基于机器学习算法和水质参数的近岸表层水粪大肠菌群浓度预测

《Journal of Microbiological Methods》：Prediction of fecal coliform concentration in coastal surface water using machine learning algorithms and water quality parameters

　　

摘要

粪大肠菌群（FC）是衡量地表水受到动物和人类废物污染的关键指标，FC水平升高与介水传染病相关，后者仍然是主要的公共卫生问题。然而，现有研究往往受限于采样稀疏、实验室分析耗时，以及对影响FC动态变化的水质参数（WQP）之间复杂非线性关系表征不足。因此，本研究旨在应用并比较机器学习模型，利用pH、盐度（WS）、水温（WT）、电导率（EC）、总溶解固体（TDS）、溶解氧（DO）、浊度（Turb）、生化需氧量（BOD）和水的硬度（WH）等物理化学WQP来预测FC浓度，并评估它们在孟加拉国沿海地区的预测贡献及交互作用。FC浓度范围为188至1620 CFU/100 mL，平均值为765.57 CFU/100 mL。Pearson相关性分析将预测因子排序为Turb > BOD > DO > pH > WS > WH > WT > TDS > EC。在所比较的模型中，多层感知机（MLP）的表现优于随机森林回归（RFR）、多元线性回归（MLR）、极端梯度提升（XGB）和支持向量回归（SVR）。在测试阶段，MLP获得了最高的R2（0.822），同时具有最低的RMSE（109.48 CFU/100 mL）和MAE（99.95 CFU/100 mL）。值得注意的是，最优输入组合（IC-5）仅包含五个WQP（Turb、BOD、DO、pH和WS），便解释了FC浓度80.8%的变异，达到了使用全部九个WQP时R2的98.30%。这些发现可为类似沿海环境的微生物水质评估提供有益的基础。

引言

地表水中粪大肠菌群（FC）的污染是全球性的重大环境和公共卫生问题（Bilal等，2023）。FC指示潜在致病微生物的存在，这些微生物可引起腹泻、痢疾、霍乱、伤寒、胃肠炎等疾病（Bisimwa等，2022；Talpur等，2024）。受污染的饮用水每年导致约485,000人因腹泻死亡，而全球超过20亿人依赖受污染的水源满足日常生活需求（Oon等，2023）。FC污染主要来源于未经处理的污水、牲畜废弃物、化粪池渗漏、农业径流以及不完善的卫生设施（Islam和Islam，2022）。季节性季风降雨、洪水、潮汐倒灌和地表径流进一步促进了FC向河流、池塘、运河和沿海水域的输送，而这些水域被用于灌溉、饮用、水产养殖和休闲（Carr等，2024；Manini等，2022；Prosun等，2018）。然而，由于物流限制、高昂的实验室费用、数据稀缺以及水生系统复杂的地球化学动态，有效的FC管理仍然面临挑战（Khan和Gupta，2020）。此外，物理化学水质参数（WQP）的变化影响FC在地表水中的存活、持续存在和输运（Lechhab等，2026）。因此，研究FC与关键WQP之间的关系对于改善水质评估和微生物污染管理至关重要。

多项研究已考察了FC浓度与调控水体微生物污染的物理化学WQP之间的关系（Safitri等，2021；Zhang等，2015）。例如，溶解氧（DO）是有机污染的重要指标，低DO条件通常与高FC浓度和增强的微生物活性相关（Hannan和Anmala，2021）。pH在FC的生长、持续存在和存活方面也起着至关重要的作用。接近中性的pH（6.5–7.5）有利于细菌持续存在，而酸性或碱性条件则通过破坏酶活性和细胞膜来抑制其生长（Aram等，2021）。水温（WT）增强细菌代谢，FC在约35–37°C时表现出最适生长，而低于15°C的温度通常会减少细菌生长（Amer和Ahmed，2025；Chidiac等，2023）。浊度（Turb）通常与高FC水平相关，因为悬浮颗粒提供附着位点，保护细菌免受紫外线辐射和环境胁迫的影响（Chidiac等，2023）。水的盐度（WS）影响渗透平衡，通常降低河口和沿海环境中细菌的存活率（Aram等，2021）。总溶解固体（TDS）和电导率（EC）也通过离子强度和渗透效应影响微生物的持续存在，尽管它们与FC的关系因人为输入而异（Armah，2014）。水的硬度，特别是钙和镁离子的存在，可通过稳定细菌细胞膜和减少环境胁迫来增强FC的持续存在（Li等，2022）。高化学需氧量（COD）和生化需氧量（BOD）表明有机污染程度高，为FC的存活和增殖提供了有利条件（Becky等，2015；Mutai等，2024）。然而，这些参数与FC表现出复杂的、具有场地特异性的交互作用，凸显了开展具有场地特异性预测方法的微生物水质管理的重要性。

