基于机器学习的哈拉兹河水质指数预测与污染来源解析：一种概率风险评估方法

《Environmental Research》：Machine learning-based prediction of water quality index and pollution source apportionment in the Haraz river: A probabilistic risk assessment approach

　　

• •
  调查了垃圾填埋场对哈拉斯河水质的影响。
• •
  下游较高的电导率 (EC)、总溶解固体 (TDS) 和营养物质显示出垃圾填埋场渗滤液污染。
• •
  88.89% 的 PO₄ 以及 100% 的 TSS 和浊度超过了允许限值。
• •
  机器学习 (ML) 确定硫酸盐是模型推导出的 RMS-WQI 最重要的预测因子。
• •
  最脆弱的儿童群体，其第 95 百分位危害指数 (HI_95th) 为 1.81。

引言

由于气候变化、人口增长和快速经济发展，全球水危机正在恶化，约 80% 的世界人口面临着水资源安全的重大威胁 (Scanlon et al., 2023)。气候变化通过增加极端事件、降低水质量和给老化基础设施带来压力，进一步加剧了水资源压力 (Abdulameer et al., 2025a)。获取清洁和安全的饮用水对于维持生命、改善公共卫生和预防水传疾病的传播至关重要 (Babuji et al., 2023)。水源中的污染物不仅影响人类健康，还对水生生态系统构成威胁。生化需氧量 (BOD) 和化学需氧量 (COD) 的持续增加会消耗水中的氧气含量，可能会使鱼类和其他水生生物窒息死亡。高水平的 TSS 也会通过覆盖产卵栖息地和水体透明度降低而危害鱼类和无脊椎动物 (Nguyen et al., 2023)。

硝酸盐 (NO₃^-) 是水源中最主要的污染物之一。近几十年来，人们越来越关注饮用水中 NO₃^-对消费者健康的有害影响 (Clemmensen et al., 2023)。长期暴露于饮用水中的 NO₃^-可能导致健康问题，例如血红蛋白转化为高铁血红蛋白，从而损害红细胞中的氧气运输。对于婴儿来说，即使短期饮用 NO₃^-水平超过 10 mg/L 的水，也可能导致严重的健康问题，包括血压降低，这些状况也可能影响所有年龄段的人 (Jaafarzadeh et al., 2024)。

基于物理、化学和生物参数评估水质是水生生态系统健康管理的基础 (Hammoumi et al., 2024)。在 20 世纪的最后十年，许多水资源管理机构使用水质评估作为水资源评估和监测的关键工具。Horton 开发了一个水质评级系统，并提供了一个生成单一水质指数 (WQI) 的模型 (Uddin et al., 2021)。Hammoum 等人利用水质指数 (WQI) 评估了摩洛哥纳多尔运河地表水水质的季节性变化。他们的分析表明，WQI 有效地确定了影响全年水质变化的关键因素，并有助于制定针对水资源管理和污染控制的特定策略 (Hammoumi et al., 2024)。Ewaid 等人评估了伊拉克河流的 WQI，为评估饮用水地表水资源质量提供了一套简单工具。他们的发现表明，WQI 是评估和管理水质及地表水资源健康的一种更简单的工具 (Ewaid et al., 2020)。

最近，利用人工智能 (AI) 管理水系统中的可持续水资源引起了越来越多的关注 (Abdulameer et al., 2025b)。基于 AI 的模型是可靠且精确的预测模型，可用于高效评估水质，即使无法或不便直接测量所有参数 (Sharma et al., 2024)。XGBoost 和 CatBoost 等提升算法通过正则化改善预测；Extra Trees 减少过拟合，AdaBoost 有助于处理不平衡数据集 (Choudhary et al., 2025)。RF (随机森林) 是一种多功能的机器学习算法，能够处理定量和定性数据，具有强大的预测性能。它通常对过拟合具有鲁棒性，能够在无需大量预处理的情况下管理高维数据，并有效捕获预测因子与结果之间的非线性关系 (Zavareh et al., 2024)。

健康风险评估 (HRA) 是评估水生环境中多种污染物潜在健康影响的重要方法 (Mohammadi et al., 2019)。它包括危害识别、剂量反应评估、暴露评估和风险表征四个阶段，并提供了一个将污染物负荷与人类健康联系起来的结构化框架 (Ji et al., 2020)。不同的科学文献广泛使用该方法来预测不同人群暴露于污染水后的不良健康影响 (Agbasi et al., 2023; Rahman et al., 2021; Endale et al., 2021)。

