《Journal of Hazardous Materials》：Modelling hazardous mineral fibres – do we just need more data?
编辑推荐：
摘要专业翻译
现有空气质量模型难以适用于天然来源的矿物纤维。本研究在两组样本量迥异的纤维数据集上比较了六种回归框架。研究结果表明，制约模型性能的关键因素在于采样设计与数据可用性，而非模型复杂度。土地利用覆盖与源区地质条件在两个研究点位中均表现为一致的预测因子。
摘要专业翻译
现有空气质量模型难以适用于天然来源的矿物纤维。本研究在两组样本量迥异的纤维数据集上比较了六种回归框架。研究结果表明，制约模型性能的关键因素在于采样设计与数据可用性，而非模型复杂度。土地利用覆盖与源区地质条件在两个研究点位中均表现为一致的预测因子。虽然不存在普适的预测因子组合，但可以定义一个可迁移的分析框架。
论文解读文章
一、研究背景与研究目的
天然矿物纤维（hazardous mineral fibres）是一类天然存在的无机矿物，可形成可吸入且能在肺部持久存留的长而细的颗粒，包括受监管的石棉矿物以及纤维状沸石等更广泛的细长矿物颗粒群体。这些矿物赋存于地表岩石、土壤、填埋场或含石棉的制造材料中，人为及自然扰动过程均可将纤维释放至空气中。部分矿物已被确认为致癌物，暴露于这些纤维会增加恶性间皮瘤、肺癌及其他呼吸系统疾病的风险。理解环境暴露途径对于识别高风险区域、指导土地利用与修复决策以及支持健康风险评估至关重要。
然而，危险矿物纤维环境暴露建模面临重大数据瓶颈。常规监管方法在室外低浓度、时空变异大且可能混有多种纤维类型的环境中适用性有限，导致环境（非职业）场景下的纤维扩散数据集极为稀缺。与常见空气污染物拥有成熟建模框架和大型监测网络支持不同，天然纤维的来源、扩散途径、弥散机制及毒理学特征复杂且尚未充分明确。现有建模研究多集中于受污染土壤、工厂、交通走廊或老旧建材等高表面浓度源附近的可吸入石棉，而天然岩石露头附近的研究明显不足，源项往往未知且难以量化。此外，纤维释放受地质条件、土壤性质、扰动模式、地表覆盖、植被、地形及气象等多种交互因素影响，其相对重要性在不同气候和城乡场景间仍不清楚。
在此背景下，本研究旨在评估基于回归的暴露建模方法在危险矿物纤维暴露判定中的可行性，考察在样本量小、时空异质且预测因子众多的数据集上运行模型的局限能否被克服，并揭示数据稀疏条件下的推断边界。具体目标包括：评估在稀疏、不一致的测量条件下能否检测到纤维负荷与环境预测因子之间的一致关系；识别在不同建模框架和假设下仍具影响力的预测因子；考察数据结构和局限性对标准建模方法的挑战及对未来采样设计的启示；为危险矿物纤维暴露建模提供当前最佳实践指导。该论文发表于《Journal of Hazardous Materials》。
二、主要技术方法
研究人员基于两个环境案例开展研究：美国加利福尼亚州El Dorado Hills的天然石棉（naturally occurring asbestos，NOA）数据集（n=238，来源于美国环保署US EPA和美国地质调查局USGS的多介质评估）与新西兰Waikato Ngakuru地区的丝光沸石（mordenite）数据集（n=22，来自多学科野外采集的叶片和岩石纤维负荷估算）。预测因子围绕五组构建：源潜力（含NOA地质、土壤和岩石浓度）、扰动与可达性（距步道、道路、采石场和休闲区的距离）、地表覆盖（冠层覆盖度、归一化差异植被指数NDVI、不透水面和裸地）、风（风速和风向）以及地形（坡度和高程）。数据处理包括对数变换（距离变量采用log(x+1)以容纳零值）、风矢量正交化分解（u=速度×sinθ，v=速度×cosθ）、方差膨胀因子（VIF）多重共线性筛查（VIF>10或容差<0.10的变量剔除）。模型框架涵盖普通最小二乘（OLS）、岭回归（Ridge）、最小绝对收缩和选择算子（LASSO）、地理加权回归（GWR）、随机森林（RF）和极端梯度提升（XGBoost）六种方法，采用留一交叉验证（LOOCV）和5折交叉验证评估性能，并通过预测因子重要性评分系统综合各模型中的贡献度和方向一致性进行排序。
三、研究结果
3.1 El Dorado Hills建模结果
在El Dorado Hills迭代模型中，树模型给出了最强的验证拟合：XGBoost和RF的交叉验证R2分别为0.34和0.36，最优模型保留多达二十个预测因子，可归并为六个核心预测因子组（土地利用、扰动特征邻近度、冠层覆盖度、源区地质、土壤特征和风）。OLS、Ridge和LASSO表现相近但交叉验证R2较低（0.25–0.28）。GWR未能在该数据集上验证，交叉验证R2为负值（?0.29和?0.33），表明预测精度劣于使用数据集均值，这反映了局部回归方法在小规模、空间聚集数据集上的已知局限。在娱乐活动场地（如操场和棒球场），模型系统性低估浓度；在冠层覆盖度大于50%的区域，模型则高估浓度，与冠层覆盖度与纤维负荷呈负相关的结论一致。
