一种用于识别农村污水处理路径规划中社会环境转型区间的可解释决策模型

《Journal of Cleaner Production》:An interpretable decision-making model for identifying socio-environmental transition intervals in rural wastewater management pathway planning

【字体: 大 中 小 】 时间:2026年10月24日 来源:Journal of Cleaner Production 10.7

编辑推荐:

   •可解释机器学习方法识别了资源化利用(RU)与处理工程(TE)筛查的实证过渡区间。•人口规模是主要的规模相关分隔因素,氨氮(NH3-N)作为补充精细化指标。•分组验证揭示了具有地理结构特征的乡村污水处理路径模式。•沿海平原与山区呈现出不同的路径聚类模式。•SBEF框架可在工程

  
  • •
    可解释机器学习方法识别了资源化利用(RU)与处理工程(TE)筛查的实证过渡区间。
  • •
    人口规模是主要的规模相关分隔因素,氨氮(NH3-N)作为补充精细化指标。
  • •
    分组验证揭示了具有地理结构特征的乡村污水处理路径模式。
  • •
    沿海平原与山区呈现出不同的路径聚类模式。
  • •
    SBEF框架可在工程与经济评估之前支持初步筛查。

引言

农村污水处理是全球可持续资源治理的重要组成部分。分散的居民点、异质的社会环境条件以及基础设施接入受限,长期以来阻碍了农村地区污染的有效控制和资源利用(Zhong et al., 2023)。2022年,全球约有35亿人缺乏安全管理的卫生服务,凸显了实现可持续发展目标6.2(SDG 6.2)方面仍存在巨大差距(世界卫生组织/联合国儿童基金会, 2023)。农村人口还面临人口变化、基础设施可用性以及卫生治理能力方面的额外制约(Wang et al., 2025b)。农村社区受到的冲击最为严重,不适当的卫生处理系统要么表现为过度复杂的集中式设施导致资本和资源利用效率低下,要么表现为性能不达标的分散式系统且不符合环境法规(Bernal et al., 2021; Mitra et al., 2022)。这一困境在中国南方等快速城市化地区尤为突出,那里的农村社区面临工业化污染和卫生规划不足的双重压力,导致资源配置低效和持续的生态风险(Meng et al., 2025; Okut et al., 2025)。实际农村污水处理主要依赖两条路径(图1):资源化利用(RU)和处理工程(TE)(Lu et al., 2023)。RU路径,如化粪池、土壤渗透系统和人工湿地,强调分散式再利用和资源回收,理论上适用于小规模分散的居民点(Garrido Baserba et al., 2024; Zhao et al., 2024)。相比之下,TE路径依赖排水管网和集中式/半集中式污水处理厂,旨在服务于规模较大、人口稠密的社区(Xu et al., 2022)。然而,这两条路径之间的选择长期以来一直由定性经验而非定量、可解释的决策规则所引导。与观察到的RU和TE路径选择差异相关的人口规模和污染强度范围,仍缺乏使用透明、基于证据的标准进行充分表征(Li et al., 2024; Lu et al., 2023)。缺乏明确的操作性筛查标准经常导致资源配置低效,小村庄被负担昂贵的集中式系统,而中等规模的社区采用无法应对日益增加的污染物负荷的分散式解决方案(Massoud et al., 2009; Zapasa et al., 2022)。
现有的农村污水处理规划决策支持研究大致可分为三种方法。第一,多准则决策方法,包括层次分析法(AHP)、TOPSIS和模糊评价,使用预定义的技术、经济、环境和管理准则对候选技术进行排序(Hajkowicz and Higgins, 2008; Jiang et al., 2023; Zhao et al., 2024)。第二,空间和系统优化框架通过考虑居民点分布、排水管网成本和密度经济效应来确定适当的集中化水平或设施布局(Huang et al., 2021; Pasciucco et al., 2022; Wang et al., 2023)。第三,全生命周期和成本导向的方法比较不同处理配置在环境和经济方面的权衡(Opher and Friedler, 2016; Wang et al., 2023)。这些方法大大提高了决策透明度,但许多依赖于预定义指标、专家赋权或规范性优化目标,因此无法直接识别从观察到的村级治理选择中得到的实证过渡区间。
近期的机器学习研究拓展了刻画农村水需求、污水产生、水质和处理运营中非线性关系的能力(Cao et al., 2024; Liu et al., 2024; Makumbura et al., 2024)。然而,其输出通常以预测或特征排序的形式呈现,而非明确的路径规划筛查规则。SHAP提供了一种具有理论基础的树模型预测解释方法,能够将局部特征贡献聚合为全局响应结构(Lundberg et al., 2020; Lundberg and Lee, 2017)。然而,很少有农村污水处理规划研究将这些响应结构转化为用于资源化利用和处理工程路径筛查的明确、空间评估的过渡区间。
在这一背景下,迫切需要一种可解释、数据驱动的筛查框架,能够识别RU和TE路径之间的实证过渡模式,并将机器学习预测与实际的农村污水处理规划联系起来。本文提出的框架重点关注广东省观察到的治理选择中的统计模式,其中人口规模和污染强度用于表征居民点规模和污染压力。这些指标与路径规划相关,因为处理需求和潜在规模经济是污水处理基础设施供应中的重要考量因素(Okut et al., 2025)。因此,其纳入为研究观察到的路径选择提供了规划导向的依据。所得过渡区间旨在为初步筛查提供参考,排水管网可达性、基础设施扩展成本和未来发展将在后续项目规划阶段进行评估。
为弥补上述不足,本研究开发了基于SHAP的边界提取框架(SBEF),这是一个可解释的统计学习工作流程,集成了数据平衡、非线性分类、基于SHAP的解释和空间验证。基于广东省353个村庄的村级数据,本研究旨在:(i) 识别与观察到的RU和TE选择相关的实证社会环境过渡区间;(ii) 量化人口统计、污染、居民点和地理预测变量的相对贡献;(iii) 使用按行政区分组的交叉验证检验省内地理泛化能力;(iv) 将所得证据转化为在特定项目工程评估之前的可解释初步筛查工作流程。通过将可解释机器学习与初步规划评估相结合,所提出的框架提供了透明的实证证据,可支持减少基础设施与情境不匹配并改进农村污水处理规划的努力。
本文结构如下:第2节描述研究区域、数据集和SBEF框架的详细方法,包括数据预处理、模型训练、过渡区间提取和空间验证。第3节呈现模型性能、主要过渡区间以及处理路径的空间聚类特征。第4节讨论研究结果的实践、政策和资源管理意义,以及局限性和未来扩展方向。第5节总结核心贡献并提出可规模化应用建议。

