整合水文地球化学、水质指数与可解释机器学习的沿海三角洲含水层季节性地下水适宜性的可持续评估

《Physics and Chemistry of the Earth, Parts A/B/C》：Integrating hydrogeochemistry, water quality indices, and explainable machine learning for the sustainable assessment of seasonal groundwater suitability in a coastal deltaic aquifer

　　

• 综合水地球化学、水质指数、机器学习和SHAP方法用于季节性地下水评估。
• Piper图、Gibbs图、离子比、主成分分析和相关性分析识别了季节性控制因素。
• CatBoost和MLP模型在DWQI和IWQI预测中达到了较高的准确率。
• SHAP解释揭示了饮用水和灌溉水质量的关键驱动因素。
• 与盐度相关的参数主导了地下水质量预测。

1. 引言

地下水是地球上最大的可获取淡水资源，在供水、农业生产力、工业发展和生态系统服务方面发挥着至关重要的作用（Pittalis等，2016）。全球有半数人口依赖地下水，灌溉是其开采的主要驱动力，从而支持粮食安全和经济社会进步（Singh等，2024）。在沿海地区，地下水在水资源供应有限的时期经常作为唯一可靠的淡水资源（Alcalá等，2023）。然而，被广泛利用的沿海和三角洲含水层面临过度开采、城市化、气候变化、海平面上升、海水入侵和环境胁迫的威胁（Ferguson和Gleeson，2012）。这些问题在全球范围内已有记录，包括尼罗河（Hagage等，2025）、湄公河（Giao等，2023）、恒河-布拉马普特拉河（Maina等，2024）和印度沿海地区等三角洲地区，其中考韦里三角洲盆地因农业、季风补给和日益增长的地下水需求而尤为脆弱（Halder等，2021；Krishnamoorthy和Lakshmanan，2024；Sahu，2023）。因此，保护地下水质量和确保其可持续管理对于实现联合国可持续发展目标（SDGs），特别是SDG 6（清洁饮水和卫生设施）、SDG 2（零饥饿）和SDG 13（气候行动）至关重要（Shrestha和Zhihou，2024；Tabassum等，2025；Xie等，2023）。

沿海含水层的地下水质量在过去几十年中因自然水地球化学过程和人类活动而显著恶化（Huang和Li，2024）。海水入侵、地球化学矿物溶解、水岩相互作用、农业集约化、肥料淋溶、工业废水和不规范开采等因素共同改变了全球沿海地区的地下水化学性质（Agbasi等，2025a；Agbasi等，2025c）。这些过程改变了主要离子和溶解组分的浓度，导致盐碱化、硬度增加、营养物富集，以及饮用水和灌溉适用性降低。在考韦里三角洲盆地也观察到了类似的水地球化学条件，其中季风补给、海水入侵和农业实践导致地下水质量变化（Rajendiran等，2021；Vetrimurugan等，2013）。除盐碱化外，硝酸盐污染也是农业地区地下水的一个问题，主要是由于肥料使用、废水排放和畜牧业活动。氟化物富集与长期的水岩相互作用有关。高水平会降低饮用水适用性并构成公共健康风险（Abu等，2025；Belhouchette等，2022；Bouselsal等，2025）。在全球热带、干旱和半干旱地区，地下水质量挑战已被广泛报道，其中地下水开采增加、自然补给有限、气候变率和盐碱化加剧了对淡水资源的压力，降低了地下水用于多种家庭和农业用途的适用性（Aldrees等，2026；Bouselsal等，2025；Hajji等，2018；Khan等，2025）。因此，理解地下水的水地球化学演化及其控制机制对于评估其适用性和制定脆弱沿海含水层管理策略至关重要（Moussa等，2021；Tziritis等，2023）。

水地球化学调查为理解地下水演化、确定控制地下水化学性质的主导地球化学过程以及评估不同水文地质条件下的地下水适用性提供了基本基础（Sidhu和Chandel，2023）。因此，Piper图、Gibbs图、Chadha图和离子比分析等水地球化学方法被广泛使用，因为它们能有效地识别地下水相、水岩相互作用、蒸发、离子交换和沿海含水层中的海水入侵（Acharya等，2023；Kumar和Maurya，2023；Tiwari等，2017）。水质指数，特别是饮用水质量指数（DWQI）和灌溉水质量指数（IWQI），被广泛应用，因为它们将多种物理化学参数整合为简化但可靠的地下水饮用水和灌溉适用性度量（Francis等，2024；Meireles等，2010）。除传统水地球化学表征外，近年来地下水质量研究越来越关注更广泛的主题，包括盐碱化、时空变异性、污染物来源解析、人体健康风险评估和新兴污染物，反映了变化环境条件下地下水管理的日益复杂性（Egbueri等，2024，2025，2026a，2026b，2026c）。

尽管传统水地球化学和基于指数方法被广泛应用，但主要是描述性和回顾性的，在量化水文化学变量间的非线性相互作用或在复杂季节和人为影响下预测地下水质量方面能力有限（Cao等，2024；Hasan等，2023；Zafar等，2024；Zhang等，2022）。这些局限性促使将传统水地球化学解释与机器学习方法相结合，后者能够从多维数据集中学习复杂的非线性关系，且对底层数据结构的最小假设（Bouri等，2025；El-Rawy等，2023；Hfaiedh等，2025；Hussein等，2017；Sanad等，2025）。

近年来，在不同水文地质条件下的研究表明，机器学习算法，包括决策树（DTs）（Krishnamoorthy和Lakshmanan，2024；Nitya Nand Jha，2024；Zaky等，2023）、随机森林（RF）（Saikumar和Amanullah，2025；Sanad等，2025）、极端梯度提升（XGBoost）（Hussein等，2024；Khan等，2025）、CatBoost（Gupta等，2026；Saikumar和Amanullah，2025）、支持向量机（SVM）（Abobakr Yahya等，2019；Jamshidzadeh等，2024）、K最近邻（KNN）（Hussein等，2024；Nitya Nand Jha，2024）、人工神经网络（ANNs）（Agbasi和Egbueri，2023；Singh等，2024）和多层感知器（MLPs）（Krishnamoorthy和Lakshmanan，2024；Nitya Nand Jha，2024），在地下水质量评估中始终展现出高预测准确率和鲁棒的泛化能力，因为它们能有效捕捉水文化学变量间的复杂非线性关系（Miller等，2024；Nong等，2025；Tabassum等，2023）。尽管其强大的预测性能，但许多机器学习模型作为"黑箱"系统运行，限制了其在水地球化学应用中的可解释性（Aderemi等，2025）。因此，可解释人工智能（XAI）技术，特别是SHAP（SHapley Additive exPlanations），被越来越多地采用，因为它们通过量化个体水文化学变量的贡献来提高模型透明度，从而增强模型可解释性、透明度和可靠性，用于地下水质量评估和管理（Aderemi等，2025；Choudhary等，2025）。

尽管以往研究通过水地球化学分析、水质指数和机器学习模型大幅提高了我们对地下水质量的理解，但大多数研究是孤立评估这些方法的。水地球化学研究通常提供详细的基于过程的解释但缺乏预测能力。相比之下，机器学习研究通常强调预测性能，而未能充分将模型输出与驱动地下水演化的基础水地球化学过程联系起来。此外，很少有研究将水地球化学解释与可解释人工智能（XAI）结合起来解释季节性地下水适用性预测的水文化学控制因素。另外，在季风驱动的沿海三角洲含水层中同时评估季节性饮用水和灌溉适用性并使用可解释AI技术的相对较少。因此，季节性水地球化学演化与基于机器学习的地下水适用性预测之间的相互作用仍理解不足，尤其是在经历集约化农业活动和海水入侵的热带沿海环境中。解决这些知识空白对于开发整合、透明、可靠和可迁移的框架至关重要，该框架将水地球化学解释、地下水质量指数、机器学习和可解释人工智能相结合，以支持可持续的地下水质量评估和基于证据的脆弱沿海含水层管理。