哈拉斯河流域是旅游、农业和工业的中心，使其容易受到严重污染的影响。许多餐厅和工业设施将未经处理的污水和废水以及固体废物直接或间接地排入河流。这些污染包括城市和农村废水（生活污水、浴室废水和街道径流），以及水产养殖和农业废物。工业污染源包括位于河流附近的肉类和乳制品加工厂 (Banagar et al., 2018; Aminirad et al., 2021)。

本研究的重要性在于其专注于评估哈拉斯河的水质——哈拉斯河是伊朗北部里海南岸阿穆尔县农业用水和潜在饮用水的重要资源。该河在支持当地生计中的关键作用使其环境健康至关重要，特别是考虑到阿穆尔垃圾填埋场渗滤液和采矿活动带来的污染风险。来自各种污染物的污染，包括人类活动产生的氮成分，对河流的生态健康和公共安全构成了严重威胁，特别是对于农业和饮用水供应而言。以前对哈拉斯河的研究主要关注物理化学评估或常规 WQI 分析。然而，尚无研究同时整合基于机器学习的预测、APCS-MLR 源解析和概率健康风险评估。

通过将传统评估工具与高级分析技术相结合，本研究为哈拉斯河水质提供了一种新颖的多维度评估。它结合了 WQI 方法和机器学习 (ML) 算法，实现了对广泛物理化学和生物参数更鲁棒且数据驱动的分析。此外，绝对主成分得分 - 多元线性回归 (APCS-MLR) 模型的应用提供了对污染物关系和来源的深入见解，支持更针对性的管理策略。此外，纳入 NO₃、NH₄ 和 NO₂等关键污染物的概率风险评估，通过量化与饮用水相关的潜在健康风险，增加了一个重要维度。我们假设垃圾填埋场渗滤液和采矿活动显著恶化下游水质，机器学习模型可以可靠地预测 WQI，并且儿童面临最高的非致癌健康风险。本研究的发现对于关于哈拉斯河水资源保护和管理的信息决策至关重要，确保长期可持续性和公众健康安全。

章节摘要

研究区域

哈拉斯河从厄尔布尔士山脉延伸至里海，全长约 185 公里，位于伊朗北部的马赞德兰省，流经包括阿穆尔市和苏赫鲁德市在内的几个村庄和城市 (图 S1)。河流集水区面积为 2,000 km²，平均流量为 30.18 m³/s。集水区海拔从源头的约 5600 m 到河口附近的约 200 m，该地区年平均降雨量约为 700mm (Emlaei et

垃圾填埋场对哈拉斯河特征的影响

图 S2 和 S3 展示了在不同站点测量的各种水质参数数据，显示了月度变化和整体趋势。水温表现出明显的季节差异，夏季记录的平均温度较高（上游站点为 19.7±0.9°C，下游站点为 22±0.9°C），相比之下，冬季（上游站点为 8.6±2.2°C，下游站点为 11.4±2.3°C）。渗滤液温度遵循与相同的季节模式

结论与未来研究

本研究提出了人类活动（特别是采矿活动和城市垃圾填埋场渗滤液排放）与哈拉斯河水质的物理、化学和微生物质量之间可能存在关联。结果表明，位于垃圾填埋场下游的站点显示的污染物浓度高于上游站点。此外，对 RMS_WQI 指数的分析揭示，由于不同站点的...水质下降

CRediT 作者贡献声明

Fatemeh Kardel：撰写 – 审阅与编辑，软件，调查。Hossein Jafarian Jeloudar：撰写 – 审阅与编辑，数据管理，概念化。Reza Dehbandi：撰写 – 审阅与编辑，验证，概念化，形式化分析。Rebwar Nasir Dara：撰写 – 审阅与编辑，概念化，形式化分析。Majid Amiri Gharaghani：撰写 – 审阅与编辑，验证，资源。Amin Mohammadpour：撰写 – 原稿，验证，方法论，形式化分析

未引用参考文献

Federation, A.P.H.A.A.W.W.A.W.E., 2023.

参与同意书

作者同意参与本文。

发表同意书

作者声明他们同意发表本文。

利益冲突

作者声明没有利益冲突。

数据可用性

数据可根据通讯作者的要求获取。

利益冲突

作者声明没有竞争利益。

写作过程中生成式 AI 和 AI 辅助技术的声明

使用 AI 工具，包括 ChatGPT 和 DeepSeek，改进了稿件的英语语言、语法和可读性。所有编辑均由作者审阅并批准。

竞争性利益声明

? 作者声明他们没有任何已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。

致谢

作者感谢马赞德兰大学提供财政支持。

Amin Mohammadpour|Rebwar Nasir Dara|Majid Amiri Gharaghani|Hossein Jafarian Jeloudar|Reza Dehbandi|Fatemeh Kardel