《Ecohydrology & Hydrobiology》：Linking water quality index structure to seasonal contaminant dynamics and predictive stability in a semi-arid aquifer in the F'kirina Plain of North-eastern Algeria
编辑推荐：
摘要半干旱含水层中的地下水质量受跨季节/跨年度水文气候动态的强烈控制，这些动态调节着水化学演化和污染物迁移。然而，水质指数（WQI）的数学架构对水文气候响应性、预测稳定性和模型鲁棒性的影响程度仍缺乏充分认识。本研究采用贡献加权组分公式对先前开发的基于主成分分析的水质指数（WQ
摘要
半干旱含水层中的地下水质量受跨季节/跨年度水文气候动态的强烈控制，这些动态调节着水化学演化和污染物迁移。然而，水质指数（WQI）的数学架构对水文气候响应性、预测稳定性和模型鲁棒性的影响程度仍缺乏充分认识。本研究采用贡献加权组分公式对先前开发的基于主成分分析的水质指数（WQI_P）进行了改进，并将其与八种其他水质指数（即WA_WQI、CCME、EWQI、GWQI、WQI_D1、WQI_D2、WQI_D3和WQI_D4）在阿尔及利亚东北部的F'kirina平原进行了比较。从干季（2024年9月）采集的21份地下水样本和湿季（2023年3月）采集的21份样本（n = 42）中测量了十三个理化参数。采用主成分分析（PCA）、混合GLM–Pearson变量选择以及惩罚回归（Lasso、Ridge和Elastic Net）来评估预测性能。通过预测变量排除敏感性分析和蒙特卡罗交叉验证（100次重复训练-测试划分）来评估预测变量依赖性和预测稳定性。干季采样显示出比湿季更高的矿化度，反映了截然不同的跨季节/跨年度水文气候动态。改进后的WQI_P取得了最高的预测性能（测试RMSE = 3.42，MAE = 3.10，R2 = 0.97），而敏感性分析表明不同WQI架构之间存在显著的预测变量依赖性差异，其中WQI_D1在排除预测变量后表现出最高的性能（测试RMSE = 0.75，MAE = 0.64，R2 = 0.999）。总体而言，WQI架构对预测性能、鲁棒性和跨季节/跨年度水文气候动态的响应性产生了重要影响，为基于机器学习的地下水质量评估提供了框架。
引言
全球范围内，水质退化仍然是一项重大环境挑战。据联合国环境规划署（UNEP, 2021）统计，人为来源目前贡献了全球河流营养盐负荷的70%以上，而在许多发展中地区，约10%的河段受到严重和中等程度的盐度污染，削弱了地表水在饮用水、农业和生态系统健康方面的可用性。尽管这些评估主要针对地表水，但由于农业集约化、土地利用变化和气候变率，地下水系统正日益面临类似的压力。由于地下水往往是半干旱地区的主要饮用水源，其保护已成为一项关键的环境和公共卫生优先事项（Ghoto等，2025；Laoufi等，2025）。据《联合国世界水资源发展报告2024》（UNESCO, 2024）载，22亿人仍然无法获得安全管理的饮用水服务，35亿人缺乏安全管理的卫生设施，这凸显了水质和获取方面持续存在的全球性挑战，这些问题对公共卫生、生计和可持续发展具有广泛影响（"UN World Water Development Report, 2024" n.d.）。
半干旱地区的地下水资源由于补给有限、蒸发率高和日益增加的人为压力而特别容易受到水化学退化的影响（Abdesselam等，2013）。在许多北非含水层系统中，地下水是饮用水和灌溉水的主要来源，使其质量成为一项关键的环境和社会经济问题（Abdesselam等，2013）。农业集约化、施肥和地下水过度开采往往导致盐度升高、硝酸盐富集和含水层的渐进性矿化（Kammoun等，2021）。这些过程因季节性水文变率而进一步加剧，季节性水文变率影响着补给动态、溶质输运和含水层系统中溶解离子的迁移（Kammoun等，2018, 2021）。
尽管已有多种水质指数被提出和应用，但对指数数学架构如何影响季节性响应和机器学习可预测性的关注仍然有限。近期的沿海WQI研究表明，季节变化显著影响模型性能，且传统指数可能无法完全捕捉这些动态（Mo等，2024）。
此外，将不同的权重和聚合方法与机器学习方法相结合的比较优化框架揭示了常规WQI公式中存在的不确定性（Yuan等，2025）。虽然机器学习技术已被广泛应用于高精度预测WQI，但其性能强烈依赖于算法选择和输入变量的选择（Khare和Kushwaha, 2025；Xu等，2024）。Lasso、Ridge和Elastic Net等惩罚回归框架已成为环境建模中有价值的工具，因为它们同时执行变量选择和正则化，在处理相关预测变量和有限样本量时提高模型泛化能力并减少过拟合（Khan等，2019；Zou和Hastie, 2005）。水质指数方法学的综述进一步强调，优化指数结构仍是一个开放的研究挑战（Anastasopoulos和Akratos, 2025）。综合而言，这些发现表明，在季节性水文条件下，对指数架构和最小预测变量建模框架进行系统性的比较评估仍然是一个 largely 未探索的领域。