为解决已识别的知识空白，本研究开发了一个结合水地球化学表征、地下水质量指数、机器学习（ML）和可解释人工智能（XAI）的框架，以评估印度考韦里三角洲盆地Tharangambadi沿海含水层的季节性地下水适用性。研究由以下研究问题指导：

RQ1. 旱季（monsoon前）和雨季（monsoon后）之间地下水的水地球化学性质如何变化，通过水相分析、离子关系和多元技术揭示的变化由哪些过程主导？

RQ2. 使用饮用水质量指数（DWQI）和灌溉水质量指数（IWQI）时，地下水饮用水和灌溉适用性如何随季节变化？

RQ3. 六种机器学习算法中——随机森林（RF）、极端梯度提升（XGBoost）、梯度提升（GB）、CatBoost、K最近邻（KNN）和多层感知器（MLP）——哪种能最好地预测地下水质量指数？

RQ4. 使用SHAP（SHapley Additive exPlanations）识别的哪些水文化学变量最影响地下水质量预测，这些因素如何改善机器学习模型的可解释性？

本研究通过与以往研究独特的区别：在一个连贯的框架内结合季节性水地球化学表征、双重地下水适用性评估（DWQI和IWQI）、机器学习预测和基于SHAP的模型解释。这种整合提供了一种透明、可解释和有效的方法，用于脆弱沿海三角洲含水层的可持续地下水管理。

2. 研究区描述

本研究在印度东南部泰米尔纳德邦Mayiladuthurai区Tarangambadi乡镇的考韦里三角洲盆地沿海含水层系统中进行。Tarangambadi乡镇位于纬度10°58′56.53″N至11°09′1.86″N和经度79°40′7.60″E至79°51′29.41″E之间。总面积为280.96 km2，有一个沿孟加拉湾的温和倾斜沿海平原（图1）。研究区具有热带半湿润气候特征，有明显的季节性阶段。东北季风在地下水中起重要作用，因为大部分年降水量由其贡献。年温度范围为24°C至37°C，年降雨量范围为886.6 mm至1398 mm（TNWRD，2025）。该区域的水文受考韦里河系统的分流河、灌溉渠道、水塘和排水渠道的影响，这些渠道通过雨水入渗、渠道渗漏、灌溉回归流和河流-含水层相互作用促进地下水补给（Central Ground Water Board，2025）。研究区域的地质因素（图2a），包括古海相、古河流相、现代海相和现代河流相沉积物，构成了以沙、粉土、黏土和砾石为主的第四纪冲积含水层，强烈影响地下水储存、流动和水地球化学演化。地貌上，研究区由低洼的沿海平原组成，具有河流和海洋地貌，有利于地下水补给，但在集约化地下水开采条件下也增加了海水入侵的脆弱性（Geological Survey of India，2024）。土地利用和土地覆盖（图2b）以农业用地为主（77.47%），其次是建成区（17.86%）、水体（2.27%）、树木、牧场、裸地和部分洪水植被，源自Sentinel-2影像。农业是主要的经济活动，地下水被广泛用于灌溉水稻、棉花、豆类和园艺作物。持续的农业实践、地下水开采、肥料施用和不断扩张的居民区构成了影响沿海含水层地下水质量和污染物运移的主要人为因素（TNWRD，2025）。

图1. 印度泰米尔纳德邦Mayiladuthurai区Tarangambadi沿海含水层的地理位置，显示研究区边界和地下水采样点。

图2. 研究区特征：(a) 显示岩性单元和第四纪沉积物的地层图；(b) 来自Sentinel-2影像的LULC图，显示影响地下水补给和污染物运移的类别。

3. 材料与方法

3.1. 数据收集与分析

3.1.1. 样品采集与制备

2025年1月（n = 80）的旱季（monsoon前，PRM）和2025年7月（n = 61）的雨季（monsoon后，POM）被作为从挖井和钻孔井（n = 141）采集地下水的时间。采样点位于居民区和农业区。使用手持GPS设备测量采样点的地理位置。采样使用预先洗涤的500 ml聚乙烯瓶，并用相应的地下水样品冲洗三次。每个样品都清楚地标记，送往实验室，并保存在4°C的凉爽环境中。使用便携式数字水质仪对pH、电导率（EC）和总溶解固体（TDS）进行原位测量。

3.1.2. 质量保证与质量控制

根据美国公共卫生协会（APHA）标准程序（《水和废水检验标准方法》，2012）分析了十四个物理化学参数。使用EDTA（乙二胺四乙酸）滴定法测定钙和镁含量，使用火焰光度法测定钠和钾含量。碳酸盐和重碳酸盐含量使用甲基橙和酚酞进行酸碱滴定定量测定。氯化物使用AgNO? argentometric法测定，硫酸盐、硝酸盐和氟化物浓度使用紫外-可见分光光度法测定。

使用电荷平衡误差（CBE，%）评估水文化学数据集的分析准确性和内部一致性，定义如公式(1)所示。

所有地下水样品的阳离子-阴离子平衡误差（CBE）值均在可接受的±10%范围内，确认了分析结果的可靠性。所测量的理化参数依据世界卫生组织（WHO，2022年）和印度标准局（BIS，2012年）推荐的允许限值进行了评估。表1展示了地下水样本的理化特征数据集。图3展示了本研究所采用的方法论工作流程。（1）CBE（%）=（Σ阳离子?Σ阴离子）/（Σ阳离子+Σ阴离子）×100，其中所有离子浓度均以毫当量每升（meq/L）表示。

**表1. 地下水样本理化特征描述性数据集。**

| 参数 | 季风雨后 | 季风雨前 | WHO允许限值 | BIS允许限值 |
|------|---------|---------|------------|------------|
| pH | 6.10–8.15（最小值–最大值），均值6.06，标准差8.20，标准偏差0.45 | 7.15（最小值–最大值），均值6.06，标准差8.20，标准偏差0.45 | 6.5–8.5 | 8.5 |
| EC（μS/cm） | 285.00–3400.00，均值1080.12，标准差706.87 | 290.00–3100.00，均值930.52，标准差512.40 | 500* | 1500–3000* |
| TDS（mg/L） | 159.00–1766.00，均值607.26，标准差387.47 | 512.00–5200.00，均值1625.87，标准差892.80 | 500 | 2000 |
| TH（mg/L） | 115.00–840.00，均值410.86，标准差156.33 | 250.00–865.00，均值421.39，标准差119.13 | 100 | 600 |
| Ca（mg/L） | 40.08–246.44，均值93.93，标准差37.09 | 30.06–236.42，均值79.70，标准差31.72 | 75 | 200 |
| Mg（mg/L） | 19.49–163.89，均值80.94，标准差31.54 | 54.39–178.25，均值93.79，标准差27.55 | 50 | 100 |
| Na（mg/L） | 22.20–420.18，均值144.70，标准差96.73 | 9.46–213.82，均值90.83，标准差53.07 | 200 | 200 |
| K（mg/L） | 0.63–162.01，均值30.34，标准差31.06 | 0.18–110.35，均值20.23，标准差23.33 | 10 | 12 |
| CO?2?（mg/L） | 10.00–175.00，均值47.72，标准差38.15 | 10.00–110.00，均值43.36，标准差22.99 | 500 | 200–600 |
| HCO??（mg/L） | 135.00–785.00，均值420.37，标准差136.51 | 220.00–930.00，均值474.10，标准差147.49 | 500 | 500 |
| Cl?（mg/L） | 74.98–809.73，均值247.17，标准差173.58 | 92.47–1112.16，均值272.08，标准差176.62 | 250 | 1000 |
| SO?2?（mg/L） | 1.19–229.57，均值67.04，标准差58.67 | 9.17–148.25，均值80.53，标准差39.58 | 250 | 400 |
| F?（mg/L） | 0.95–1.11，均值0.98，标准差0.02 | 0.24–2.23，均值0.91，标准差0.41 | 1 | 1.5 |
| NO??（mg/L） | 0.00–86.70，均值3.40，标准差9.91 | 0.01–16.25，均值2.39，标准差3.51 | 45 | 45 |

