混合专家-主成分分析-人工神经网络框架用于半干旱含水层水质指数的水文地球化学优化

《Physics and Chemistry of the Earth, Parts A/B/C》：A Hybrid Expert–PCA–ANN Framework for Hydrogeochemical Optimization of the Water Quality Index in a Semi-Arid Aquifer

　　

混合WQI框架结合了专家判断、PCA和ANN用于半干旱含水层。ANN优化的PCA权重（WQI_{PCA_ANN}）提供了最高的预测精度。硝酸盐被确定为人类相关污染的主要指标，而EC和TDS反映了盐度效应。克里金图揭示了质量梯度和高风险污染区。WQI_{PCA_ANN}为可持续管理提供了一种可转移的、数据驱动的工具。

地下水是半干旱地区重要的淡水资源，但其水质日益受到自然水文地球化学过程和人类活动的双重影响。传统的WQI方法虽广泛应用，但基于专家赋权存在主观性，且难以全面反映非线性相互作用。PCA能提高统计客观性但仅描述线性关系，ANN能捕捉非线性但可能过拟合。因此，亟需开发一种融合专家知识、统计分析和机器学习优势的混合框架，以提升半干旱含水层水质评估的可靠性和可转移性。

研究人员在阿尔及利亚Chott Hodna盆地南部的Maadher平原（半干旱地区）开展了这项研究，旨在通过混合专家–PCA–ANN框架优化WQI。研究共采集33个地下水样品，分析了11个理化参数（pH、EC、TDS、Ca²⁺、Mg²⁺、Na⁺、K⁺、Cl^-、SO₄^2-、HCO₃^-和NO₃^-）。开发并比较了四种WQI模型：专家赋权（WQI_Expert）、PCA赋权（WQI_PCA）、专家+ANN优化（WQI_Expert_ANN）和PCA+ANN优化（WQI_PCA_ANN）。通过R²、RMSE、MAE等指标评估模型性能，并利用普通克里金（OK）方法绘制空间分布图。研究得出，WQI_PCA_ANN模型表现最佳（R²=0.94，RMSE=1.92，MAE=1.48），硝酸盐（NO₃^-）和盐度相关参数（EC、TDS、Cl^-、SO₄^2-）被识别为水质退化的主要驱动因素。空间分析显示，北部和东北部地区水质最差，与农业灌溉回水和蒸发浓缩有关。该研究发表在《Physics and Chemistry of the Earth, Parts A/B/C》，为半干旱地区地下水管理提供了可转移的、数据驱动的工具。

**关键技术方法**：样本来自阿尔及利亚Maadher平原（33个水样，2021年11月采集）。主要方法包括：1）专家赋权法：基于水文地球化学重要性分配权重；2）PCA赋权法：对标准化数据矩阵进行主成分分析，提取特征值>1的3个主成分（累计方差80.13%），按方差贡献率计算参数权重；3）ANN优化法：采用多层感知机（MLP）结构，输入层11个神经元，一个隐藏层，输出层1个神经元，以专家WQI或PCA-WQI为目标，通过Adam或Levenberg–Marquardt算法训练，利用连接权重法（Olden & Jackson方法）提取优化后的参数相对权重。模型评估使用R²、RMSE、MAE，空间插值采用普通克里金（OK）并拟合球状变异函数模型。

**研究结果**：

**3.1 地下水水质统计分析**：通过描述性统计和与WHO（2017）标准对比，发现pH均达标，但EC、TDS、Ca²⁺、SO₄^2-、NO₃^-等参数普遍超标，表明存在严重的盐度和硝酸盐污染。超过90%的样品NO₃^-浓度超标，平均值达173.47 mg/L。偏度分析显示多数参数呈正偏态，反映局部富集现象。

