2.26 ng/L，1,2,3,4,5,5-六氯-1,3-环戊二烯（HCC）达12.81 ng/L。

Chemicals and reagents

TCC和HCC标准品分别购自上海优申科技与江苏碳摩质检公司，内标物Phe-d₁₀和HCB购自AccuStandard，无水硫酸钠（Na₂SO₄）及硫酸（H₂SO₄）购自国药试剂。

HCPD distribution in the tap water of 32 cities

源水样本（R1～R4）中未检出HCPDs，证实其确为消毒过程中形成的新兴副产物而非环境本底污染物。城市自来水检测数据显示HCPDs广泛存在于供水系统中，浓度呈现显著地域差异性。

Conclusion

本研究通过机器学习模型成功实现HCPDs的精准预测：梯度提升（GB）分类模型对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R2为0.64，MLP对HCC的R2为0.37。SHAP分析揭示TOC和电导率是影响HCPDs生成的最关键驱动因子。