**图3. 本研究所采用的方法论工作流程**，展示了地下水采样、实验室分析、水地球化学特征表征、多变量统计分析（Pearson相关性分析、主成分分析和层次聚类分析）、水质指数（DWQI和IWQI）评估、机器学习模型开发、基于SHAP的模型解释以及空间地下水质量制图。

**3.2 水地球化学评估**

本研究采用不同的图形和离子学方法对地下水的水地球化学特征进行了表征，以确定主导的地球化学过程和类属（Goutham等，2025年）。Piper三线图帮助分类地下水类属并评估雨季前后地下水主要阳离子-阴离子化学的季节性变化，以了解混合模式和水地球化学过程。绘制了Gibbs图（TDS vs. Na?/(Na?+Ca2?)）和（TDS vs. Cl?/(Cl?+HCO??)），以进一步基于降水主导、岩水相互作用和蒸发-结晶力学相对影响的差异来区分水地球化学过程。Chadha图和Durov图用于增强对类属的解释，并识别离子交换、逆离子交换、咸水入侵以及与含水层补给相关的迹象。离子关系图用于确定海水相互作用。分析解释使用了Microsoft Excel（微软公司，2021年；OriginLab公司，2025年），这有助于进行精确计算并在水地球化学分析中保持严谨。

**3.3 多变量分析**

采用多变量统计技术来确定最为普遍的地球化学过程以及雨季前和雨季后的地下水样品之间的组别相似性；在此情况下，主成分分析（PCA）和层次聚类分析（HCA）是首选的统计工具（Vrouhakis等，2019年）。层次聚类分析（HCA）使用Ward链接和欧几里得距离将地下水样品分类为不同的水地球化学簇。PCA和HCA使用OriginPro 2025b对标准化的水地球化学数据集进行分析。

**3.4 Pearson相关性分析**

Pearson相关性分析用于评估雨季前和雨季期间所测量的理化参数与地下水水质指数之间的线性关系。计算Pearson相关系数（r）以确定水化学变量之间两两关系强度和方向。这些系数范围为?1到+1，正值表示直接关系，负值表示反向关系，接近零的值表示弱或无线性连接。相关性矩阵以热力图形式进行可视化，使用Python中的Pandas和Seaborn来识别季节性水化学变化和影响地下水化学的主要因素。

**3.5 饮用水水质指数（DWQI）适宜性**

使用饮用水水质指数（DWQI）定量确定了地下水对人类使用的适宜性。本研究按照世界卫生组织（WHO，2022年）的饮用水标准测量了14个理化参数，包括pH、电导率、总溶解固体以及所有阴离子和阳离子。DWQI采用传统的加权算术指数法构建。每个参数根据其相对健康相关性和实际值获得权重（W?），并将允许限值与测量值进行比较以计算质量指数（Q?）。将各子指数值相加得到最终DWQI。这些权重与每个参数质量的加权评分结合，得到每个地下水样品的DWQI（公式（2）–（4））。随后，根据已知的DWQI标准，将地下水样品分为五个组别：优秀、良好、较差、极差和不适合人类饮用。

（2）W? = W? / Σ（从i=1到n）W?

（3）Q? = C? / S? × 100

（4）DWQI = Σ（从i=1到n）W? × Q?

选择饮用水水质指数（DWQI）是因为它是一个标准化工具，将水化学参数整合为单一指数以评估饮用水。该指数便于与沿海和三角洲含水层现有的地下水研究进行比较。尽管数据驱动方法（如熵水质指数EWQI）能减少主观性（Aslam等，2024年），但选择DWQI是因为其固定权重与世界卫生组织（WHO）饮用水标准一致。

**3.6 灌溉水水质指数（IWQI）计算**

使用灌溉水水质指数（IWQI）估算地下水用于灌溉的适宜性。IWQI提供综合评估，因为它将不同灌溉过程中多种化学特性的影响呈现为单一数值水质指标。根据Meireles等（2010年）提出的方法，用于计算IWQI的参数包括电导率（EC）、钠吸附比（SAR，公式（7））、钠百分比（Na%，公式（8））、凯利比（KR，公式（9））、残余碳酸钠（RSC，公式（10））、渗透性指数（PI，公式（11））、镁危害（MH，公式（12））和潜在盐度（PS，公式（13））（Basharat等，2025年；Meireles等，2010年）。这些是灌溉水中盐碱化和钠化风险的关键测量指标（Batarseh等，2021年）。采用Meireles等（2010年）提出的权重系统，因为其在灌溉水水质评估中经过了广泛验证，重点聚焦于影响盐碱化、钠化和土壤渗透性的主要参数。这些参数也是当前沿海三角洲含水层的主要水化学控制因素，这由水地球化学分析和SHAP特征重要性所证实。然而，进一步的研究应探索针对区域水文地质和作物需求量身定制的校准方案，以增强灌溉水质评估。表2总结了这些指数的原始参考文献、授权限值和分类限值。根据Ayers和Westcot（1985年）建议的类别限制，每个参数均为质量度量（Q?），采用以下公式确定（公式（5））。Q?值越高表示水质越好。该方程通过将所测浓度（x??）除以类别下限（x?nf）和类别幅度（xamp）来获得归一化评分。

（5）Q? = Q?.??? ? ((X?? ? X?nf) × Q?.??? / Xamp)

（6）IWQI = Σ（从i=1到n）W? × Q?

其中W?和Q?分别为第i个参数的权重和质量评分。每个参数的Q?使用加权加法模型（公式（6））确定，以计算IWQI。根据Meireles等（2010年）提出的标准，IWQI值在0到100之间的范围将水质分类为不适用、高质量、中等质量、低质量或良好水质。在本研究中，使用QGIS 3.40创建了空间分布图，这是一个先进的开源地理信息系统（GIS）平台。

**表2. IWQI参数公式、分类范围和参考文献。**

| 指数 | 公式 | 公式编号 | 分类范围 | 参考文献 |
|------|------|---------|---------|---------|
| EC（μS/cm） | — | — | <250 优秀；250–750 良好；750–2000 可接受；2000–3000 可疑；>3000 不适用 | Richards（1954） |
| SAR = Na?/√((Ca2?+Mg2?)/2) | — | 7 | <10 优秀；10–18 良好；18–26 可疑；>26 不适用 | Richards（1954） |
| Na% = (Na?+K?)×100/(Ca2?+Mg2?+Na?+K?) | — | 8 | <20 优秀；20–40 良好；40–60 可接受；60–80 可疑；>80 不适用 | Richards（1954）；Wilcox（1955） |
| KR（凯利比）= Na/(Ca2?+Mg2?) | — | 9 | <1 适用；>1 不适用 | Kelly（1940） |
| RSC（残余碳酸钠）= (CO?2?+HCO??) ? (Ca2?+Mg2?) | — | 10 | <1.25 良好；1.25–2.5 可疑；>2.5 不适用 | Eaton（1950）；Kelly（1940） |
| PI（渗透性指数）= ((Na?+√HCO?)/(Ca2?+Mg2?+Na?))×100 | — | 11 | <25 不适用；25–75 可接受；>75 优秀 | Doneen（1964） |
| MH（镁危害）= (Mg2?/(Ca2?+Mg2?))×100 | — | 12 | <50 适用；>50 不适用 | Szabolcs（1964） |
| PS（潜在盐度）= Cl? + ?SO?2? | — | 13 | <3 优秀；3–5 良好；>5 不适用 | Doneen（1964）；Paliwal（1972） |

