阿尔及利亚塞德拉塔平原浅层潜水含水层灌溉水质预测的可解释机器学习（Machine Learning, ML）研究

《Water》：Explainable ML for Irrigation Water Quality Prediction in the Sedrata Aquifer, Plain (Algeria)

　　

在半干旱地区，地下水用于农业灌溉时，灌溉水质评估对可持续地下水管理十分关键。传统灌溉水质指数（Irrigation Water Quality Index, IWQI）评估需要多项物理化学测定并手工计算综合指数，耗时、昂贵且难以在重复监测中推广。机器学习（Machine Learning, ML）方法有望以少量常规监测变量重建IWQI。研究人员在阿尔及利亚东北部塞德拉塔平原（Sedrata Plain）浅层潜水中建立可解释ML框架：从25口开放井在4个季节战役（2023年2月—2024年5月）采集100个地下水样；IWQI由电导率（Electrical Conductivity, EC）、Na+、Cl?、HCO3?和钠吸附比（Sodium Adsorption Ratio, SAR）按Meireles等的加权聚合计算。六类ML算法在留一战役外（Leave-One-Campaign-Out, LOCO）验证下配合嵌套递归特征消除交叉验证（Recursive Feature Elimination with Cross-Validation, RFECV）评估，用R2、均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）评价。IWQI为28.72—76.28，低、中、高、严重限制分别占8%、56%、28%、8%。极端梯度提升（Extreme Gradient Boosting, XGBoost）LOCO表现最佳（R2=0.732±0.109；RMSE=5.075±1.403个IWQI单位），多元线性回归（Multiple Linear Regression, MLR）为R2=0.563±0.304。SHapley Additive exPlanations（SHAP）显示Cl?、EC和SAR为主导预测变量。结果表明：从常规变量经可解释ML分组验证重建IWQI可用于灌溉水质快速筛查，但广泛应用前需外部验证。

研究背景方面，在干旱与半干旱区域，地表水有限且变率大，地下水是农业灌溉重要淡水来源。浅层地下水水质受岩性交互、蒸发浓缩、季节补给及农业开采等人为压力影响，过高盐度、钠害及Cl^?、Na⁺、HCO₃^?等离子会破坏土壤结构、降低导水率并抑制作物生长。传统灌溉水质指数（IWQI）虽能综合EC、Na⁺、Cl^?、HCO₃^?、钠吸附比（SAR）等参数给出灌溉限制等级，但需完整理化测定与经验评分函数，在数据稀缺的阿尔及利亚东北部成本高、推广难。已有机器学习（ML）研究多用随机划分训练测试集，当同一监测井重复观测被拆入两边时，会得到过于乐观的泛化估计；并且IWQI本身是由规定输入决定的确定性复合指数，ML在此其实是代理重建而非预测独立环境结果。因此，研究人员在《Water》发表论文，针对塞德拉塔平原浅层潜水含水层，建立防信息泄漏、可解释、分组验证的ML框架。

关键方法方面，研究人员用25口开放井、4个战役共100个浅层地下水样；以EC、Na⁺、Cl^?、HCO₃^?、SAR等14个候选变量起始，先做方差膨胀因子（Variance Inflation Factor, VIF）多重共线性处理，再把递归特征消除交叉验证（RFECV）嵌套进留一战役外（LOCO）外层训练集，并以留一井外（Leave-One-Well-Out, LOWO）作补充验证；模型含支持向量回归（SVR）、K近邻（KNN）、随机森林（RF）、梯度提升（GB）、极端梯度提升（XGBoost）和多元线性回归（MLR）；用SHapley Additive exPlanations（SHAP）做模型级属性解释，所有缩放与调参只在训练分区内进行。

研究结果方面，3.1节统计摘要显示pH、EC、Ca²⁺、Mg²⁺、Na⁺、Cl^?、HCO₃^?、SO₄^2?、总硬度（Total Hardness, TH）等变异性强，高值样本代表真实矿化与蒸发浓缩过程，未被删去。3.2节IWQI评估显示IWQI均值56.16±10.55，无“无限制”样本，36%样品属高或严重限制，空间上劣化区与农业及城镇压力相关。3.3节Pearson相关与多重共线性分析显示HCO₃^?、TH、EC、Ca²⁺、Cl^?与IWQI负相关最强；Ca²⁺、Mg²⁺与TH存在完全共线，故保留TH、剔除Ca²⁺与Mg²⁺。3.4节嵌套RFECV特征选择显示EC、Na⁺、Cl^?、HCO₃^?、SAR在四折LOCO中稳定保留，构成五变量核心。3.5节LOCO下ML性能显示XGBoost平均R²=0.732±0.109、RMSE=5.075±1.403、MAE=3.822±0.998，优于MLR；3.5.1统计比较说明因仅4个外折，XGBoost仅在与RF的非校正配对t检验中显著，不等于全面统计胜出；3.5.2 LOWO中XGBoost平均RMSE=4.475±2.943，而Gradient Boosting平均RMSE更低为2.527，说明最优模型随验证策略变化；3.5.3随机80/20仅作参照，XGBoost R²=0.698，证明随机划分会高估泛化；3.5.4与文献比较说明LOCO结果比随机划分研究更保守。3.6节基线比较指出确定式IWQI本身R²=1、误差为0，ML只是近似重建确定式分段指数。3.7节SHAP分析表明最终XGBoost模型属性排序为Cl^?>EC>SAR>HCO₃^?>Na⁺，但这是模型依赖度而非水文地球化学因果。3.8节局限指出样本仅15个月、浅井、4战役，外部含水层未验证。3.9节未来方向包括多年独立外部数据集、适用性域、共形预测等不确定性量化与空间协变量引入。

讨论与结论部分总结：研究人员强调，IWQI是可由规定变量算出的确定性指数，ML框架价值不在于发现新物理机制，而在于以EC、Na⁺、Cl^?、HCO₃^?、SAR作常规输入，在LOCO与LOWO防止信息泄漏条件下提供可解释、近实时的IWQI筛查替代方案。XGBoost在本文数据集与验证设计下数值最优，但GB、KNN、RF亦能捕捉非线性；MLR可作透明基线但在分段评分结构下不稳定。SHAP只解释模型如何分配属性，不证明Cl^?、EC或SAR单独控制水质。结论原文要义为：本研究为塞德拉塔平原浅层潜水建立了可解释ML框架；嵌套RFECV与LOCO/LOWO减少信息泄漏；XGBoost取得最高LOCO平均性能；Cl^?、EC、SAR经SHAP确认为主导模型属性变量；该框架可支持常规变量下的灌溉水质分组验证重建与高效初筛；在更广区域应用前仍需独立外部验证、适用性域评估和不确定性量化。