**3.2 权重因子推导**：
- **3.2.1 专家赋权**：基于参数对健康和水质的重要性，给予SO₄^2-、HCO₃^-、TDS、Cl^-较高权重，K⁺和Na⁺较低权重。
- **3.2.2 PCA赋权**：提取三个主成分（PC1: 55.27%，PC2: 14.15%，PC3: 10.71%），PC1与EC、TDS、Ca²⁺、Cl^-、SO₄^2-、Na⁺强相关，代表盐度过程；PC2和PC3与NO₃^-、HCO₃^-、K⁺、pH相关。基于绝对载荷与方差计算出权重，Cl^-、EC、TDS、SO₄^2-和Ca²⁺权重最高，NO₃^-和HCO₃^-权重最低。
- **3.2.3 ANN优化权重**：分别以WQI_Expert和WQI_PCA为目标，训练ANN并提取权重。Expert_ANN模型中NO₃^-权重最高（0.18），Mg²⁺次之（0.12）；PCA_ANN模型中EC（0.11）、Ca²⁺（0.10）和SO₄^2-（0.10）权重上升，NO₃^-权重降至0.15。两种模型均显示Na⁺、K⁺和HCO₃^-权重较低。模型性能评估显示，WQI_PCA_ANN在训练集上R²=0.9877，RMSE=0.0454，MAE=0.0404。

**3.3 不同方法WQI估算**：比较四种WQI值，多数样品处于中等至差水质范围。ANN优化方法倾向于产生略高的WQI值，PCA方法则较低。WQI_PCA和WQI_Expert均值落入“差”类别（161.79和157.71），而WQI_PCA_ANN和WQI_Expert_ANN均值更高（178.87和175.03）。分类统计显示，PCA和专家模型将约48-51%样品归为“中等”，而ANN模型将更多样品归为“差”和“非常差”，其中PCA_ANN模型将27.3%的井评为“非常差”。

**3.4 GIS空间制图**：利用普通克里金（OK）方法生成WQI空间分布图，所有模型一致显示北部和东北部（靠近Chott Hodna补给边缘）水质极差，与盐度和硝酸盐污染相关；中部盆地以中等至差水质为主；西南部小区域水质良好。ANN优化使分类边界更清晰，并略微扩大西南部“良好”区域，但北部“极差”带持续存在，表明高环境健康风险。

**讨论与结论**：讨论部分通过残差分析和敏感性分析揭示了不同方法的差异。残差分析显示，WQI_Expert模型残差接近零，而ANN模型存在负偏（高估WQI）。敏感性分析表明，所有方法一致识别EC、TDS和NO₃^-为关键指标，但ANN优化突出了NO₃^-和Mg²⁺的作用。Spearman相关分析显示，专家权重与其他方法相关性弱（~0.23-0.26），而ANN优化权重之间高度相关（0.84）。模型性能比较表明，WQI_PCA_ANN（R²=0.94，RMSE=1.92，MAE=1.48）优于其他模型。研究结论翻译如下：**地下水水质退化在干旱和半干旱地区日益严重。本研究开发了一个混合框架，结合专家知识、主成分分析（PCA）和人工神经网络（ANN），以改善南Chott Hodna盆地半干旱含水层的水质指数（WQI）评估。该方法将水文地球化学解释与统计和机器学习方法相结合，减少了地下水水质评估中的主观性。四种测试模型（WQI_Expert、WQI_Expert_ANN、WQI_PCA和WQI_PCA_ANN）表现出明显的性能差异。PCA提高了参数权重的统计一致性，而ANN更好地表示了水文化学变量之间的非线性关系。在测试方法中，WQI_PCA_ANN产生了最佳结果（R²=0.94，RMSE=1.92，MAE=1.48），表明结合PCA和ANN提高了WQI预测的可靠性。水文地球化学分析表明，地下水退化主要与盐度和与人类活动相关的硝酸盐污染有关。EC、TDS、Cl^-、SO₄^2-和NO₃^-被赋予较高权重，表明蒸发岩溶解、灌溉回水、农业活动和废水入渗的强烈影响。空间分析还显示，差至极差的地下水质量主要集中在该盆地的北部和东北部，表明自然条件和土地利用实践共同影响地下水化学。总体而言，该框架为半干旱含水层的水质评估提供了有用工具。然而，未来的研究应包括更大的数据集、外部验证和不确定性分析，以提高该方法的稳健性和更广泛应用。**