传统的统计和回归模型长期以来一直被用于利用水文气象和物理化学WQP估算地表水中的FC浓度（Auer和Niehaus，1993；Seo等，2019；Stocker等，2022）。早期研究主要依赖MLR、OLS和一阶衰减动力学来建立FC与环境参数之间的经验关系（Auer和Niehaus，1993；Gonzalez等，2012；Nevers等，2007；Nevers和Whitman，2008）。Gonzalez等（2012）在美国Newport河河口应用了MLR模型，利用前期降雨、DO、WS、Turb和径流量等变量，报告的E. coli调整R2值为0.61，肠球菌为0.64。然而，由于样品抑制和具有场地特异性的细菌行为，这些模型的预测能力较低。类似地，Seo等（2019）在韩国洛东江应用了逐步回归模型，FC预测的调整R2值接近0.6至0.8，识别出降水、悬浮固体（SS）和磷酸盐（PO43?）为主要预测因子，尽管该研究强调了隔离堰效应和极端离群事件的困难。Nevers等（2007）和Nevers和Whitman（2008）报告了在密歇根湖海滩场地特异性回归模型的R2值范围为0.32至0.72，识别出波高、降雨和浊度（Turb）为主要解释变量；然而，这些模型未考虑生物灭活动力学。此外，机理和动力学方法也得到了探索。Auer和Niehaus（1993）在美国Onondaga湖报告的基于辐照度、温度和沉积的多因素死亡模型R2为0.88，但实验室导出的关系在其他湖泊系统中的适用性有限。更近期的研究中，Stocker等（2014）利用167个实验室数据集比较了线性半对数和对数正态衰减模型，发现基于RMSE和NSE统计指标，对数正态模型在99%以上的情况下优于传统线性模型。然而，对数正态参数在多样的环境条件下仍难以解释。总体而言，传统统计模型展示了中等水平的预测性能，并有助于识别影响FC动态的主要环境因素。然而，它们准确表征非线性关系和可靠预测极端污染事件的能力仍然有限。

因此，近期研究越来越多地采用混合统计、概率和过程集成方法来提高FC预测准确性并克服传统回归模型的局限性。Avila等（2018）评估了多种方法，包括动态回归、树回归、MLR和BN，在新西兰河流中发现BN模型实现了87%至95%的预测准确率，因其管理缺失数据和概率交互的能力而优于传统统计模型。然而，其性能强烈依赖于离散化技术，且对中等污染等级的预测表现较差。Choi和Seo（2018）在韩国北汉江应用LR、CART、BA和RFR模型进行实时FC超标预测，分类准确率为83.7%–93.0%，敏感度为75.6%–85.7%。降雨、WT、TN、TP和大坝泄流量被识别为主要预测因子，尽管该研究指出了训练数据不平衡和集成方法可解释性有限的问题。Mohammed等（2018）在挪威比较了ANFIS和RFR模型，观察到ANFIS在FC预测中获得了最低的MSE（39.49 CFU/100 mL）。Abimbola等（2020）在美国内布拉斯加州报告了ANFIS-FCM模型的优良预测性能，R2为0.98，RMSLE为0.17 logMPN/100 mL，通过整合降雨、温度、动物密度和流量变量实现，尽管作者强调了研究流域外的泛化能力有限。Panidhapu等（2020）表明，在加拿大使用Turb、降水、电导率和季节性变量，BBN在FC预测中实现了超过81%的预测准确率，在E. coli预测中超过90%。Abbas等（2021）比较了LSTM和HSPF模型，发现LSTM大幅优于HSPF，NSE值为0.35 MPN/100 mL，而HSPF为?3.01 MPN/100 mL，尽管许多关键WQP未被使用。类似地，Weller等（2021）在美国纽约州的农业流域评估了多种ML和统计方法，其中提升kNN、Cubist和XGB模型实现了低至0.37 MPN/100 mL的RMSE值，强调了Turb、降雨和气温的重要性，但研究仅考虑了单个生长季。Buyruko?lu等（2021）也表明，AdaBoost模型在佛罗里达池塘E. coli预测中显著优于传统回归方法，尽管研究缺乏区域水文气象变量。总体而言，这些研究表明，集成和混合方法提高了预测性能，并更好地处理了非线性环境关系，优于传统模型，但在数据不平衡、过拟合和区域适用性方面仍存在局限。

