基于机器学习预测珍珠河三角洲地区地下水PFAS的命运和来源
Jingwen Zeng1, Kai Liu2, Chih-Huang Weng3
1South China Institute of Environmental Sciences, Ministry of Ecology and Environment (MEE), Guangzhou 510655, Guangdong, China.
Environmental science & technology
|September 11, 2025
概括
机器学习可以有效地预测地下水中的和多基物质 (PFAS),并将工业用地和DOC确定为关键因素. 这有助于优先考虑对清洁水资源的污染控制工作.
科学领域:
- 环境科学 环境科学
- 水文地质学 水文地质学
- 数据科学数据科学数据科学
背景情况:
- 和多基基物质 (PFAS) 对地下水质量构成越来越大的威胁.
- 调查PFAS污染是昂贵和耗时的.
- 机器学习为高效的PFAS评估提供了潜在的解决方案.
研究的目的:
- 应用机器学习模型来预测地下水中的PFAS发生情况.
- 确定影响PFAS污染的关键因素.
- 在珍珠河三角洲地区追踪PFAS污染源.
主要方法:
- 使用随机森林 (RF),梯度增强决策树 (GBDT) 和极端梯度增强 (XGB) 模型.
- 集成的地下水化学数据与空间地理信息.
- 分析了PFAS组合特征,以确定来源贡献.
主要成果:
- 地下水的化学和空间数据准确地预测了PFAS的发生.
- 关键的预测因素包括工业用地,溶解有机碳 (DOC),井深和土壤和.
- 工业来源对PFAS污染的贡献明显高于农业来源 (83.3%对混合来源的16.7%).
结论:
- 机器学习为快速评估地下水PFAS污染提供了一种可靠的方法.
- 确定了有针对性的污染控制的关键因素和来源贡献.
- 支持对珍珠河三角洲PFAS污染的有效调查和管理.
