一种用于识别印度南部蒂鲁琴杜尔沿海沉积物中重金属来源及其空间分布的机器学习方法

《Marine Pollution Bulletin》：Machine learning approach for heavy metal source identification and spatial distribution in coastal sediments of Tiruchendur, Southern India

本研究针对沿海系统重金属污染问题，首次对特里钦德尔地区表层沉积物进行基线调查，并评估潜在污染源及生态风险。分析25个样本发现Cd显著富集（均值2.4 mg/kg），其他重金属如Zn（76）、Cu（36）等浓度较低且未显示明显污染。通过NMF、HCA、K-means和SOM等AI/ML模型分析，确认主要污染源为农业（化肥农药）和工业（废水排放）等人为活动，自然地质来源影响较小。研究提出需加强Cd污染管控，整体海岸线仍属低污染状态。

　　

Jesuraja Kamaraj | Selvam Sekar | Priyadarsi D. Roy | Baalamurugan Arumugam | Pankaj Kumar | Upendra Badimela | Muthukumar Perumal

印度喀拉拉邦蒂鲁瓦南塔普拉姆国家地球科学研究中心，695011

摘要

本研究聚焦于沿海系统中重金属（HM）污染这一全球性问题，首次对蒂鲁琴杜尔（Tiruchendur）地区的表层沉积物进行了基线调查，同时评估了潜在污染源及其相关的生态风险。共分析了25个沉积物样本，检测了颗粒大小分布、有机物含量以及锌（Zn）、铜（Cu）、铬（Cr）、铅（Pb）、铁（Fe）、锰（Mn）、镍（Ni）和镉（Cd）等重金属的浓度。这些金属的平均浓度（mg/kg）分别为：Zn（76）、Cu（36）、Cr（9）、Pb（17）、Fe（1486）、Mn（159）、Ni（10）和Cd（2.4）。整体中位浓度顺序为：Fe > Mn > Zn > Cu > Cd > Pb > Ni > Cr。Fe、Mn和Zn主要来源于自然地质过程（来源2），而Cu、Cd、Pb和Ni则主要与人类活动相关（来源1）。测量结果显示，沉积物中的大多数重金属并未显著富集；然而，镉（Cd）是个例外，其浓度较高，可能是该地区潜在生态风险的主要来源。为了识别潜在污染源及其贡献模式，研究人员采用了基于人工智能/机器学习的统计模型，包括非负矩阵分解（NMF）、层次聚类分析（HCA）、K均值聚类（K-means）和自组织映射（SOM）。分析表明，这些金属污染物主要与农业径流（化肥和农药）、主要工业设施的工业废水排放以及海洋活动有关，而非自然地质过程。尽管镉的浓度令人担忧，但总体而言，蒂鲁琴杜尔地区的海岸线在其他重金属污染方面仍保持相对纯净。

引言

沿海沉积物是水生和海洋生物的重要栖息地；然而，全球沿海地区的快速城市化和经济扩张带来了严重的环境挑战（Qian等人，2023年；El-Sharkawy等人，2025年）。在这些地区，沉积物质量是环境健康状况的长期指标，同时也反映了当地的发展和污染趋势（Elnagar等人，2023年；Lodder等人，2023年）。沿海和河口环境通常是持久性污染物的主要汇，这些污染物会随着时间在沉积物和生物体内积累（Chandramohan等人，2018年；Cabral等人，2019年；Tokatl?等人，2025年）。重金属（HM）的环境污染受到火山爆发、岩石风化、侵蚀、大气降水、气候变化和尘埃沉积等自然过程以及农业、工业化、城市建设和水生生态系统改变等人类活动的影响（Bessa等人，2021年）。人类通常通过食物链接触到重金属（Nkwunonwo等人，2020年；Laha等人，2022年；Topaldemir等人，2023年；Zhang等人，2023年）。当重金属浓度超过安全阈值时，过量摄入会导致生长受阻、肾脏功能障碍、癌症甚至死亡（Yu等人，2022年；Verma等人，2023年）。同样，陆地生物体内的高浓度重金属也会导致生育能力下降、发育迟缓、器官损伤和死亡（Aderonila等人，2009年；Chandrasekaran等人，2020年；Tian等人，2020年；Yang等人，2021年；Botle等人，2025年；Fatima等人，2025年）。