近期研究越来越多地采用先进的机器学习（ML）、集成学习（EL）和深度学习（DL）算法来预测地表水中的FC和E. coli浓度，特别是在河流、水库、农业池塘和沿海系统中。Stocker等（2022）在美国马里兰州的农业池塘中比较了SGB、RFR、SVR、kNN和MLR模型，发现RFR优于其他模型，RMSE值为0.24至0.42 log10 CFU/100 mL。Turb和特定电导率被识别为最具影响力的预测因子；然而，该研究仅考虑了两个池塘。Sokolova等（2022）在瑞典评估了ARIMA、VAR、LASSO、RFR和TPOT模型用于E. coli预测，报告TPOT实现了最高的R2值0.60，而VAR和LASSO在准确性和泛化之间提供了最佳平衡。然而，RFR和TPOT模型表现出过拟合倾向并低估了极端峰值。Nafsin和Li（2022）在美国Milwaukee河流域测试了ANN、SVR、GBM、RFR和混合ANN-GBM模型，其中混合ANN-GBM模型表现出更高的准确性，R2值范围为0.29至0.42，尽管由于复杂的微生物动态，变异性仍大部分未被解释。Suh等（2024）在韩国四条主要河流上应用了XGB、CNN、RFR和DNN模型并辅以SHAP解释，报告RMSE值为1.561至1.906 MPN/100 mL，NSE值为0.59至0.60 MPN/100 mL。该研究强调了WT、DO、BOD、降雨和营养盐为主要预测因子，但报告了由于地理和气候限制导致泛化能力有限的问题。Iyer（2024）进一步证明了XGB分类器在美国印第安纳州实时E. coli预测中的有效性，ROC/AUC值高达0.91，总体准确率为85%至89%。Volf等（2025）在克罗地亚比较了RFR、XGB、BA和MT模型，发现XGB实现了最佳的整体预测性能，总大肠菌群R2值为0.72，E. coli为0.48。然而，由于高浓度样品有限，模型误差在污染高峰期时翻倍。Ibrahim等（2025）报告称，在南非水坝水域中，kNN优于RFR、SVM、ANN和XGB，RMSE为0.0609 MPN/100 mL，表明简单的非参数模型可以有效捕捉非线性微生物动态，尽管许多水动力变量被排除。近期的深度学习和基于图像的研究也展示了令人鼓舞的成果。Khan等（2021）在印度使用CNN模型通过RGB图像分析检测水样中的E. coli，实现了96%的准确率，尽管在高浊度样品中性能下降。

总体而言，近期的ML应用通过有效建模非线性和高维关系，优于传统统计方法。然而，长期和季节性数据不足、重要WQP的排除以及在不同环境条件下的有限适用性仍然是主要挑战。此外，先进的ML模型在孟加拉国沿海地区的应用仍未被充分探索，在这些地区，复杂的水动力和环境相互作用强烈影响FC变异性。因此，本研究应用并系统比较了先进的ML模型来预测孟加拉国东南部沿海地区地表水中的FC浓度。本研究将新型GIS采样框架与季节性FC观测值和关键物理化学WQP相结合，以捕捉高度动态沿海环境中FC污染的空间和时间变异性。采样点的选取利用了Sentinel-2、Google Earth Pro、地形图和土地利用、洪水风险、人口密度及水可及性的空间叠加分析，以确保具有代表性的空间覆盖。

