《Water Research》:Causal inference for managing groundwater nitrate levels: toward causation-based prescriptive analytics from correlation-based predictive analytics
编辑推荐:
硝酸盐(NO??)在地下水中的存在,通常以硝酸盐氮(NO?-N)衡量,是含水层系统中一个普遍存在的重要污染物。主要来源包括地质成因来源,如地热系统(Goodsell et al., 2017; Pringle & Triska, 1991; L. Zhao e
硝酸盐(NO??)在地下水中的存在,通常以硝酸盐氮(NO?-N)衡量,是含水层系统中一个普遍存在的重要污染物。主要来源包括地质成因来源,如地热系统(Goodsell et al., 2017; Pringle & Triska, 1991; L. Zhao et al., 2014)和含氮地质构造(Williams et al., 1998),以及人为来源,如农业化肥(Bijay-Singh et al., 1995; Bijay-Singh & Craswell, 2021; Singh & Sekhon, 1979; B. Q. Zhao et al., 2011)、牲畜粪便(Selck et al., 2018; Williams et al., 1998)、渗漏化粪池系统(Yang et al., 1999)以及工业废水污染物(Naik et al., 2008; Wakida & Lerner, 2005)。尽管存在多种潜在来源,但多项大规模研究一致指出,农业化肥和牲畜粪便为主要来源,通常贡献了总硝酸盐负荷的70%至80%以上(Burow et al., 2010; Kim et al., 2015; Kim et al., 2019; Lee et al., 2020; Power & Schepers, 1989; Rivett et al., 2008; Strebel et al., 1989; Wick et al., 2012)。在全球范围内,地下水硝酸盐浓度经常超过世界卫生组织(WHO)关于NO??的饮用水限值50 mg/L(Burow et al., 2010; Kim et al., 2019; Lee et al., 2020; Shukla & Saxena, 2020; Ward et al., 2018)。这凸显了进一步研究含水层系统中硝酸盐循环以及改进地下水硝酸盐污染管理策略的重要性。
地下水硝酸盐预测已从早期的逻辑回归和非线性回归模型(Nolan et al., 2002; Nolan & Hitt, 2006)发展为能够捕捉复杂的非线性环境-人为相互作用的先进机器学习模型(Bhowmick et al., 2013; He et al., 2022; Knoll et al., 2019, 2020; Ouedraogo et al., 2019; Ransom et al., 2022; Katherine M. Ransom et al., 2017; Rodriguez-Galiano et al., 2014; Tesoriero et al., 2017; Wheeler et al., 2015)。先前研究表明,诸如随机森林(RF)(Breiman, 2001)和增强回归树(BRT)(Friedman, 2001)等集成树模型通过整合气候、土壤、地质、土地利用、氮输入和水文地质变量等多种预测因子,持续优于传统统计和地统计方法(He et al., 2022; Knoll et al., 2019, 2020; Kwak & Lee, 2024; Ouedraogo et al., 2019; Rahmati et al., 2019; Ransom et al., 2022; Katherine M. Ransom et al., 2017; Rodriguez-Galiano et al., 2014; Tesoriero et al., 2017; Wheeler et al., 2015)(Anning et al., 2012; Ouedraogo et al., 2019; Katherine M. Ransom et al., 2017; Tesoriero et al., 2017)。为克服RF缓冲区统计的空间局限性(Knoll et al., 2019, 2020),卷积神经网络(CNN)能够从诸如水力传导度、土地利用和地表岩性等栅格协变量中自动提取空间特征(Al-mahallawi et al., 2012; Karimanzira et al., 2023; Rahmati et al., 2019)。值得注意的是,Karimanzira et al.(2023)利用各种CNN架构和多流融合来预测德国含水层中的地下水硝酸盐,而Ransom et al.(2022)则应用了三维极端梯度提升(XGBoost)模型和SHapley加法解释(SHAP)分析,以识别美国主要的硝酸盐来源并量化人口暴露。总的来说,这些进展表明,将空间显式协变量与可解释的机器学习相结合,显著提高了地下水硝酸盐分布预测的准确性和理解。