在泰米尔纳德邦东部沿海进行的研究表明，工业和农业废水是该地区重金属污染的主要来源（Ravisankar等人，2015年；Chandramohan等人，2018年；Godson等人，2018年；Tholkappian等人，2018年；Chandrasekaran等人，2020年）。随着该地区作为重要工业中心和热门旅游目的地的快速发展，大量有毒金属被排放到沿海环境中。因此，海滩游客可能会通过接触受污染的沙滩或海水而暴露于重金属。研究表明，卡纳库马里海滩（Kanyakumari beach）的沉积物中存在不同程度的污染，其中镉（Cd）污染属于低至中等程度，对环境构成较低风险（Gurumoorthy和Venkatachalapathy，2016年），同时镍（Ni）污染也处于中等水平，铅（Pb）污染较为严重（Godson等人，2018年）。这些发现强调了评估海滩沙子中重金属浓度以评估污染程度和潜在生态风险的重要性。表1将本研究的平均重金属浓度与其他全球地区的结果进行了比较。

在传输过程中，重金属会进入水生系统，并在水中和沉积物之间分配（Yüksel等人，2024年）。通过吸附、水解和共沉淀等过程，大部分金属离子会附着在沉积物上，只有少量仍溶解在水中（Bastami等人，2018年；Zhang等人，2021a；Zhang等人，2021b；Yüksel和Ustao?lu，2025年）。因此，沉积物在海洋生态系统中起着关键作用，既是重金属的储存库，也是其迁移的途径。泰米尔纳德邦污染控制委员会（TNPCB，2016–2017年）的调查表明，大约80%的工业废水未经处理直接排入河流，这对该地区的水生环境造成了严重污染（Mukherjee和Nelliyat，2006年）。

多变量统计技术被广泛用于环境污染评估（Gupta等人，2021年；Zhang等人，2022年），而人工智能的进步推动了机器学习算法在识别自然和人为污染源方面的应用（Zhang等人，2021a；Zhang等人，2021b；Ustao?lu等人，2024年；Kaur等人，2025年）。其中，非负矩阵分解（NMF）是一种将输入数据矩阵分解为两个非负矩阵的方法，用于表示潜在成分及其贡献（González-Macías等人，2014年；Saylor等人，2019年）。自组织映射（SOM）是一种无监督神经网络技术，可将高维数据投影到二维网格上，同时保持拓扑关系（Vesanto和Alhoniemi，2000年）。这有助于有效可视化重金属浓度分布的相似性，并识别空间分布模式（Guagliardi等人，2022年；Shang等人，2024年）。通常使用轮廓系数来确定最佳聚类数量，以确保准确性和稳健性（Khorshidi等人，2021年；Li等人，2022年）。为了补充和验证K均值聚类的结果，经常应用层次聚类分析（HCA），它提供了基于树状图的样本关系可视化（Mali等人，2022年；Ferraro等人，2023年；Zhou等人，2023年；Calinski和Harabasz，1974年）。NMF常作为正矩阵分解（PMF）的开源替代方案，并可无缝集成到机器学习框架中（Lee和Seung，1999年；Shan和Shi，2019年；Rusanen等人，2023年）。

