基于智能手机比色法与规则推理的俄亥俄州内陆湖泊快速低成本水质监测

《Water Research》：Rapid and low-Cost Water Quality Monitoring via Smartphone Colorimetry and Rule-Based Inference in Ohio inland lakes

　　

• 一体化框架：快速且低成本的水质评估策略。
• 六种高性能机器学习模型可现场量化关键离子（R2 = 0.86–0.98）。
• 扩展诊断能力：基于美国环保署（EPA）数据的数据挖掘，可从13项指标推断多达40项参数。
• 水质评估：评估富营养化状况与局部污染。

引言

水质监测（WQM）对于跟踪水体状况、保护淡水生态系统以及保障公共饮用水供应至关重要（Behmel 等，2018；Jha 等，2020；Barcellos 与 Souza，2022）。它为识别污染来源、评估环境政策的有效性以及发现新兴生态风险提供了必要的证据基础（Dale 与 Beyeler，2001；Meyer 等，2019；McDowell 等，2024）。作为美国在农业和工业方面都具有重要意义的州，俄亥俄州拥有超过25,000英里的河流与溪流，以及447个面积大于5英亩的公共湖泊/水库（俄亥俄州环保署，2024）。根据最新的《俄亥俄2024年水质综合监测与评估报告》（俄亥俄州环保署，2024），在1,600个评估单元（受调查的河段与湖段）中，超过78%被判定为受损（impaired）或因数据不足而无法作出可信评估，仅有10个评估单元完全实现了所有指定用途。值得注意的是，对于内陆湖泊而言，挑战不仅在于普遍存在的受损状况，还在于用于评估的相关参数的数据连续性与覆盖度不足；例如，俄亥俄州环保署在过去十年间仅监测了53个湖泊，且活跃采样站的采样频率通常每年仅为两次（俄亥俄州环保署，2024）。这在很大程度上限制了可靠评估的开展以及及时管理决策的作出。事实上，俄亥俄州的水质监测正面临双重挑战：水质受损问题持续存在，同时用于在各水体间一致刻画水体状况的时空监测分辨率不足。这种监测缺口造成了实际决策上的断层，尤其在内陆湖泊方面更为突出，因为其常规数据密度往往不足以支撑持续的风险筛查与快速干预。（Muniz 等，2023）因此，开发能够增强时空监测覆盖、同时保持低成本、可扩展和高频部署能力的水质监测策略，对于提升流域韧性、增强对依赖这些水资源的数百万居民的保护具有重要意义（Watson 等，2016；Boegehold 等，2023）。

由于全面的水质监测通常涉及数百项参数，并依赖专业且昂贵的分析测量，近年来优化水质监测的努力主要集中在两个互补方向上：（i）降低测量的成本与物流负担；以及（ii）在保留最具信息量内容的前提下，减少需要直接测量的参数数量，从而实现更高频、更广覆盖的监测（Behmel 等，2018；Barcellos 与 Souza，2022）。因此，为弥补俄亥俄州水质监测数据密度的不足，扩大监测覆盖范围并开发低成本水质参数测量方法已成为一项紧迫优先事项。

近年来，物联网技术与先进传感器网络的成熟显著提升了数据采集效率（Essamlali、Nhaila 与 El Khaili，2024；Rahu 等，2024）。例如，比色检测与机器学习（ML）的结合可降低现场监测的门槛与成本（Costa 等，2020；Zhang 等，2021；Das 等，2022；Manbohi 与 Ahmadi，2022）。近期研究已证明，基于智能手机的“营养盐应用程序（Nutrient Apps）”与试纸条在多种地貌环境中对氯化物、硝酸盐和磷酸盐进行快速监测的有效性（Costa 等，2020；R. Muir 与 Innes，2024）。为测定土壤中的速效磷含量，Moonrungsee 等人开发了一种基于智能手机拍摄图像的数字比色分析仪；通过从土壤样品中提取RGB值，该方法实现了高精度（RE < 5%）与低监测误差（RSD < 2%）（Moonrungsee、Pencharee 与 Jakmunee，2015）。为了在水生环境中获得更强的分析性能，我们此前的工作开发了一种简化的基于智能手机的磷比色检测方法（Ai 等，2024）。利用智能手机获取的图像，该方法实现了磷浓度的高精度分析（R2=0.97，RMSE = 0.051 mg P/L）。为进一步降低使用门槛，我们随后报道了一种无需仪器的碱度测量技术，该技术仅依赖商用试剂、智能手机成像与机器学习（Han 等，2024）。该方法在淡水（R2 = 0.868±0.024）和海水（R2 = 0.978±0.008）中均取得了稳健的结果，证明缺乏经验的使用者也能达到与实验室标准相当的性能水平。值得注意的是，这些研究所针对的大部分无机物质也可在野外通过离子选择性电极（ISE）、手持式光度计或目视读取的试纸条与试剂盒进行定量（Choodum 等，2020；Das 等，2022；Silva 等，2022）。然而，这些方法在应用于跨多个湖泊的高频、长期调查时各有局限：有些需要频繁校准，且易受信号漂移和基质干扰影响；有些需要针对每个参数组合配备专用仪器与受过培训的人员；还有些虽成本较低，但仅能提供半定量结果，且误差范围较大（Faramawy 等，2025；Rinn 等，2025）。尽管这些方法显著提高了特定水质参数的可获取性，但在俄亥俄州这类地区的大规模应用中仍存在关键缺口。当前低门槛技术往往优先检测单一分析物，而非提供全面的水质诊断（Hong 等，2024；R. Muir 与 Innes，2024；Sun 等，2024；Peng 等，2025）。因此，开发获取多维监测数据的框架，已成为应对这些局限的关键挑战。

