中国中部工业园区地下水污染风险分类的概率高斯混合模型框架

《Journal of Cleaner Production》：A probabilistic Gaussian mixture model framework for groundwater contamination risk classification in central China's industrial parks

　　

• •
  开发了一个整合污染、健康风险和受体敏感性的多维地下水风险框架。
• •
  高斯混合模型（GMM）识别了工业场所的潜在风险结构和概率隶属度。
• •
  构建了受体敏感性评分系统（TSS），以量化周围受体的空间暴露情况。
• •
  将15个化工工业园区的地下水风险分为三种具有异质性机制的不同类型。

引言

工业园区地下水污染仍然是一个持续的环境挑战，尤其是在以混合用途工业活动为主的地区（Li等，2026；Yang等，2024）。与单一工业系统不同，这些园区涉及多样化的生产工艺，会产生重金属和有机污染物的复杂混合物（Xu等，2024）。这些污染物可通过土壤-水相互作用积累和迁移，表现出长期持久性，并通过多种暴露途径对人体健康和生态受体构成潜在风险（Han等，2025；Khatoon等，2026；Liu等，2019；Xu等，2025）。因此，对这种复杂工业系统进行有效的环境管理需要综合、系统的方法，以支持工业的可持续发展（de Oliveira等，2018）。

工业园区地下水污染具有"污染物类型多样、浓度变异性大、空间异质性强、相互作用复杂"的特点（Wang等，2026；Yang等，2024）。目前关于工业园区地下水污染风险评估的研究采用了各种方法，包括地下水质量评估和人体健康风险评估等（Gong等，2026；Yang等，2025；Zhao等，2026）。地下水质量评估方法主要根据污染物浓度或超标倍数对地下水环境进行分类，旨在反映整体污染水平（Chatterjee等，2026；Ding等，2022）；人体健康风险评估基于非致癌风险（危害指数，HI）和致癌风险（总致癌风险，TCR）模型，从暴露角度表征污染物的潜在健康效应（Ghayurdoost等，2026；Hossain等，2024）。然而，这些方法主要表征地下水污染和风险的单一维度，通常单独应用或作为补充分析，许多研究聚焦于单个工业园区或特定污染场地（Ogarekpe等，2023；Wang和Li，2022）。这类针对特定案例的评估为单个场地提供了有价值的见解，但在一致的和分析框架下系统性比较多个工业园区多维风险特征和异质性的能力有限。地下水环境调查通常还包括敏感受体调查，以识别污染源周围可能受影响的受体。然而，此类信息通常用于场地表征和管理，而非作为地下水风险评估的定量维度纳入分析。一些研究试图整合地下水质量和健康风险的不同维度。例如，一项在印度马哈拉施特拉邦进行的研究，基于统一的地下水监测数据集构建了主成分分析加权地下水质量指数（PCAWQI），计算了健康风险指标（HI），并对水质量和健康风险进行了联合空间分析（Pattnayak等，2026）。这些研究表明整合互补风险信息具有价值，但它们主要关注联合解释评估结果或划分空间格局。它们通常不会将多个工业园区作为共同的多元特征空间中可比较的风险单元，进行不同风险配置的概率分类。因此，污染强度、健康风险和受体敏感性之间的联合结构仍缺乏充分表征，特别是在这些维度不同组合如何区分异质性工业园区方面。

地下水风险无法通过单一评估维度来全面表征。地下水质量评估提供污染强度信息，而人体健康风险评估则表征与污染物暴露相关的潜在毒理学效应。此外，工业园区周围敏感受体的空间分布和特征构成了解地下水污染潜在意义的重要背景信息（Chen等，2019；Zhang等，2023）。为解决这一局限性，我们开发了一种基于评分的方法来量化受体敏感性，将其定义为目标空间敏感性（TSS），从而实现其在多维地下水风险表征中的整合。这些维度可能表现出相关性、异质性组合和重叠模式（Ahirwar等，2025；Li等，2026；Zhang等，2024）。传统的基于线性加权或基于阈值分类的方法通常依赖预定义边界，或将多个指标汇总为离散分数或类别，这可能会掩盖风险维度之间的联合关系和结构异质性。此外，常用的聚类方法（如K-means）基于距离度量进行硬划分，将每个样本仅分配给一个簇，无法表征不同风险状态之间的过渡行为和不确定性（Govender和Sivakumar，2020；Khorshidi等，2021；Rahbar等，2026；Yu等，2026）。鉴于工业园区的异质性和潜在重叠的风险特征，需要一种概率方法来考虑多变量相关性和类别分配中的不确定性。高斯混合模型（GMM）通过将以潜在概率分布的混合形式建模观测值，并显式纳入变量之间的协方差结构，提供了这样的框架。与硬聚类方法不同，GMM为每个观测值分配其在每个潜在类别中的隶属概率，从而能够在共同的多元特征空间中表征异质性和过渡性风险配置。