评估饮用水水质的传统指数方法（如标准水质指数WQI）以及灌溉适宜性评估（包括钠吸附比SAR、钠百分比Na%和凯利比）为评估区域含水层提供了可获取且标准化的基准。然而，这些方法受限于其固定权重方案和未加权的算术聚合。相比之下，现代水质评估框架越来越多地整合动态的数据驱动优化方法。例如，结合人工神经网络的协同ENTROPY-CRITIC模型（Khan等，2023年；Khan和Umar，2024年）、将主成分分析与水质指数集成的混合模型（PCA-WQI）（Hajji等，2018年）、多重对应分析（MCA）（Hajji等，2020年）和形态学建模（Khan等，2023年）。尽管本研究采用传统指数方法建立基础基线并便于与现有区域研究进行直接比较，但这些方法的静态边界局限性已明确予以承认。

**3.7 机器学习模型框架**

**3.7.1 数据集准备**

将理化指标、灌溉水水质指数以及雨季前和雨季后的季节指标结合起来，为本研究提供了全面的数据。预测变量的总数（22个）包括八个灌溉指标和14个理化参数。目标变量是饮用水水质指数（DWQI）和灌溉水水质指数（IWQI）。它们采用传统方法和分类体系确定（WHO，2022年；Meireles等，2010年）。

在模型开发之前，对所有变量进行了分布特征、多重共线性和缺失值的调查。数据集使用Z-score进行标准化，以确保以不同单位测量的变量具有相同的标准。随后，数据被随机划分为20%的测试数据和80%的训练数据，以确保两个季节的公平代表。整个机器学习过程如图3所示。所有计算、模型训练和可解释性评估均在Python 3.12平台上的Google Colab中使用流行的科学库（NumPy、Pandas、SciPy、Matplotlib和Plotly）和先进的机器学习算法（CatBoost、XGBoost、scikit-learn和SHAP）进行。

**3.7.2 模型描述**

单输出回归模型，六种机器学习算法——随机森林（RF）、极端梯度提升（XGBoost）、类别提升（CatBoost）、梯度提升、K最近邻（KNN）和多层次感知器（MLP）——分别用于预测DWQI和IWQI。此外，开发了一个多任务学习（MTL）框架，可以利用灌溉和饮用水水质评估之间固有的联系同时预测DWQI和IWQI。

**3.7.2.1 随机森林（RF）**

随机森林（RF）集成学习算法生成一组决策树，这些树应用随机特征和随机数据子集的使用，以减少过拟合效应并提高泛化能力（Sanad等，2025年）。它基于多数表决来增强稳定性和精度，这也使其最适合水质参数之间复杂非线性相互关系的情况（Akakuru等，2025年；Choudhary等，2025年）。

**3.7.2.2 XGBoost**

XGBoost是梯度提升决策树的一种规模化实现。它按序列训练树，每棵新树通过基于正则化的目标函数最小化来尝试纠正集成模型所做的错误（Hussein等，2024年；Krishnamoorthy和Lakshmanan，2024年）。XGBoost还允许收缩（学习率）、子采样和L1/L2正则化，这些都扩展了其稳健的学习能力和正则化学习洞察力（Choudhary等，2025年；Hussein等，2024年；Li等，2025年）。

**3.7.2.3 梯度提升**

梯度提升（GB）是一种集成学习方法，使用许多弱学习器（通常为浅层决策树），通过随着时间推移减少误差来将其转化为更强大的预测能力（Akakuru等，2025年）。在每一步中，训练另一棵树来纠正上一组模型的误差，使模型趋近于真实值（Choudhary等，2025年）。

**3.7.2.4 CatBoost**

CatBoost是一个梯度提升平台，高效地利用目标统计和有序提升来处理数值和分类数据，这可以大幅减少预测偏差和过拟合的程度（Akakuru等，2025年）。这对于各种环境数据（如水质指标）是有利的，因为它可以自动处理缺失和混合数据（Choudhary等，2025年）。

**3.7.2.5 KNN**

K最近邻（KNN）是一种基于距离的非参数方法，通过确定新观测值与特征空间中k个最近已标记观测值之间的相似度来提供预测（Hussein等，2024年；Nitya Nand Jha，2024年）。在进行回归时，预测通常作为最近邻的平均值得出。KNN严重依赖距离计算；仔细的数据处理，特别是缩放或归一化，对于提高模型准确性至关重要。

**3.7.2.6 MLP**

水地球化学变量与地下水水质指标之间的非线性关系通过使用以多层感知器（MLP）建模的深层前馈神经网络形式的MLP回归模型进行捕捉（Is?k和Akkan，2025年；Sakaa等，2020年）。该架构使用称为Adam的优化器对归一化输入特征进行训练以最小化均方误差损失（Palab?y?k和Akkan，2024年）。它由输入层、具有非线性激活函数的多个全连接隐藏层和一个线性输出层组成（Nitya Nand Jha，2024年）。

**3.8**

# 模型评估

为评估所开发的机器学习模型的预测性能，采用了三种广泛使用的统计指标来评估各模型在预测水质参数和水质指数方面的准确性、预测误差和泛化能力（Huan and Liu, 2024; Liu et al., 2024）。模型的性能通过三个标准指标进行了定量评估：均方根误差（RMSE），如公式（14）所示；平均绝对误差（MAE），如公式（15）所示；以及决定系数（$R^2$），如公式（16）所定义（Akakuru et al., 2025; Liu et al., 2024; Zegaar et al., 2025）。$R^2$ 值越高，RMSE 和 MAE 值越低，表明预测性能越优。最优机器学习模型是基于这些统计指标之间的最佳平衡来确定的。

(14) $RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - y_P)^2}$

(15) $MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i - y_p|$

(16) $R^2 = 1 - \frac{\sum_{i=0}^{n} (y_i - y_p)^2}{\sum_{i=1}^{n} (y_i - y_m)^2}$

## 3.9. 基于SHAP的模型可解释性

采用SHAP（SHapley Additive exPlanations）框架，这是一种博弈论方法，用于解释机器学习模型的预测，通过为每个输入特征在单个预测中分配重要性值。SHAP提供了局部和全局的模型可解释性，能够识别控制地下水质量预测的最关键变量（Zegaar et al., 2025）。

TreeSHAP被用于有效地计算基于树的集成模型（如随机森林（RF）、极端梯度提升（XGBoost）和CatBoost）的Shapley值。相比之下，由于MLP模型的非模型特异性特性，KernelSHAP被用于多层感知器（MLP）模型，使其适用于非树的机器学习算法（Choudhary et al., 2025）。SHAP值衡量每个输入特征相对于模型基线预测（即目标值均值）的贡献。正的SHAP值表示该特征增强了预测的水质指数，而负的SHAP值表示该特征降低了预测值（Liu et al., 2024）。SHAP值的大小反映了特征贡献的强度。为了评估每个特征的整体重要性，计算了所有测试样本上的平均绝对SHAP值以确定全局特征重要性（Yang et al., 2024）。

# 4. 结果与讨论

## 4.1. 物理化学参数

Tarangambadi沿海含水层地下水在物理化学特性方面表现出显著的季相变化，受水文地质因素、自然过程、人为影响和季风补给的影响。全年地下水pH值在弱酸性至中等碱性之间变化，表明碳酸盐矿物的缓冲作用和水-岩相互作用的季节变化。季风前，电导率（EC）和总溶解固体（TDS）普遍偏高，表明由于蒸发浓缩、地下水滞留时间延长和局部海水入侵导致离子浓度升高。季风补给后，EC和TDS均显著降低，表明溶解盐被淡水冲淡稀释。

两个季节观察到的总硬度（TH）增加主要归因于碳酸盐和硅酸盐矿物的溶解，这些矿物向地下水中释放了Ca$^{2+}$和Mg$^{2+}$离子。Na$^+$浓度的显著空间和时间变率表明反离子交换、蒸发和海水混合的共同作用，尤其是在季风前的沿海地区。相反，K$^+$浓度在两个季节中始终保持在较低水平，且通常符合世界卫生组织（WHO）和印度标准局（BIS）规定的限值。