为获得更全面的水质诊断，以往研究广泛采用主成分分析（PCA）、因子分析（FA）和判别分析（DA）等多变量统计方法来识别主导梯度并消除冗余变量（Singh 等，2004；Ouyang，2005）。例如，研究人员已成功利用PCA将大规模参数清单缩减超过60%，同时保留超过90%的数据方差，显著提升了运行效率（Singh 等，2004）。同样，PCA也被用于通过识别冗余采样站以及驱动空间差异的关键参数来优化监测网络，从而支持成本管理（Ouyang，2005）。代理建模则通过利用浊度等高频信号作为总磷等更复杂终点的替代指标来补充这些统计方法（Lannerg?rd 等，2019）。然而，尽管上述方法提供了减少需监测水质参数数量的范式，但这些策略通常依赖水质变量间的线性关系，因此在数据稀疏或存在复杂非线性依赖关系的场景中，无法实现快速诊断（Barcellos 与 Souza，2022）。为应对这些非线性依赖关系，Barcellos 与 Souza 引入了关联规则挖掘这一模式识别技术，该技术通过识别历史数据中的“如果—那么（If-Then）”关系来促进全面的水质诊断（Barcellos 与 Souza，2022；Fister 等，2023）。该方法利用一组缩减后的指示变量估计了56%的实验室参数，在显著降低监测门槛的同时保持了高数据丰富度。虽然这些策略通过以较少参数保持数据丰富度而成功降低了监测门槛，但其广泛应用仍受限于高质量初始数据集的有限可用性。

为克服上述方法的局限，本研究的目标是通过整合历史记录、新监测数据以及一种可低成本、可现场部署并能在现有项目所缺乏的频率与空间覆盖下持续运行的监测策略，对俄亥俄州内陆湖泊开展广覆盖筛查性评估。为此，我们整合了两组互补数据集：（i）OH-EPA数据集：俄亥俄州环保署此前未公开的历史记录，涵盖10个内陆湖泊，建立了农药、金属、营养盐及其他一般水质状况的长期基线（1999–2024）；以及（ii）OH-20数据集：于2024–2025年间通过八次野外考察从俄亥俄州20个湖泊采集的原创当代数据集。在方法上，我们将基于智能手机的比色检测与机器学习相结合，以实现现场对决策相关指标的快速估算，并对OH-EPA记录应用关联规则挖掘，以提取水质参数间稳定的条件依赖关系。这些组成部分被整合为一个统一工作流程：由智能手机比色测量提供核心离子输入，基于规则的推断则将其转化为更广泛的参数状态估计，从而使少量直接测量的现场指标能够支撑跨更大参数空间的湖泊尺度筛查。该框架为面临类似监测缺口的湖泊系统区域水质调查提供了一条可迁移、高性价比的路径。

材料与方法片段

材料与试剂

本研究所用试剂均购自Hach与Hanna Instruments。所有试剂信息及其检测范围见表S1。详细的水样采集与参数分析流程见补充文本S1。用于配制标准储备液的所有化学品均购自Fisher Scientific，无需进一步处理或纯化。

数据收集

本研究使用两个数据集支持俄亥俄州内陆湖泊的模型开发与数据挖掘。

基于OH-EPA数据集的湖泊水质评估

我们首先将OH-EPA数据与基于美国环保署水质健康标准（CMC、MCL、HBSL和HHBP）的可用基准相结合，评估了10个湖泊的潜在人类健康风险。在此分析中，浓度低于适用基准10%（0.1 × 基准）的值被认为构成极低或无健康风险，而超过0.1 × 基准的值则被标记为存在潜在人类健康影响（Bexfield 等，2021）。经比较，我们发现七个……

结论

本研究将基于智能手机的比色检测与关联规则挖掘相结合，基于两个互补数据集——OH-EPA历史记录（超过二十年的此前未公开监测数据）与OH-20数据集（2024–2025年八次野外考察的原创实测数据）——为俄亥俄州内陆湖泊开发了一套可扩展的水质筛查框架。以OH-20中13项直接测量的现场参数作为前件，该框架将筛查覆盖范围扩展至多达53项……

作者贡献声明（CRediT）

Zihan Zheng：撰写初稿、可视化、方法论、调查研究、数据整理、概念构思。
Haiping Ai：撰写—审阅与编辑、方法论。
Peiling Yu：数据整理。
Zachary Y. Han：数据整理。
Junaid Khan：数据整理。
Huichun Zhang：撰写—审阅与编辑、监督指导、资源提供、项目管理、方法论、经费获取、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财务利益或个人关系。

致谢

本工作由俄亥俄州高等教育部—有害藻华研究倡议（Harmful Algal Bloom Research Initiative）资助。

Zihan Zheng | Haiping Ai | Peiling Yu | Zachary Y. Han | Junaid Khan | Huichun Zhang