使用机器学习进行饮用水源中PFAS化合物的大规模评估
Nicolas Fernandez1, A Pouyan Nejadhashemi1, Christian Loveall1
1Department of Biosystems and Agricultural Engineering, Michigan State University, East Lansing, MI, United States.
Water research
|July 22, 2023
概括
这项研究验证了饮用水中的Per-和多基物质 (PFAS) 的预测模型,开发了一个新的,可靠的区域PFAS评估模型. 这项研究确保了准确的PFAS存在和度估计,变量较少,数据需求较少.
科学领域:
- 环境化学环境化学
- 环境科学 环境科学
- 公共卫生 公共卫生
背景情况:
- 饮用水中的和多基物质 (PFAS) 是一个越来越严重的公共卫生问题.
- 评估PFAS存在和度的现有方法在不同地区的可靠性和适用性方面存在局限性.
- 了解影响PFAS分配的关键变量对于有效的水源管理至关重要.
研究的目的:
- 在一个新的地理区域评估现有的PFAS预测模型和解释变量的有效性.
- 开发一种新的,更可靠的区域PFAS发生和度预测模型.
- 提高饮用水中PFAS监测的准确性和效率.
主要方法:
- 使用密歇根州全州数据集重建了四个先进模型 (空间回归,随机森林,增强回归树).
- 包括各种解释变量:当地土壤,水文和接近污染源.
- 应用贝叶斯变量选择和混合机器学习-CAR模型用于PFAS评估.
主要成果:
- 预测PFAS发生的准确率>90%,与现有模型可比,但使用更少的变量.
- 估计的PFAS度与观察结果高度一致 (ρ > 0.90,R2 > 0.77),表现优于以前的方法.
- 这种新型模型在低数据要求的情况下证明了有效性.
结论:
- 开发的混合模型为区域PFAS预测提供了可靠和高效的方法.
- 这些发现支持改善监测和管理饮用水源中PFAS污染的战略.
- 这项研究有助于更好地了解区域范围内的PFAS行为和分布.