在主要阴离子中，氯化物（Cl$^-$）表现出最显著的季相变化，在两个季节的多个地点浓度超过WHO和BIS规定的限值。作为稳定离子，Cl$^-$是沿海含水层海水入侵和盐分累积的可靠指示剂。升高的Cl$^-$水平结合增大的EC和TDS测量值，表明了海洋入侵和蒸发浓缩的影响，尤其是在季风前。氟化物（F$^-$）浓度通常较低，仅在季风前期出现少数超标情况。相反，某些地点硝酸盐（NO$_3^-$）水平升高，表明与施肥、灌溉回流和市政废水排放有关的局部人为污染。

总体而言，表1中展示的统计比较表明，季风后的地下水具有较低的离子浓度、较低的电导率（EC）和总溶解固体（TDS）水平，以及较少的超过WHO和BIS饮用水标准的实例。这一模式表明季风补给产生的稀释效应。相反，季风前的地下水表现出更大的变率、更高的峰值浓度和更频繁的超标现象。这些条件归因于增强的蒸发浓缩、地下水滞留时间延长、集约化农业开采和局部海水入侵。这些观察结果与Tarangambadi沿海含水层的水文地质特征一致，其中低洼的沿海地形、第四纪冲积沉积物、集约化农业活动和季节性季风补给共同影响地下水化学和污染物动态。其他沿海和半干旱含水层中也报告了类似的地下水盐度和主要离子化学季节变化，在这些地区，补给、蒸发和人为压力共同影响地下水质量（Belhouchette et al., 2022; Hajji et al., 2018; Khan et al., 2025）。因此，观察到的季节变化证实了研究区域的地下水质量受到自然水文地球化学过程与人类活动交互作用的动态影响。

## 4.2. 水文地球化学分析

### 4.2.1. Piper图

部分地下水样本在Piper图（图4a）（Piper, 1944）中被表示为Ca-Mg-HCO$_3$水化学相，表明地下水化学受到近期补给和水-岩相互作用中碳酸盐矿物溶解的影响。相反，几个季风前样本向Na-Cl相偏移，表明由于补给减少而产生的海水入侵、阳离子交换和蒸发浓缩。季风后，大多数地下水样本向以碳酸氢盐为主的相过渡，标志着由于淡水补给产生的稀释和地下水盐度的降低。这些季节变化说明研究区域的地下水化学受季风补给、水-岩相互作用、蒸发和局部海水入侵的控制，导致季风后期从新鲜的Ca-Mg-HCO$_3$相转变为季风前的混合或盐水Na-Cl相。

*图4. 季风前和季风后季节地下水水文地球化学相评估：(a) 显示相分类的Piper图；(b) 显示控制化学过程Gibbs图。*

### 4.2.2. Gibbs图

Gibbs图（图4b）表明岩-水相互作用是影响该区域地下水化学的主要因素，因为大多数季风前和季风后样本位于岩石水主导区。更多季风前样本位于蒸发-结晶区，表明由于补给减少和地下水滞留时间延长产生的蒸发浓缩。相反，大多数季风后样本在岩石主导区表现出较低的TDS值，标志着由季风补给和地下水补充产生的稀释。少数沿海样本显示出较高的盐度，暗示局部海水入侵和沿海混合。这些季节变化表明，尽管岩-水相互作用主要控制地下水化学，但旱季蒸发、季风补给和局部海水入侵起次要影响。

### 4.2.3. Chadha图

如图5a中的Chadha图所示，大多数地下水样本被归类在Ca-Mg-HCO$_3$水化学相内。这表明在淡水补给条件下，地下水化学主要受碳酸盐矿物溶解和水-岩相互作用的影响。相反，几个季风前样本向Na-Cl和Ca-Mg-Cl相偏移，表明在补给减少的条件下存在海水入侵、阳离子交换和蒸发。季风后，更多样本向以碳酸氢盐为主的相过渡，标志着由淡水补给产生的稀释和地下水质量的改善。这些季节变化突出了季风补给、水-岩相互作用、蒸发和海水入侵在沿海含水层中的作用。

*图5. 使用图形方法评估水文地球化学相：(a) 说明相演化和过程的Chadha图；(b) 显示演化、混合、离子交换和盐化的Durov图。*

### 4.2.4. Durov图

Durov图（图5b）说明了Ca-Mg-HCO$_3$水型的优势地位，表明在淡水补给期间，地下水化学主要受碳酸盐矿物溶解和水-岩相互作用的影响。相反，季风前样本向Na-Cl相偏移，其特征是Na$^+$、Cl$^-$和TDS水平增加，表明在补给减少的条件下存在海水入侵、阳离子交换和蒸发浓缩。季风后，大多数样本向碳酸氢盐主导区过渡，TDS降低，标志着由淡水补给产生的稀释和水质的改善。这些变化突出了季风补给、蒸发和海水入侵在沿海含水层水文地球化学演化中的作用。

### 4.2.5. 离子相互作用

图6中描绘的离子比关系阐明了影响研究区域地下水化学的水文地球化学过程。Na$^+$与Cl$^-$之间的关系（图6a）显示大多数季风前样本紧密对齐于1:1平衡线，表明地下水盐度主要受石盐溶解和局部海水混合的影响。季风前期观察到的Na$^+$和Cl$^-$浓度升高进一步强调了蒸发浓缩和地下水补给减少的综合作用。Ca$^{2+}$ + Mg$^{2+}$与HCO$_3^-$ + SO$_4^{2-}$之间的关系（图6b）表明碳酸盐矿物溶解是碱性土类离子的主要来源，而相对较小的硫酸盐贡献表明石膏溶解有限。风化指数图（Ca$^{2+}$/Na$^+$ 对 HCO$_3^-$/Na$^+$）（图6c）表明硅酸盐风化是控制地下水化学的主要机制，碳酸盐风化有次要贡献，蒸发盐溶解的影响极小。此外，离子交换图（Ca$^{2+}$ + Mg$^{2+}$ - HCO$_3^-$ - SO$_4^{2-}$ 对 Na$^+$ - Cl$^-$）（图6d）表明在季风前季节以反离子交换（Ca-Mg → Na-K）为主，表明在盐度升高条件下地下水与含水层材料之间存在活跃交换。

*图6. 显示地下水化学主要水文地球化学控制的离子比图：(a) Na$^+$ 对 Cl$^-$；(b) (Ca$^{2+}$+Mg$^{2+}$) 对 (HCO$_3^-$ + SO$_4^{2-}$)；(c) Ca$^{2+}$/Na$^+$ 对 HCO$_3^-$/Na$^+$；(d) (Na$^+$+K$^+$-Cl$^-$) 对 (Ca$^{2+}$+Mg$^{2+}$-HCO$_3^-$-SO$_4^{2-}$)，表明风化、离子交换、石盐溶解和海水入侵。*

离子比分析揭示研究区域的地下水主要以Ca-Mg-HCO$_3$水化学相为主。这些相在沿海和高盐度区域局部转变为混合和Na-Cl相。水文地球化学演化受碳酸盐和硅酸盐风化、石盐溶解、反离子交换、蒸发浓缩、局部海水入侵和季节性季风补给相互作用的影响。在季风前时期，补给减少和蒸发增加导致水中盐度富集。相反，季风后补给稀释了溶解离子，缓和了这些水文地球化学过程，从而使地下水质量相对改善。

观察到的水文地球化学过程与其他热带和半干旱地区沿海含水层所记录的相符。在这些地区，地下水化学主要受碳酸盐和硅酸盐风化、季节性补给、蒸发和局部海水入侵的影响（Basharat et al., 2025; Hajji et al., 2018; Khan et al., 2025; Moussa et al., 2021）。观察到的水化学季节变化与Tarangambadi沿海含水层的水文地质特征密切相关。该地区的低洼沿海地形、第四纪冲积沉积物、靠近孟加拉湾的位置以及大量农业灌溉地下水开采促进了海水入侵、离子交换和盐分累积。这些过程在季风前时期尤为明显，此时地下水补给最少。

### 4.2.6. 水文地球化学过程的化学计量解释

从水化学相和离子比分析推断的水文地球化学演化得到了控制地下水化学的主要地球化学反应的支持。碳酸盐风化是Ca$^{2+}$、Mg$^{2+}$和HCO$_3^-$的主要来源，通过方解石和白云石溶解实现。