蒂鲁琴杜尔地区位于泰米尔纳德邦南部沿海，是一个著名的旅游目的地，由于早期研究指出的环境问题日益严重，因此需要对其沉积物质量进行详细评估。Singaraja等人（2015年）和Raja与Neelakantan（2023年）证实了图图库迪区（Thoothukudi district）地下水易受重金属污染，包括有毒铀污染，这引发了严重的环境和公共卫生问题。Rajaram等人（2020年）报告了图图库迪公司地区沉积物和水中有毒金属污染带来的生态危害，而Magesh等人（2011年、2013年）研究了塔米拉巴拉尼河口（Thamirabarani estuary）沉积物中的重金属污染。在印度，机器学习（ML）已被广泛应用于沿海环境研究的多个领域，特别是在地下水潜在区域划定、海岸线变化检测和沉积物产量估算方面。然而，其在评估沿海重金属污染方面的应用仍处于探索阶段，可能是印度沿海地区的首次尝试（Kumar等人，2020年；Pradeep等人，2022年）。本研究通过：（i）量化重金属浓度并评估相关污染指数；（ii）应用无监督机器学习和多变量统计技术识别空间分布模式；（iii）区分地质来源和人为来源，填补了这一研究空白。通过结合无监督机器学习算法（SOM、K均值、HCA、NMF）和经典污染指数（I_geo、EF、CF、PERI），本研究为蒂鲁琴杜尔海岸的重金属来源识别提供了首个基于机器学习的综合基线。这种方法揭示了镉作为优先管理对象的污染物的空间分布特征，为印度这一地区带来了新的见解。本研究旨在生成可靠的数据集，评估沉积物中的重金属积累情况，估算污染物水平，并利用统计建模追踪其最可能的来源，为该地区的环境管理和污染控制提供重要依据。

研究区域

研究区域包括印度泰米尔纳德邦图图库迪区（Thoothukudi district）的沿海和河口地区，涵盖58个村庄，地理坐标介于北纬8°22′30″至8°38′30″、东经77°52′00″至78°8′30″之间（图1）。该地区的海岸景观多样，包括沙滩、潮汐流、沙丘、河口和海岸线环境。

采样与分析

为了评估蒂鲁琴杜尔沿海地区的沉积物质量，在Manapad和Mullakadu之间战略性地选择了25个采样点，覆盖了泰米尔纳德邦蒂鲁琴杜尔地区孟加拉湾沿岸37公里的区域。采样工作于2020年1月进行，从Karamaniyar河口的TSS1站点开始，到Thamirabarani河口的污水处理厂附近的TSS25站点结束。采样点之间的间隔约为0.5公里。

计算沉积物中的重金属污染程度

污染因子（CF）、地质累积指数（I_geo）、污染负荷指数（PLI）、富集因子（EF）和潜在生态风险指数可用于计算重金属污染程度。

结果与讨论

本研究通过多种污染指数（包括潜在的PERI、EF、CF和I_geo）评估了沉积物的质地特征（沙子百分比、淤泥百分比、粘土百分比、泥浆百分比、铁百分比、铝百分比和有机物百分比）以及有毒重金属（Zn、Cu、Cr、Pb、Fe、Mn、Ni和Cd）的分布。

SOM模型

自组织映射（SOM）聚类可视化（图8）根据重金属浓度分布的相似性展示了采样点（TS1–TS25）的分组情况。每个六边形代表一个聚类单元，采样点根据其重金属浓度的相似性被分配到相应的单元中。不同的颜色代表具有相似地球化学特征的站点组。

沿海环境的保护与管理

在泰米尔纳德邦南部沿海地区，图图库迪海岸线包含多个生态和经济上重要的区域。本研究中的采样点分布不均，不同类别内的重金属污染程度也有所不同。基于分布模式和污染评估，提出了以下补救措施以促进生态友好型沿海环境的发展。

?

其中

结论

本研究采用的综合方法能够全面解读沉积物的特性，包括环境风险和历史影响。沙子、淤泥、粘土、泥浆和有机物（OM）的平均组成分别为81%、12%、6%、16%和3%。质地分析显示，随着颗粒大小的减小，有机物含量增加，TS3站点的有机物浓度最高。

CRediT作者贡献声明

Jesuraja Kamaraj：撰写初稿、监督、软件开发、数据管理、概念构思。Selvam Sekar：撰写与编辑、撰写初稿、监督、项目管理、调查、数据分析。Priyadarsi D. Roy：撰写与编辑、验证、软件开发、项目管理。Baalamurugan Arumugam：数据分析。Pankaj Kumar：撰写与编辑、项目管理、方法论研究、数据分析。Upendra Badimela：

资金支持

无。

利益冲突声明

无。

致谢

S. Selvam衷心感谢印度新德里科学与技术部–SERB-ECR（授权号：F: ECR/2018/001749）提供的财政支持。作者们也感谢DST–FIST计划提供的必要基础设施和仪器设施。