近期地下水硝酸盐建模的进展常常忽视了基于相关性的方法(包括RF和其他预测算法)在与政策相关的地下水研究中的固有限制。尽管这些模型实现了较高的预测精度,但由于无法厘清因果关系或量化特定干预措施的可能影响,它们在大区域尺度应用方面受到限制(Shakeri et al., 2025; Zhu & Liu, 2025)。这一局限性代表了与政策相关研究中的显著空白,因为有效的硝酸盐管理需要的不仅仅是空间模式识别或相关性关系。因果建模框架通过在处理混杂变量的同时显式估计处理效应来解决这一缺陷,从而能够对新政策或污染情景进行比传统预测模型更稳健的泛化(Chernozhukov et al., 2024; Sun et al., 2023; Zarbipour et al., 2026a, 2026b)。在这些框架中,双/去偏机器学习(DML)提供了一种在高维或非线性干扰函数情况下估计因果参数的方法(Chernozhukov et al., 2024)。DML结合了Neyman正交得分函数(该函数对干扰估计误差局部不敏感)与交叉拟合以减轻过拟合偏差。这使得即使在干扰函数通过灵活的机器学习方法学习时也能进行有效的推断。
本研究开发了一个三阶段框架,以超越传统的描述性和预测性模型,迈向对地下水硝酸盐土地利用干预措施的处方性评估(图1)。利用韩国全国范围的地下水化学数据集,本研究刻画了空间格局,对传统的非因果RF模型进行了基准测试,并应用部分线性DML框架来估计农业土地利用百分比对地下水NO?-N浓度的因果效应。研究结果为通过有针对性地减少农业土地利用可实现NO?-N削减提供了明确的估计,将模型关系与管理策略直接联系起来。本研究超越了单纯基于相关性的模式识别,提供了关于实现水质目标所需土地利用变化幅度的定量指导,从而将因果推断与实际地下水管理联系起来。
**从基于相关性的预测到基于因果的处方:双机器学习框架在地下水硝酸盐管理中的应用**
**1. 研究背景与问题**
硝酸盐(NO??)是地下水系统中一种重要且广泛存在的污染物,通常以硝酸盐氮(NO?-N)衡量。其来源包括地热系统、含氮地质构造等地质成因,以及农业化肥、牲畜粪便、渗漏化粪池系统和工业废水等人为来源。尽管来源多样,但多项大规模研究一致表明,农业化肥和牲畜粪便贡献了总硝酸盐负荷的70%至80%以上。全球范围内,地下水硝酸盐浓度频繁超过世界卫生组织(WHO)设定的50 mg/L(以NO??计)饮用水限值,这使得地下水硝酸盐污染的管理策略研究至关重要。
地下水硝酸盐预测建模已从早期的逻辑回归和非线性回归模型发展为能够捕捉复杂非线性交互作用的先进机器学习模型。随机森林(Random Forest, RF)和增强回归树(Boosted Regression Trees, BRT)等集成树模型通过整合气候、土壤、地质、土地利用、氮输入和水文地质变量,持续优于传统统计和地统计方法。卷积神经网络(Convolutional Neural Network, CNN)则能够从栅格协变量中自动提取空间特征。然而,近期研究往往忽视了这些基于相关性的预测算法在与政策相关研究中的固有限制:尽管这些模型预测精度高,却无法厘清因果关系或量化特定干预措施(如土地利用变化)的影响。这一局限是政策相关研究中的一个显著空白,因为有效的硝酸盐管理需要超越空间模式识别或相关性关系,明确估计处理效应并控制混杂变量。为此,本研究采用双/去偏机器学习(Double/Debiased Machine Learning, DML)框架,该框架结合Neyman正交得分函数和交叉拟合,能够在高维或非线性干扰函数下估计因果参数,为基于因果的处方性管理提供方法支撑。
**2. 研究开展内容与主要技术方法**
研究人员开发了一个三阶段分析框架,利用韩国国家环境研究所提供的2023–2024年间4,006个地下水样品(含29项参数)的全国范围水质数据集,结合从环境地理信息服务系统(EGIS)获取的30 m分辨率土地利用栅格、从韩国行政安全部开放数据门户获取的水文地质单元数据,以及从韩国国家地理信息院获取的数字高程模型(DEM)数据,开展了以下研究:(1)通过空间制图和主成分分析(Principal Component Analysis, PCA)进行描述性分析,刻画NO?-N的空间格局和水文化学关系;(2)构建基于相关性的RF模型预测NO?