GMM在复杂地下水系统中的应用已在以往研究中得到证实。Kim等（2014）应用GMM来区分自然和人为因素对地下水化学的影响（Kim等，2014），后续研究将其应用扩展到地下水污染和来源表征（Hossain，2025）、特定场地地下水风险聚类（Guan等，2025），以及不同地下水污染类型的识别（Aldrees等，2026）。这些研究表明了GMM在识别复杂地下水系统中的潜在状态和异质性模式方面的能力。然而，现有应用主要关注水文化学过程、污染源或单个场地的风险模式。迄今为止，GMM将污染强度和人体健康风险与定量表征的敏感受体信息整合到统一的跨多个工业园区的风险表征中的潜力仍未得到充分探索。

因此，本研究开发了一个用于地下水风险评估的多维概率框架。我们开发了一种基于评分的方法来量化受体敏感性（TSS），并将其与污染强度（NIPI）和健康风险（HI和TCR）整合到统一的特征空间中，使用GMM进行建模。该框架应用于多个工业园区，以识别不同的多维风险配置并系统地表征其异质性。通过采用概率分类而非硬分类，该框架能够捕获重叠分布和过渡性风险状态。基于所识别的风险配置，该框架还支持跨园区比较和差异化风险管理策略的开发。

章节摘要

研究区域与数据收集

本研究聚焦于中国中部某省的15个工业园区。研究区域以密集的工业发展和高浓度的化工相关活动为特征，特别是沿长江走廊地区。该地区工业活动、地表水和地下水之间的密切相互作用为调查工业园区的地下水污染及相关风险提供了合适的研究环境。

所选的15个园区旨在

总体污染水平

为全面评估15个工业园区的地下水污染状况，基于27项地下水质量指标计算了NIPI（图3）。结果显示，NIPI值范围为1.71至24.05，表明各受调查工业园区的污染水平存在显著差异。根据污染分类标准，所有园区均表现出不同程度的污染，没有园区被归类为清洁或预警类别。具体而言，P3和P9

理论与方法启示

本研究解决的一个关键问题是：如何超越传统的单指标和确定性方法，来表征异质性工业园区的地下水污染风险？

传统的基于污染物浓度、超标标准或固定阈值的评估主要表征污染水平，但对污染强度、健康风险和受体敏感性之间的联合效应提供有限的见解。研究结果表明

结论

本研究通过高斯混合模型（GMM），将污染强度（NIPI）、人体健康风险（HI和TCR）以及目标空间敏感性（TSS）整合到统一的特征空间中，开发了一个用于工业园区地下水污染评估的多维概率框架。在15个受调查园区中，NIPI范围为1.71至24.05，其中11个园区超过3.0，同时健康风险和受体敏感性表现出显著的异质性。GMM

CRediT作者贡献声明

Hui Hong：撰写——初稿，研究方法，调查，数据整理。Yu He：验证，调查。Junxiang Shi：调查，形式分析。Ying Wang：可视化，验证。Xiao Li：资源，调查。Yang Yang：撰写——审稿与编辑，概念构思。Yunfeng Xu：项目管理，概念构思。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究得到京津冀区域综合环境改善国家科技重大项目（编号2025ZD1205704）的资助。

Hui Hong|Yu He|Junxiang Shi|Ying Wang|Xiao Li|Yang Yang|Yunfeng Xu