尽管水质指数和机器学习方法得到了广泛应用，但很少有研究明确考察WQI自身的数学架构如何影响预测性能、季节性响应和模型稳定性。现有研究主要集中在优化机器学习算法，而非评估用作预测目标的指数的结构鲁棒性（Mostefa等，2026）。
从方法论角度来看，评估基于WQI的预测模型的鲁棒性需要同时考虑预测变量依赖性和预测稳定性（Pak等，2021；Parween等，2026；M. G. Uddin等，2023a）。基于替代预测变量配置的敏感性分析有助于确定模型性能是否强烈依赖于单个理化变量，而重复重采样或交叉验证可以评估预测性能在不同数据划分中的稳定性（Mamat等，2023；Seifi等，2020；M. G. Uddin等，2023a）。在此背景下，系统的预测变量排除和蒙特卡罗重采样为评估预测性能在预测变量集合修改时以及数据重复实现过程中是否保持稳定提供了互补的方法。这些方法对WQI预测特别相关，因为某些指数是从后续用作预测变量的同一理化变量子集中数学推导而来的，使得敏感性和稳定性评估对于评估预测关系的鲁棒性至关重要（Mamat等，2023；Parween等，2026；M. G. Uddin等，2023b, 2023a）。
本研究的创新之处在于对先前开发的基于主成分分析的水质指数（WQI_P）进行方法论改进和全面验证。具体而言，通过对归一化PCA贡献值直接推导变量权重来改进原始权重策略，从而提高了主成分贡献与指数构建之间的结构一致性。改进后的WQI_P随后在干湿季节条件下与八种广泛使用的水质指数进行了比较，以研究它们在理化和预测行为方面的差异。采用了一种结合广义线性模型（GLM）显著性检验和Pearson相关分析的混合变量选择策略，以识别用于Lasso、Ridge和Elastic Net惩罚回归建模的简约预测变量集。此外，进行了预测变量排除敏感性分析和蒙特卡罗交叉验证，以评估所开发模型的鲁棒性、预测稳定性和泛化能力。总体而言，本研究旨在验证改进后的WQI_P框架，比较多种水质指数的结构行为和预测性能，并评估指数数学架构如何影响基于机器学习的预测。
节选摘要
研究区
F'kirina平原（图1），位于阿尔及利亚东北部（Oum El Bouaghi省），是一个半干旱冲积含水层系统，其特点是地表水有限，高度依赖地下水进行饮用和灌溉（Khaldia等，2024）。该区域具有复杂的含水层系统，主要赋存于碳酸盐岩层中，是其水源的主要来源（Rahal等，2021）。该平原正在经历显著的水文气候极端事件。
环境参数的统计摘要
本研究对所研究的地下水样本分析了十三个理化参数。图3以箱线图展示了每个变量的分布情况，说明了其在各采样点之间的离散度、集中趋势和变异性（Midway, 2020；Nuzzo, 2016）。观察到的变异性反映了地下水样本异质的水化学条件，并支持应用PCA进行降维和变量选择（Greenacre等，2022；Mostefa等，2026；。
讨论
对符合WHO指南限值的法规合规性评估表明，研究区的地下水质量损害主要与干季条件下与盐度相关的矿化作用有关，而湿期条件则以与补给过程相关的硝酸盐浓度升高为特征。
在干季，总硬度（WHO指南值：500 mg/L）在23.8%的样本中超过了推荐限值，表明存在局部矿化现象。
结论
本研究表明，在半干旱地下水系统中，水质指数（WQI）结构和预测变量选择对季节敏感性、预测精度和模型泛化具有重要影响。纳入多元衍生权重的指数，如WA_WQI和基于PCA的WQI_P，对干湿季节波动表现出更高的响应性，并更好地捕捉了主导水化学梯度，优于固定权重指数（CCME、GWQI、EWQI）。混合GLM–Pearson方法。
伦理声明
本研究仅涉及地下水的环境采样和实验室分析，不涉及人类参与者或个人数据。因此，无需获得伦理批准和知情同意。所有采样和分析程序均按照适用的机构和国家标准进行。
CRediT作者贡献声明
Chergui Randa：写作 – 审阅与编辑、写作 – 初稿、验证。Nadjai Saci：写作 – 审阅与编辑、验证。Khammar Hichem：写作 – 审阅与编辑、验证。Benacherine Mostefa：写作 – 审阅与编辑、写作 – 初稿、可视化、软件、方法学、调查研究、形式分析、数据整理、概念化。Messaid Norelhouda：可视化、验证。Bouchema Nadhir：可视化、验证。Yun-Hui Zhang：验证、监督。
Chergui Randa|Nadjai Saci|Khammar Hichem|Benacherine Mostefa|Messaid Norelhouda|Bouchema Nadhir|Yun-Hui Zhang