-N浓度,并通过反事实预测和自助法(bootstrap)重抽样导出“类平均处理效应”(ATE-like)对比;(3)应用部分线性DML模型(使用Microsoft EconML库的LinearDML估计器,以RF作为干扰函数,5折交叉拟合),在控制海拔和水文地质单元混杂因素的条件下,估计农业土地利用对地下水NO?-N的因果效应(平均处理效应, Average Treatment Effect, ATE),并在不同水文地质单元中计算条件平均处理效应(Conditional Average Treatment Effect, CATE)。数据处理中,研究人员以每口井为中心建立200 m半径缓冲区(基于100–1,500 m五种缓冲区尺寸的敏感性分析确定),计算缓冲区内各类土地利用占比;经坐标覆盖范围和缺失值筛选后,最终分析样本为3,569口井;预测模型采用80/20训练/测试集划分(n=2,855和714)。
**3. 研究结果**
**3.1 描述性分析** 对韩国4,006个地下水样的空间制图显示,高NO?-N浓度主要分布于农业土地利用集约的西部省份,特别是全罗南道、全罗北道和忠清南道,其中391口井超过韩国饮用水限值10 mg/L,113口井超过韩国生活用水限值20 mg/L。PCA分析显示NO?-N与Cl在PC1上共同载荷,表明农业和废水输入的影响;而NO?-N与氧化还原敏感参数(Fe、Mn、NH?-N)的独立性表明,硝酸盐循环主要受人为输入而非自然地球化学氧化还原过程控制。
**3.2 基于相关性的RF预测模型** RF模型在独立测试集上取得R2=0.53、平均绝对误差(MAE)为2.26 mg/L NO?-N的性能,与近期其他机器学习研究(如Ransom et al.的XGBoost模型R2=0.49和Karimanzira et al.的区域RF模型R2=0.43)相当。基于排列的特征重要性显示,氯化物和硬度等地化学参数对预测性能贡献较大,而农业土地利用本身的预测重要性较低,这表明预测重要性并不必然反映因果相关性。
**3.3 基于因果的DML处方模型** 基于3,569口井的全样本分析,DML模型估计的农业土地利用每增加10个百分点(pp)对地下水NO?-N浓度的ATE为0.16 mg/L(95%置信区间:0.0835–0.2438,p<0.001),线性解释为200 m缓冲区内农业用地从0%增加至100%对应NO?-N浓度预期上升约1.64 mg/L。按水文地质单元分层的CATE分析显示出显著异质性:固结沉积岩含水层效应最大(每10 pp增加对应0.37 mg/L NO?-N),其次为非固结沉积物含水层(0.19 mg/L)、喷出火山岩含水层(0.26 mg/L,但样本量仅n=33导致置信区间较宽)、侵入火成岩和变质岩含水层(均为0.15 mg/L)。公共支持检验显示观测与预测的农业土地利用分布在5–40 pp区间重叠最佳,敏感性分析(排除公共支持最差的1–5%井)后ATE仍保持显著正值(0.19–0.23 mg/L),表明结果稳健。
**3.4 相关性与因果性对比** 在相同协变量集下,RF模型的反事实预测产生负效应(?0.23 mg/L NO?-N,95%置信区间?0.4146至?0.0754),而DML产生正效应(0.16 mg/L),符号反转凸显了单纯预测模型的反事实对比并不必然代表因果效应。RF模型学习到的是农业土地利用与背景地质地理条件的相关性;当农业土地利用与海拔或地表岩性系统相关,且这些特征同时影响地下水硝酸盐浓度时,模型可能学到虚假模式。
**4. 讨论与结论**
研究人员指出,尽管取得了上述进展,仍存在若干重要局限:土地利用数据来自单一年份栅格而硝酸盐样品采集跨越多年,存在时间错配;地下水流动不受暴露缓冲区边界限制,可能违反稳定单元处理值假设(Stable Unit Treatment Value Assumption, SUTVA);全国尺度分析中大量未测量的影响变量可能掩盖真实因果关系;水文地质单元划分为五个粗略类别可能不足以捕捉与因果相关的水文地球化学过程;缺乏钙(Ca2?)、镁(Mg2?)、碳酸氢根(HCO??)、钾(K?)、钠(Na?)等关键水文地球化学参数。省略变量偏倚敏感性分析表明,一个未测量的混杂因素需解释处理和结果约7%的残差变异才能将效应降至零。
研究结论为:DML模型成功证明了提供处方性估计的能力——即农业土地利用变化如何导致地下水NO?-N浓度增加——这是因果推断方法在国家级地下水硝酸盐管理中的首批应用之一。该方法通过量化特定土地利用变化对应的浓度预期变化,超越了传统的基于相关性的预测制图,在科学分析与可操作管理之间建立了直接联系。该框架可服务于政策制定者和政府科学家,作为制定土地利用目标或限制措施以达成水质限值目标的决策支持工具。鉴于过去的地下水化学数据、土地利用数据和水文地质单元分类在大多数国家均可获得,该框架可应用于其他区域指导地下水污染物控制策略。