(1) 方解石溶解：CaCO$_3$ + CO$_2$ + H$_2$O → Ca$^{2+}$ + 2HCO$_3^-$

(2) 白云石溶解：CaMg(CO$_3$)$_2$ + 2CO$_2$ + 2H$_2$O → Ca$^{2+}$ + Mg$^{2+}$ + 4HCO$_3^-$

硅酸盐风化也通过长石蚀变促进地下水中的钠和碳酸氢盐溶解。

(3) 钠长石风化：2NaAlSi$_3$O$_8$ + 2CO$_2$ + 11H$_2$O → Al$_2$Si$_2$O$_5$(OH)$_4$ + 2Na$^+$ + 2HCO$_3^-$ + 4H$_4$SiO$_4$

在几个沿海地下水样本中观察到的Na$^+$和Cl$^-$浓度升高表明石盐溶解以及局部海水混合。

(4) 石盐溶解：NaCl → Na$^+$ + Cl$^-$

从离子比分析确定的反离子交换优势可以用以下反应表示，其中地下水中的Ca$^{2+}$取代了吸附在黏土矿物交换位点上的Na$^+$，将Na$^+$释放到地下水中。

(5) 反离子交换：Ca$^{2+}$ + 2Na-X ? Ca-X$_2$ + 2Na$^+$

其中X代表黏土矿物上的阳离子交换位点。

总体而言，这些化学计量反应证实了从Piper、Gibbs、Chadha、Durov和离子比分析得出的水化学解释，确认研究区域的地下水演化受碳酸盐和硅酸盐风化、石盐溶解、反离子交换、季节性季风补给和局部海水入侵的控制。

## 4.3. 多变量分析

主成分分析（PCA）的双序图（图7）证实前三个成分捕获了地下水化学组成的大部分变率。PC1处理盐度富集和离子溶解，特别是在季风前，包括EC、TDS、Cl$^-$、Na$^+$、SO$_4^{2-}$和Ca$^{2+}$。

其中，HCO3?、pH 和 Mg2+ 来源于 PC2，凸显了硅酸盐和碳酸盐风化的作用。NO3? 等营养盐在 PC3 中作用较小，表明农业活动并无显著影响。季风之后，样品的载荷强度较低且彼此更加接近，表明发生了稀释效应且蒸发浓度降低。然而，在一年内，地球化学因子变化的幅度最大。

下载：下载高分辨率图片（428KB）下载：下载全尺寸图片 图7. 季风前和季风雨后数据集的主成分分析（PCA）双标图，展示了控制地下水化学的各个参数及其相互关系。

层级聚类分析（HCA）树状图（图8）根据地下水样品在水地球化学特性和地球化学发育方面的差异，将其分为三个主要聚类。C1 聚类以高盐度为特征，含 Na+、Cl? 和 SO42? 等元素（蒸发过程、海洋影响和高度发达的水-岩相互作用）。C2 聚类涵盖中等矿化度的地下水，可能受碳酸盐风化和离子交换的影响。C3 聚类由矿化度较低的淡新补给水组成，以 Ca-Mg-HCO3 为主要成分。季节比较表明，季风季后样品更倾向于在较低的连接距离处聚集，且聚集成簇更为紧密，这证实了降雨补给后产生的稀释效应以及较弱的蒸发浓缩。结果进一步提供了证据，说明影响 Tarangambadi 沿海含水层地下水质量变化的主要因素是季节性补给和沿海水文地质条件。

下载：下载高分辨率图片（390KB）下载：下载全尺寸图片 图8. HCA 树状图，展示了季风前和季风季后期间基于水化学相似性划分的地下水聚类。

4.4 水地球化学参数的相关矩阵

为评估所测物理化学参数之间的关系，并识别影响季风前后地下水化学的主要过程，本研究采用 Pearson 相关分析（图9、图10）。相关模式显示出与盐度发育、水-岩相互作用和季风补给相关的明显季节变化。

下载：下载高分辨率图片（531KB）下载：下载全尺寸图片 图9. 季风前地下水 Pearson 相关热力图，展示了所测物理化学参数之间的线性关系。
下载：下载高分辨率图片（511KB）下载：下载全尺寸图片 图10. 季风后地下水 Pearson 相关热力图，展示了物理化学参数之间的关系。

在季风前期（图9），电导率（EC）和总溶解固体（TDS）与 Na+ 和 Cl? 呈强正相关（r = 0.91–0.95），表明盐度升高归因于蒸发浓缩、海水入侵和矿物溶解。Ca2+、Mg2+ 和 HCO3? 之间的中等正相关表明存在碳酸盐风化作用。相比之下，NO3? 与主要离子之间的相关性相对较弱，表明局部人类活动的影响大于区域地质因素。

在季风补给期之后（图10），EC、TDS、Na+、Cl? 和 SO42? 之间观察到显著的正相关（r = 0.93–0.99）。这表明，补给过程以及沿海含水层持续存在的海洋影响促进了溶解盐在含水层中的迁移。然而，离子浓度的普遍下降表明，季风补给有效地稀释了地下水的盐度，同时保持了基本的水地球化学关系。

总体而言，相关性分析表明，Tarangambadi 沿海含水层的地下水化学主要受盐度相关过程影响，包括蒸发、海水入侵和水-岩相互作用。相反，季风补给被认为是导致季节性稀释的主要因素。这些发现与该区域的水文地质特征一致，即溶解离子的迁移与演化受沿海冲积沉积物、密集农业活动和季节性补给的控制。

电导率（EC）、总溶解固体（TDS）、钠（Na+）、氯（Cl?）和硫酸盐（SO42?）之间观察到的显著正相关，与该研究区的地质和水文地质特征相符。在该地区，沿海冲积沉积物、灌溉回归水和海洋影响促进了溶解盐在含水层中的移动与累积。

4.5 机器学习模型性能评估

4.5.1 实际值与预测值模型性能分析

通过 DWQI 和 IWQI 实际值与预测值散点图（图11、图12），对六种机器学习模型的预测性能进行了比较。所有模型均显示出相同的上升移动趋势，说明每种算法都成功捕捉到了水地球化学参数与其相应水质指数之间的潜在关系。表3展示了 ML 模型基于 R2、RMSE 和 MAE 的性能表现。

下载：下载高分辨率图片（670KB）下载：下载全尺寸图片 图11. 各机器学习模型预测 DWQI 时，观测值与预测 DWQI 值的散点图。
下载：下载高分分辨率图片（610KB）下载：下载全尺寸图片 图12. 机器学习预测灌溉水质指数（IWQI）的性能：观测值与预测 IWQI 值的散点图。

表3. 基于 R2、RMSE 和 MAE 的 ML 模型性能

| 模型 | DWQI R2 | DWQI RMSE | DWQI MAE | IWQI R2 | IWQI RMSE | IWQI MAE |
|------|---------|-----------|----------|---------|-----------|----------|
| Gradient Boosting | 0.9304 | 12.2503 | 9.4575 | 0.7684 | 11.4233 | 8.7151 |
| KNN | 0.9161 | 13.4518 | 10.1292 | 0.8162 | 10.1765 | 7.9434 |
| Random Forest | 0.9452 | 10.8717 | 8.4080 | 0.7726 | 11.3193 | 8.4594 |
| XGBoost | 0.9366 | 11.6984 | 8.2809 | 0.8028 | 10.5391 | 7.7775 |
| CatBoost | 0.9693 | 8.1322 | 5.4403 | 0.8339 | 9.6744 | 6.5412 |
| MLP | 0.9286 | 12.4106 | 8.5565 | 0.9577 | 4.8790 | 3.3051 |

