综述：人工智能用于砷污染地下水的可持续治理：进展、挑战与管理视角

《Physics and Chemistry of the Earth, Parts A/B/C》：Artificial intelligence for sustainable mitigation of arsenic-contaminated groundwater: advances, challenges, and management perspectives

　　

• AI可提升砷污染热点映射与暴露风险评估能力
• 集成AI框架可支撑可持续地下水管理
• 基于物联网的监测可强化预警与现场应急响应
• AI有助于优化砷处理、修复与安全井规划

**引言**

地下水砷污染是一个长期存在的环境和公共健康问题，影响着依赖含水层取水用于饮用水、灌溉及日常生活的社区。砷广泛天然存在于多种地质构造中，也可因采矿、农业活动、工业过程以及地下水氧化还原条件的变化而被迁移活化。全球性评估已在南亚及其他地区发现广泛的砷污染，孟加拉国、印度、尼泊尔、巴基斯坦、中国、越南、墨西哥、阿根廷、智利、匈牙利及美国部分地区均为重点区域（Abedin & Shaw, 2014; Shankar et al., 2014; Podgorski & Berg, 2020; Shaji et al., 2021）。

其健康与生计影响十分严重。长期摄入含砷水与砷中毒、皮肤病变、皮肤癌、心血管疾病、神经系统效应以及多种器官癌症风险增加相关（Rahman et al., 2009; Chakraborti et al., 2011; Madhukar et al., 2016; Zeng & Zhang, 2017; Jasudkar et al., 2019）。砷还可通过灌溉进入农业系统，影响土壤质量、食品安全与粮食保障（Shaji et al., 2021）。由于地下水砷风险受水文地质、地球化学、井深、土地利用和社会脆弱性等多因素影响，可持续缓解需要超越点源处理，必须实现集成监测、预测、沟通与决策支持。

传统的砷缓解方法包括水井检测与更换、安装深管井、吸附、混凝过滤、氧化后混凝、膜过滤、纳滤、反渗透、植物修复及其他因地制宜的处理技术（Garelick et al., 2005; Mondal et al., 2021; Pezeshki et al., 2023; Yadav et al., 2022）。这些方法技术上可行，但常面临成本、维护、污泥管理、能耗、社会接受度及长期监测等方面的局限。因此，能够识别高风险区域、优先干预、优化处理方案选择并支撑政策决策的技术日益重要。

人工智能（AI），包括机器学习和深度学习，为分析大型异质环境数据集提供了工具。在地下水砷管理中，AI可整合地球化学测量、水井数据库、水文地质预测因子、卫星衍生代理图层、物联网传感器输出及社会经济指标，以支撑风险映射、预警、处理优化与决策（Mehmood et al., 2020; Singh et al., 2021; Agarwal et al., 2024）。AI的价值不在于取代野外水文地质或实验室检测，而在于提升地下水管理决策的速度、空间覆盖范围和针对性。

本综述的贡献不在于开发新的AI算法或统计方法，而是提供一个以实施为导向、以管理为重点的综合框架，将数据获取与质量控制、危害预测与空间优先排序、监测与预警、处理与修复优化、治理、社区参与和可持续性连接起来。以往综述对砷污染发生、健康效应和处理技术提供了重要综合，其他出版物探讨了环境AI和遥感应用（Garelick et al., 2005; Shankar et al., 2014; Shaji et al., 2021; Yadav et al., 2022; Mehmood et al., 2020; Agarwal et al., 2024）。本综述在一个人类监督的决策支持框架下将这些领域联系起来，并根据数据代表性、验证质量、不确定性、可解释性、水文地质合理性、可迁移性、运行可行性及潜在公共健康效益来评估AI应用。

以往综述已确立地下水砷污染的全球重要性、健康后果及传统去除技术的优劣（Garelick et al., 2005; Shankar et al., 2014; Shaji et al., 2021; Yadav et al., 2022）。其他研究探讨了AI在环境监测、水资源可持续发展目标及遥感辅助砷评估中的应用（Mehmood et al., 2020; Singh et al., 2021; Agarwal et al., 2024）。这些出版物为本综述提供了基础，但预测、监测、处理、治理和实施通常被作为独立组件讨论。

本综述通过建立一个评估框架来推进文献发展，以判断AI应用在何种条件下足够可靠且适用于地下水砷管理。在该框架下，报告的预测精度仅代表一个证据层级。管理相关性还要求数据具有代表性、经过适当的空间或外部验证、具备不确定性评估、水文地质和地球化学合理性、可解释性、运行可行性，以及模型输出能够改进监测、处理选择、治理或公共健康保护的证据。

因此，本综述的贡献有三方面。首先，超越以算法为中心的比较，区分报告的预测性能与证据强度、地理可迁移性及运行准备就绪程度。其次，根据数据与验证基础、报告性能、实用适用性、方法论局限性和支持证据强度，对预测和处理研究进行结构化比较评估。第三，将这些发现转化为一个基于证据门槛的实施路径，将代表性基线数据、比较性模型开发、独立验证、现场试点、规模扩展和持续监测与明确的管理准备就绪要求联系起来。所形成的框架并非作为新的机器学习方法提出，其学术贡献在于将碎片化的技术证据与可辩护的地下水管理决策所需条件联系起来。