3.2 El Dorado Hills预测因子模式
在所有建模方法中，活动表面（特别是棒球内场和操场）与较高空气纤维浓度一致相关，而植被覆盖具有保护作用。距离步道、冠层密度、棒球内场和操场土地利用类别被评为“极高重要性”预测因子。这些预测因子共同确认了两个相关过程：源潜力（由距步道、棒球土墩和运动场的邻近度以及含NOA地质和土壤表征）和扩散控制（土地利用、冠层覆盖度和风矢量分量）。高NOA潜力与邻近活动空间的组合代表了源材料与人为扰动重叠的位置，支持浓度受交互源与扩散过程控制的观点。
3.3 Ngakuru建模结果
Ngakuru所有模型在22个点位上的样本内表现优异（R2=0.80–0.96），但存在高过拟合风险。交叉验证结果显示，迭代运行中Ridge和LASSO明显优于其他模型（交叉验证R2=0.85–0.87），而GWR、OLS、RF和XGBoost表现较弱且不确定性更大（交叉验证R2=0.42–0.49），OLS和XGBoost的置信区间跨越零。仅用三个最优预测因子重新拟合后，Ridge和LASSO保持稳定（0.83–0.84），RF下降（0.47→0.30），XGBoost大幅下降（0.48→0.23），GWR降为负值（0.49→?0.15）。残差呈空间聚集而非随机分布，一个异常高纤维样本可能驱动了大的残差热点。
3.4 Ngakuru预测因子模式
岩石样本浓度和Mellow Humic Organic土壤在所有方法中均显示强正相关且重要性评分最高，确认裸露岩石和特定土壤单元是主要控制因素。但鉴于所有样本均在岩石露头附近采集，岩石样本浓度的主导地位可能反映采样设计而非预测能力。灌木地（shrubland）和距Mangatete采石场的道路距离为次要预测因子。NDVI衍生植被指标与纤维负荷呈负相关，支持茂密植被缓解地表侵蚀和大气迁移的解读。
四、讨论与结论
在El Dorado Hills，活动表面的土地利用分类是纤维负荷的最强预测因子；在Ngakuru，直接岩石样本浓度是主要信号。两个场景中少数预测因子占主导，而有偏或受限的采样制约了模型可靠检测的范围。这一对比表明，最重要的预测因子类别因场景而异，危险矿物纤维暴露建模不存在普适预测因子组合。然而，本研究测试的广泛预测因子类别——源区地质、地表覆盖和土地利用——提供了可迁移的分析框架，即使具体预测因子及其相对重要性需在每个新场景中本地确定。
数据局限削弱了通常核心的预测因子表现：道路邻近度在Ngakuru因所有样本均在密封道路路肩采集而无变异被消除，在El Dorado因空间变异不足被降权或排除；风以日平均值代表，平滑掉了驱动粉尘扩散的阵风和局地流型；高程和坡度因采样点高程范围狭窄而效应弱于预期。这些预测因子的缺失主要反映数据约束而非物理效应缺失。
El Dorado的固定监测样本聚集于疑似高暴露区域（运动场、步道、操场），属于优先采样（preferential sampling），可接受用于刻画最坏情景但不适合构建一般暴露潜力面。Ngakuru的叶片样本刻意在路边可见或疑似纤维状丝光沸石的露头附近采集，所有样本关联单一扰动类型（交通），限制了数据集代表更广泛景观的能力。采样设计需与预期目的匹配，当前模型更适合作为采样域内的诊断工具而非区域预测器。
未来研究应优先开展同步测量环境条件与纤维浓度的野外调查，记录每个采样点的风速风向、土壤特征、岩石类型、地表扰动和植被密度；扩大空间覆盖和样本数量，纳入未调查或低暴露区域以更好表征背景条件；引入人类活动与流动性指标（GPS轨迹、手机移动数据、步道计数器或设施记录）以及人口统计和流行病学结果作为预测因子。
关于是否只需更多数据，答案并非简单的是或否。Ngakuru仅用22个样本和3个预测因子即获得强交叉验证性能，而El Dorado Hills的238个样本仅产生0.35的最佳交叉验证R2。数据数量本身不决定模型质量，更重要的是是否在最初测量了正确的变量、采样设计是否覆盖了完整的暴露条件范围而非仅热点区域、模型复杂度是否与可用数据匹配。更多数据会有帮助，但采用目的导向采样设计和现场实测预测因子的针对性数据更有价值。
总体而言，构建纤维暴露潜力空间表征时，应始终整合三个核心要素：源岩位置、地表覆盖状况、以及人类扰动土壤的位置与方式。这三个要素应视为所有危险矿物纤维暴露潜力模型的基本组成部分，而其他环境预测因子（气象指标、土壤湿度、地形等）则更具情境依赖性，需逐点位采样、测试和细化。