在 DWQI 框架下，CatBoost 表现出最高的预测精度，R2 值达到 0.9693。其次为 Random Forest（R2 = 0.9452）和 XGBoost（R2 = 0.9366）。CatBoost 模型在观测值与预测值之间表现出最一致的对应关系，与 1:1 参考线偏差最小，凸显了其优越的泛化能力和稳健性。相反，K-最近邻（KNN）模型表现出较大的变异性，表明其捕捉水地球化学变量之间复杂非线性相互作用的能力相对较弱。

对于 IWQI，多层感知机（MLP）模型表现出更优的预测精度，达到了最高的决定系数（R2 = 0.9577）和最低的预测误差（RMSE = 4.8790）。尽管 CatBoost 和 XGBoost 也产生了较为可观的预测结果，R2 分别为 0.8339 和 0.8028，但 Gradient Boosting、Random Forest 和 KNN 的表现与 1:1 参考线偏差较大，表明预测精度相对较低。

CatBoost 和 MLP 模型的稳健性能说明它们能够捕捉影响地下水质量的水地球化学参数之间错综复杂的非线性相互作用。集成学习模型与神经网络模型具有相当的预测成效，这一点已在近期关于不同水文地质背景下地下水质量的研究中得到记录（Khan et al., 2025; Saikumar and Amanullah, 2025; Singh et al., 2024; Saikumar and Amanullah, 2025）。

4.6 基于 SHAP 的可解释性分析

4.6.1 DWQI 的 SHAP 解释（CatBoost）

根据 CatBoost 模型的 SHAP 分析（图13），与 DWQI 相关性最强的控制因子依次为 TDS、K、EC、Cl?、Mg 和硬度。这表明模型主要依靠盐度和总离子强度来识别水的盐度特征。在蜂群图中，TDS、EC、Cl? 和 Mg 的较高浓度持续提高 DWQI 预测值，表明饮用水质量较差。这一模式与沿海地区的水地球化学情景相符，即海水入侵、蒸发作用和离子置换导致盐度富集。相反，pH、Ca2+ 和 HCO3? 的较低浓度表现出较弱的负向 SHAP 值，略微提高了 DWQI 预测值。总体而言，SHAP 结果证明了 CatBoost 模型的水地球化学一致性，盐度相关变量似乎是研究区饮用水质量的主要决定因素。

下载：下载高分辨率图片（415KB）下载：下载全尺寸图片 图13. CatBoost 的 SHAP（SHapley Additive exPlanations）图，展示了水地球化学变量对 DWQI 预测的重要性及贡献度。

4.6.2 DWQI 的 SHAP 解释（MLP）

MLP 模型在 IWQI 中表现最佳，本研究采用 SHAP 来解释其决策模式（图14）。残余钠碳酸盐（RSC）在整体 SHAP 排名中是最强的预测因子，其次是钠的百分比（%Na）、渗透性指数（PI）、潜在盐度（PS）和镁危害（MH）。根据蜂群图，较高的 RSC 和 %Na 显著增加了 IWQI，表明灌溉适用性较差。盐类和碳酸盐物种的刺激效应导致土壤碱化、入渗减少和土壤结构恶化，这与已知的农学行为相符。PI 和 PS 值的增加也提升了预测的一致性，凸显了盐-钠胁迫对作物水分吸收的联合影响。

下载：下载高分辨率图片（373KB）下载：下载全尺寸图片 图14. MLP 模型的 SHAP 摘要图，展示了水地球化学变量对 IWQI 预测的影响。

相反，较低的至中等水平的 EC 和 SAR 表征了较佳的灌溉条件，这对 IWQI 是不利的。与 SAR 本身相比，在该沿海系统中，与碳酸盐平衡相关的钠风险（RSC、%Na）更为重要，这可以从 SAR 较弱的 SHAP 影响中看出。总体而言，SHAP 结果表明，MLP 模型包含多个主要的非线性阈值，其中 RSC 超过临界值会显著降低 IWQI。

4.7 基于 DWQI 和 IWQI 的地下水质量季节性空间适宜性

通过 DWQI 和 IWQI 评估，研究区的饮用和灌溉适宜性显而易见，且在季节性与时空分布上表现出差异（表4、表5、图15、图16）。根据 DWQI 统计，地下水质量在整年中显著下降，其中在季风前（PRM）季节下降更为显著。PRM 样品的分布以水质较差（65.57%）、非常差（11.48%）和不适（1.64%）分类区为主，这对应于蒸发浓缩、补给减少和溶解盐的累积。季风季后（POM）观察到季风补给产生的稀释效应，水质略有改善（36.25%）且分布面积增加，DWQI 等级降低。然而，许多地区仍不适合直接饮用，凸显了人为和水地球化学的影响。

表4. DWQI 季节性分类的地下水水质

| 水质分类 | DWQI 范围 | PRM 季节样本数 | PRM 季节样本百分比 | POM 季节样本数 | POM 季节样本百分比 |
|---------|-----------|----------------|---------------------|----------------|---------------------|
| 优秀 | <50 | 0 | 0.00 | 0 | 0.00 |
| 良好 | 50-100 | 13 | 21.31 | 29 | 36.25 |
| 较差 | 100-200 | 40 | 65.57 | 42 | 52.50 |
| 很差 | 200-300 | 7 | 11.48 | 9 | 11.25 |
| 不适用 | >300 | 1 | 1.64 | 0 | 0.00 |

表5. DWQI 季节性分类的地下水水质

| 水质分类 | IWQI 范围 | PRM 季节样本数 | PRM 季节样本百分比 | POM 季节样本数 | POM 季节样本百分比 |
|---------|-----------|----------------|---------------------|----------------|---------------------|
| 优秀 | 0–25 | 2 | 2.50 | 8 | 15.24 |
| 良好 | 26–50 | 5 | 7.69 | 11 | 20.38 |
| 中等 | 51–75 | 15 | 23.08 | 17 | 30.77 |
| 较差 | 76–100 | 36 | 55.22 | 12 | 21.82 |

下载：下载高分辨率图片（672KB）下载：下载全尺寸图片 图15. 季风前后期间饮用水水质指数（DWQI）的空间分布，展示了 Tarangambadi 含水层各地的饮用适宜性。
下载：下载高分辨率图片（753KB）下载：下载全尺寸图片 图16. Tarangambadi 沿海含水层在季风前后期间灌溉水质指数（IWQI）的空间分布。

相反，基于 IWQI 评估（表5和图16），水质对农业用途较为有利。多数报告的地下水样品在 PRM 期间被归类为良好至中等，少数处于较差区（8.75%），与高盐度和碳酸盐带来的风险相关。季风之后，灌溉适宜性有所提高，中等和较差区域减少，而优秀和良好 IWQI 等级增加。这种季节性变化表明，可溶性盐的冲刷以及通过补给恢复了一定程度的离子平衡。

DWQI 与 IWQI 研究的综合结果表明，地下水可用于灌溉，尤其是在 POM 期间，但通常不适合饮用，特别是在 PRM 期间。这些发现突出了开展季节性地下水管理的必要性，重点在于饮用水的保护与处理，以及受控的农业使用。

沿海地区地下水质量的下降归因于多种因素的相互作用：农业目的的大规模地下水开采、季节性补给的变化，以及沿海三角洲含水层本身对海水入侵的水文地质易感性。

除作为污染指标外，本研究分析的某些溶解离子，特别是 Ca2+、Mg2+ 和 K+，是在可接受水平下能够增强人类营养的重要矿物质（Agbasi et al., 2025b, 2025c）。然而，受海水入侵影响的地下水中 Na+ 和 Cl? 浓度升高，可能会通过增加盐度相关的健康风险而抵消这些营养益处。因此，地下水质量评估在判定饮用水适用性时，应同时考虑必需矿物质的营养贡献以及过度盐度带来的潜在负面影响。

4.8 地下水季节性动态

季节性水地球化学动态表明，沿海含水层系统因补给、蒸散发和农业回归水的变化而经历显著变化。在季风前（PRM）时期，大气的补给减少、地下水停留时间延长和较高的环境温度相互叠加，导致明显的蒸发浓缩效应。这一过程使浅层地下水上升，提高了非饱和土壤层中残留离子的浓度并增强了离子间相互作用。结果是，盐度相关参数（EC、Na、Cl、SAR 和 RSC）在 PRM 期间达到最高水平，导致水化学相向盐化方向发生暂时性转变。