**章节片段**

**综述方法与稿件范围**

本研究采用以结构化文献检索为支持的整合性叙事综述。该方法适用于异质研究设计和数据来源，前提是在文献识别、评估、分析和呈现方面保持透明（Whittemore & Knafl, 2005; Snyder, 2019）。由于存在显著的方法论和情境异质性，无法进行有意义的统计合并，因此采用了叙事综合原则（Popay et al., 2006）。

**地下水砷作为全球可持续管理挑战**

地下水砷污染具有地质成因和人为成因驱动因素，在南亚、东南亚、美洲及欧洲部分地区均有分布（Shankar et al., 2014; Shaji et al., 2021）。在南亚，它通常与冲积含水层、浅管井及氧化还原敏感迁移相关，在孟加拉国、印度、尼泊尔和巴基斯坦有重大影响的记录（Roychowdhury, 2010; Abedin & Shaw, 2014; Shaji et al., 2021; Zinke, 2020）。Podgorski和Berg（2020）估计

**AI驱动的地下水砷缓解概念框架**

AI辅助的砷管理系统应被视为一个人类监督的决策支持链，而非独立的预测模型。本综述提出的框架并非新的机器学习架构。其贡献在于根据现有AI能力在水下水砷管理中的运行功能来组织这些能力，并确定连接这些功能的验证和治理要求（Manzione & Matulovic, 2021; Wu et al., 2023）。

**AI辅助的数据获取、监测与整合**

地下水砷管理中的AI应用始于数据获取。核心输入通常包括实验室砷测量、井深、含水层类型、pH值、氧化还原条件、铁、锰、磷酸盐、溶解有机质、岩性、与河流或洪泛区的接近程度、土地利用以及历史地下水位信息（Cho et al., 2011; Podgorski & Berg, 2020; Zhao et al., 2024）。这些观测数据可与GIS图层和卫星衍生产品相结合以

**机器学习用于砷预测与热点映射**

机器学习和地统计学模型用于在监测不完整的情况下预测地下水砷，主要用于优先安排采样和安全水规划，而非替代水井检测。例如，Podgorski和Berg（2020）在全球随机森林模型中使用了超过50,000个聚合观测值和11个地理空间预测因子，估计有9400万至2.2亿人暴露于超过10 μg/L的砷浓度。此类地图最适合用于广泛的优先排序，而非直接的

**AI辅助修复与处理优化**

AI可通过两个相关但不同的功能支持砷修复：根据当地地下水化学选择处理策略，以及优化处理过程条件。这些应用代表了不同层级的决策支持。一个识别特定修复策略可能适用区域的模型解决的是空间管理问题，而一个在受控实验条件下预测去除效率的模型解决的则是过程

**国际案例证据与可迁移性**

国际案例证据表明，AI和统计模型可在多个空间尺度上支持砷污染地下水管理，从单个水井网络和区域含水层系统到全球危害映射（James et al., 2014; Bindal & Singh, 2019; Podgorski & Berg, 2020）。所综述的研究通过识别应优先检测的区域、可能面临较高暴露的社区以及哪些地下水化学类型是

**数据稀缺、代表性与监测偏差**

数据稀缺是可靠AI辅助地下水砷管理的主要制约因素之一。在许多受影响地区，水井检测项目在空间上分布不均、时间上不规律，且集中于可到达的定居点或已识别的热点区域附近。因此，一个数据集可能包含大量测量值，却仍然无法充分代表偏远社区、深层含水层、季节变化或较少采样的水文地质单元（

**政策、治理与可持续发展影响**

AI支持的砷管理与SDG 3和SDG 6相关，因为它可以改善安全用水获取、减少暴露并针对监测和修复资源（Mehmood et al., 2020; Yadav et al., 2022）。然而，可持续性需要的不仅是预测精度或处理效率；环境足迹、全生命周期成本、社会可及性、机构能力和长期公共健康效益也须予以考虑。

关于AI将降低监测成本的声明以及

**研究缺口、未解决的科学问题与未来优先事项**

地下水砷管理中的AI应用已从传统空间插值发展到机器学习、可解释模型、传感器支持监测和处理优化（Podgorski & Berg, 2020; Martuza et al., 2024; Tang & Liang, 2026）。然而，重要的科学和实施缺口依然存在。大多数研究展示了预测或实验可行性，而较少研究确立了外部可迁移性、长期现场性能和经济可行性（

**结论**

人工智能可通过整合异质数据、识别广泛危害模式、优先安排现场调查、强化监测以及辅助处理选择或优化来支持地下水砷管理。然而，证据质量差异显著：预测研究通常依赖聚集性监测数据和内部验证，而处理研究通常使用批处理实验、汇编数据集或小型原始样本。其核心

**声明**

在本作品的准备和修改过程中，作者使用ChatGPT协助语言润色、结构组织和清晰度提升。作者根据需要审阅、验证和编辑了内容，并对出版物的内容承担全部责任。

**CRediT作者贡献声明**

Mir Muhammad Nizamani：写作—审阅与编辑，写作—原稿撰写，可视化，验证，软件，方法论，调查，正式分析，数据管理，概念化。Zhongping Lai：写作—审阅与编辑，验证，监督，资源，项目管理，方法论，资助获取，概念化。

**资助**

本工作由李嘉诚基金会STU-GTIIT联合研究基金（2025LKSFG04）支持。

**利益冲突声明**

? 作者声明他们不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

Mir Muhammad Nizamani | Zhongping Lai