章节摘要

研究区域与数据来源

广东省(20°13′-25°31′ N, 109°39′-117°19′ E)位于中国南部,是东亚经济最活跃的地区之一,拥有广阔且异质的农村腹地。该省地形多样,包括河流三角洲、沿海平原和山区,拥有超过15,000个村庄,在人口密度(50-800人/km2)、空间居民点格局、农业强度和污水

类别不平衡诊断与验证设置

原始数据集显示出明显的类别不平衡(227个RU村庄 vs 126个TE村庄;图4a)。这种不平衡会导致有监督分类器偏向多数类,并削弱少数类在决策边界附近的代表性。为减轻这种影响,在训练集内应用SMOTE对TE案例进行过采样,而测试集保持不变以确保无偏评估(方法部分2.3.1)。
图4提供了平衡步骤的诊断证据。在

主要发现解释与规划意义

SHAP分析和边界提取得出两个主要发现,空间分析提供了互补的地理背景。第一,居民点规模是主要分隔因素。POP过渡带(约1000-1600居民)标志着模型中从与RU相关的贡献向与TE相关的贡献的转变。这一发现为人口规模在农村污水处理路径规划中的作用提供了实证视角。这一过渡从数据驱动学习中的出现

结论

本研究开发并评估了基于SHAP的边界提取框架(SBEF),这是一个用于村级污水处理路径筛查(RU与TE之间)的四步可解释机器学习工作流程。应用于中国广东省的353个村庄,SBEF集成了类别平衡(SMOTE)、随机森林分类、SHAP响应映射、PDP交互分析、穷举布尔规则搜索(评估127条规则)和空间自相关分析(Moran's I, LISA)以

CRediT作者贡献声明

Fang Wang:撰写——初稿,可视化,软件,方法学,形式化分析。Jiping Jiang:撰写——审阅与编辑,验证,监督,资源,项目管理,调查研究,资金获取,概念构思。Guangshan Zhang:撰写——审阅与编辑,监督,资源,项目管理。Ye Xiong:验证,资源,概念构思。Meini Lin:资源,方法学。Qiuhua Jian:可视化,软件,方法学。Xunfeng Xia:

伦理声明

本研究不涉及人类受试者或动物试验,因此不需要伦理审批。

利益冲突声明

作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。

致谢

本工作得到国家自然科学基金(52321005和52370174)、广东省重点领域高校专项(2023ZDZX4050)以及深圳市科技创新委(KCXFZ20201221173603009)的资助。我们特别感谢生态环境部土壤、农业和农村生态环境技术中心的刘永利女士在数据收集方面提供的协助
Fang Wang|Jiping Jiang|Guangshan Zhang|Ye Xiong|Meini Lin|Qiuhua Jian|Xunfeng Xia|Aijie Wang
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号