一种统计方法用于识别容易受到甲基物质 (PFAS) 污染的私人井
Xindi C Hu1,2,3, Beverly Ge1, Bridger J Ruyle1
1Harvard John A. Paulson School of Engineering and Applied Sciences, Harvard University, Cambridge, MA, USA.
Environmental science & technology letters
|July 3, 2023
概括
数以百万计的美国人面临饮用水中含有和多基物质 (PFAS) 的问题. 机器学习模型有效地预测具有可检测PFAS的私人井,优先考虑昂贵的监测工作.
科学领域:
- 环境科学 环境科学
- 水的质量 水的质量
- 毒理学 毒理学 毒理学
背景情况:
- 饮用水被和多基物质 (PFAS) 污染是一个重大的公共卫生问题,其度超过了指导方针.
- 关于私人井中的PFAS水平的数据很少,这阻碍了有效的监测和风险评估.
- 目前的监测策略资源密集,需要创新的方法来有效检测.
研究的目的:
- 开发和评估用于识别PFAS污染高风险的私人井的预测建模方法.
- 在私人饮用水源中为PFAS提供信息和优先考虑环境监测举措.
- 评估机器学习对预测PFAS存在的有用性,使用现有的国家数据.
主要方法:
- 作为预测因素,利用了全国可用的PFAS来源,地质,水文和土壤特性数据.
- 使用来自新罕布什尔州约2300个私人井的PFAS度数据 (2014-2017年) 训练和评估的随机森林分类模型.
- 开发了五种经常检测到的PFAS的模型: perfluoropentanoate, perfluorohexanoate, perfluoroheptanoate, perfluorooctanoate和 perfluorooctane sulfonate. 这些模型包括:
主要成果:
- 分类随机森林模型显示出强大的预测性能 (AUC:0.740.86),有效地识别了可检测PFAS的井.
- 工业点源 (塑料/,织品) 是PFAS污染的最重要的预测因素.
- 二级预测因素包括地下水补充,降水,土壤中的沙含量和液压导电性.
结论:
- 机器学习模型,特别是随机森林分类模型,是预测私人井中PFAS存在的有价值工具.
- 开发的模型使用了全国可用的数据,可以适应优先考虑其他地区的监测.
- 这种方法可以显著提高PFAS监测计划的效率和成本效益.
更多相关视频
07:06Investigating Long-Distance Transport of Perfluoroalkyl Acids in Wheat via a Split-Root Exposure Technique
Published on: September 28, 2022
1.6K
12:11A Modified EPA Method 1623 that Uses Tangential Flow Hollow-fiber Ultrafiltration and Heat Dissociation Steps to Detect Waterborne Cryptosporidium and Giardia spp.
Published on: July 9, 2012
20.5K