本研究进一步比较了多种机器学习方法，并确定了用于粪大肠菌群（FC）估算的信息量最大的水质参数（WQP）子集，填补了该地区在建模和数据选择方面的重要空白（Sarker等，2020；Ullah等，2026）。本研究的具体目标是：（1）考察FC浓度与关键理化WQP之间的关系；（2）评估不同机器学习模型（包括MLR、XGB、SVR、MLP和RFR）的预测性能，以比较其在估算FC浓度方面的有效性；（3）确定用于基于机器学习预测FC浓度的最有效的WQP组合。基于孟加拉国东南部沿海地区的观测数据，本研究弥补了关键的数据和建模空白，并为改善地表水管理和公共健康保护提供了实用见解。

### 研究区域描述

研究在孟加拉国东南部沿海地区的三个县进行，即Noakhali、Lakshmipur和Feni，位于恰顿加尔分区（Chattogram Division）孟加拉湾北部沿岸（图1）。该地区位于GBM三角洲内，以潮间带、低洼河口平原和密集的河流、运河及湿地网络为特征，受季风降水和潮汐动力影响显著（Islam，2016）。由于盐度入侵和铁含量升高……

### WQP和FC浓度的季节性变化

图4展示了2024–2025年间研究区域地表水中主要WQP和FC浓度的季节变化。冬季，pH、水温（WT）、电导率（EC）、盐度（WS）、溶解氧（DO）、总溶解固体（TDS）、浊度（turb）、生化需氧量（BOD）、含铁量（WH）和FC的范围分别为6.32–8.15、17.26–27.80°C、117.07–1627 μS cm?1、0.11–2.06 PSU、1.20–10.20 mg L?1、59–783 mg L?1、1.12–11.30 NTU、0.70–10.50 mg L?1、18.76–199.29 mg L?1和188–1220 CFU/100 mL。夏季，相应的范围分别为6.92–7.89、18.26–31.80°C、167.07–1427 μS cm?1……

### WQP对FC浓度的影响

沿海地表水中FC的动态变化受水文过程、理化过程和人为过程之间复杂相互作用的控制，这些因素调节着微生物的迁移和存续（Safitri等，2021）。作为粪便污染的关键指标，升高的FC浓度对孟加拉国沿海地区的公共健康、水产养殖生产力和生态系统可持续性构成威胁。季风驱动的降雨、地表径流、潮汐入侵和河流排放显著影响……

### 结论

本研究评估了五种机器学习算法（MLP、XGB、SVR、RFR和MLR），用于估算孟加拉国东南部沿海地表水中的FC浓度，共使用九项理化WQP。季节分析揭示了FC和多项WQP在冬季、夏季和季风季节之间明显的时序变化。在所评估的模型中，MLP表现出最佳的整体预测性能，测试集R2最高（0.822），RMSE最低（109.480），MAE最低（99.945），而MLR则表现最……

### 生成式人工智能及AI辅助技术

作者声明，生成式人工智能（AI）工具（包括Grammarly、QuillBot和ChatGPT）仅用于语言编辑以及提升稿件的清晰度和可读性。这些工具未用于数据生成、分析、解释或科学决策。

### 作者的伦理责任

所有作者确认遵守《作者须知》中规定的伦理责任。

### 动物研究的伦理批准

本研究未涉及任何动物实验。

### CRediT作者贡献声明

Jayanta Kumar Basak：写作—审阅与编辑、监督、软件、资源、经费获取、形式分析、概念化。Shihab Hasan：写作—初稿撰写、可视化、资源、方法论、形式分析。Mohammad Ismail：写作—初稿撰写、可视化、软件、资源、方法论、形式分析。Sanjay Saha Sonet：写作—审阅与编辑、资源、方法论。Pinaki Chowdhury：写作—审阅与编辑、资源、方法论。Bhola Paudel：……

### 知情同意

不适用。

### 伦理批准

不适用。

### 资助

本研究由Noakhali科学与技术大学研究部（研究编号：NSTURC20250071）的研究基金支持。

### 利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

### 致谢

本研究由Noakhali科学与技术大学研究部（研究编号：NSTURC20250071）的研究基金支持。

Jayanta Kumar Basak | Shihab Hasan | Mohammad Ismail | Sanjay Saha Sonet | Pinaki Chowdhury | Bhola Paudel

Noakhali科学与技术大学环境科学与灾害管理学院，孟加拉国Noakhali 3814