此外，旱季期间为农业大量抽取地下水会导致灌溉回流量，将根区蒸发水分和淋溶农用化学品循环回浅层含水层。相比之下，季风后（POM）时期的补给带来了大量淡水涌入，引发主要的稀释过程，降低了地下水的总体矿化度，并打破了强烈的离子相关性。尽管季风渗透降低了区域盐度，但它也会冲刷上层土壤，将大气降水和淋溶的农业硝酸盐引入系统，使这些参数在季风冲洗后占据主导地位。这些季节性过程共同表明，该沿海地区的地下水质量受到水文输入（补给与稀释）、蒸发蒸腾、农业回流量和沿海水-岩相互作用等多种因素的综合动态影响。

Tarangambadi沿海含水层观测到的季节性水地球化学演化，与全球半干旱及沿海地下水系统中报告的模式一致，在这些系统中，地下水化学主要受补给变异性、蒸发蒸腾、水-岩相互作用和人为活动控制（Fekkoul等，2013年；Singh等，2024年）。在半干旱地区的研究也指出，地下水盐度在干旱期趋于增加，这是由于蒸发加剧和补给减少所致，而季风后补给则导致地下水稀释，提升了整体水质（Belhouchette等，2022年；Khan等，2025年）。在受海水入侵影响的沿海含水层中，水地球化学岩相从Ca–Mg–HCO?向Na–Cl的转变也已被记录（Barkaoui等，2014年；Haj-Amor等，2017年）。与许多内陆半干旱含水层不同——在后者中蒸发和农业回流量主导水质恶化——Tarangambadi沿海含水层受到季节性季风补给、大量地下水开采、农业活动和孟加拉湾局部海水入侵的影响。这些过程导致饮用水质量指数（DWQI）和灌溉水质量指数（IWQI）出现季节性变化，凸显了实施季节性地下水管理的必要性。CatBoost模型对DWQI的高预测性能以及MLP模型对IWQI的高预测性能与近年来的机器学习应用相符，证实了数据驱动方法在各种水文地质环境中的稳健性和可迁移性。与那些分别关注水地球化学表征、水质评估或机器学习预测的研究不同，本研究在热带沿海三角洲含水层中将季节性水地球化学、传统指数、SHAP和地下水质量空间映射整合在一起。

**4.9 地下水管理启示**

水地球化学评估和水质指数表明，Tarangambadi沿海含水层的地下水可持续管理应侧重于减轻盐度侵入和保护淡水资源。基于这些发现，建议采取以下措施：

（1）**受控含水层补给（MAR）**：在内陆地区建设蓄水池、竖井和井。在黏土限制入渗的地区，应考虑实施注水井以缓解入侵。（2）**地下水开采监管**：在盐度水平达到峰值的季风前限制抽水泵送活动。鼓励地下水的联合利用以减轻含水层压力。定期监测地下水水位和电导率至关重要。（3）**灌溉水管理**：在灌溉水质量指数（IWQI）较差的地区，实施滴灌和喷灌系统，并根据具体需求安排灌溉时间。在这些地区推广耐盐作物的种植。（4）**土壤盐度管理**：在受钠盐危害影响的土地上施用石膏或其他改良剂，并完善排水系统以促进盐分淋出。（5）**地下水质量监测**：建立全面的监测体系，监测电导率（EC）、溶解性总固体（TDS）、离子、水位和季节性变化。（6）**沿海含水层保护**：规范取水，保护补给区，推广雨水收集，并加强社区参与。

实施这些策略可以提高地下水的可用性和质量，同时也有助于管理沿海三角洲含水层中应对气候变化的水资源。此外，这些结果支持实现可持续发展目标（SDG）6（清洁饮水与卫生设施），通过推进地下水质量管理；SDG 13（气候行动），通过改善对季节性水气候变化的适应能力；以及SDG 15（陆地生物），通过鼓励可持续地下水利用和保护陆地生态系统。这些建议是专门针对Tarangambadi沿海含水层的水文地质条件制定的。该地区的低洼地貌、集约化农业实践和季节性季风补给对地下水质量和污染物迁移产生了显著影响。

**4.10 局限性与未来展望**

尽管本研究对地下水质量进行了全面的水地球化学和基于机器学习的评估，但仍存在一些局限性。

1. **空间和时间数据的局限性**：地下水采样仅限于两个季节，未记录季节间的过渡和季内变化。
2. 由于缺乏所有地点的连续地下水位数据、抽水数据和岩性记录，本研究主要基于水地球化学特征。
3. 传统的地下水质量指数（DWQI和IWQI）依赖于预定义的权重，无法捕捉空间变异性、不确定性或非线性参数交互。未来研究应将先进指数（包括基于熵的加权、模糊逻辑和混合多准则决策）与所提出的水地球化学-机器学习框架进行比较，以评估其分类和预测性能。
4. 未对DWQI和IWQI的加权方案进行正式的敏感性分析。未来研究应纳入敏感性和不确定性分析，以评估参数权重对地下水分类的影响并提高评估的稳健性。
5. 由于机器学习性能取决于输入变量的质量和数量，以及缺乏地球物理或长期监测数据，模型无法捕捉所有地下非均质性。未来研究可通过引入深度集成模型、混合物理-机器学习模型和不确定性量化来提高机器学习预测的准确性。SHAP交互和时空机器学习模型可进一步增强以提高可靠性。纳入气候预测以评估海平面上升、长期变化和极端气候事件对地下水质量的影响。

**5. 结论**

本研究采用水地球化学表征、多变量统计分析、水质指数和可解释机器学习，对Tarangambadi沿海含水层的季节性地下水质量进行了全面评估。结果表明，地下水化学显著受季节性补给变异性、蒸发浓缩、水-岩相互作用、农业活动和局部海水入侵的影响。季风前季节，由于蒸发浓缩、地下水滞留时间延长和海水影响，地下水表现出盐度增加、更强烈的离子相互作用，并向Na–Cl水地球化学岩相转变。相反，季风后补给促进了地下水稀释和相对新鲜的Ca–Mg–HCO?岩相。使用Piper、Gibbs、Chadha、Durov和离子比值方法的分析证实，碳酸盐和硅酸盐风化、反向离子交换、蒸发和局部海水入侵是控制地下水演化的主要过程。EC、TDS、Cl?、Na?和SO?2?之间的强正相关进一步表明，盐度是影响地下水质量的主要因素。在评估的机器学习模型中，CatBoost对DWQI的预测准确度最高（R2 = 0.9693），而MLP模型对IWQI表现最佳（R2 = 0.9577）。SHAP分析通过识别TDS、EC、Cl?、Mg2?、K?和硬度为DWQI最重要的预测因子，以及RSC、Na%、PS、PI和MH为IWQI的主要预测因子，提高了模型的可解释性。综合水地球化学评估和DWQI–IWQI评估表明，地下水通常不适合饮用，尤其是在季风前季节，但大多数地点在适当管理下仍适合灌溉。本研究开发的综合水地球化学-水质指数-可解释机器学习框架为脆弱沿海三角洲含水层的地下水质量预测、解释和可持续管理提供了一个稳健且可迁移的决策支持工具。这些发现支持基于证据的地下水管理策略，有助于实现长期水安全和可持续发展目标（SDG）6、13和15。

**CRediT作者贡献声明**

Ratheesh Moses：原稿撰写、可视化、软件、方法论、数据管理、概念设计。Mahenthiran Sathiyamoorthy：审阅与编辑、验证、监督、调查。

**生成式AI声明**

作者声明在撰写本文手稿过程中未使用生成式AI。

**资助**

本研究未获得任何公共、商业或非营利来源的资助。

Ratheesh Moses | Mahenthiran Sathiyamoorthy