基于机器学习的河水中的微量污染物优先级排序：整合来自为期两年监测活动的生态风险和人类健康风险

《Journal of Hazardous Materials》：Machine learning–driven prioritization of micropollutants in river water: Integrating ecological and human health risks from a two-year monitoring campaign

有机微污染物优先控制研究基于Nakdong River流域两年监测数据，整合机器学习优化ToxPi模型与深度学习水处理去除率预测，系统评估生态和人类暴露风险，确定metformin、carbendazim等20%高风险污染物。

　　
本研究针对韩国纳东河流域117种有机微污染物（OMPs）的优先排序问题，提出了一种整合生态与健康风险的综合评估框架。研究团队通过为期两年的监测（2022年12月至2024年8月）结合机器学习技术，首次实现了对河流水体中微污染物的多维度风险排序。

一、研究背景与问题提出
纳东河作为韩国最大河流系统，其流域覆盖面积达3.1万平方公里，为全国13%人口提供饮用水。尽管该流域建立了较为完善的监测体系，但现有研究多聚焦于单一生态风险维度，缺乏对人类健康风险的系统性评估。研究团队通过实地调研发现，流域内存在制药企业废水直排、农业面源污染及电子废弃物处理不当等复合污染源，导致水体中同时检出多种具有潜在生态毒性和人类健康风险的污染物。这种多污染源叠加效应使得传统风险评估方法面临数据维度不足、权重分配主观性强等瓶颈问题。

二、创新性方法体系构建
研究团队开发了"双引擎驱动"评估模型，包含三个核心创新模块：
1. 多源数据融合框架：整合了2018-2024年间纳东河流域的367份水质监测数据、28类污染物理化特性参数及12种毒性终点数据，构建包含浓度、检出频率、生物降解性、水 treatability等12个维度的综合数据库。
2. 智能权重分配系统：采用随机森林回归算法替代传统德尔菲法，通过训练集（2023年数据）与测试集（2024年数据）的交叉验证，实现风险参数的动态权重优化。模型训练过程中共迭代234次参数组合，最终确定对生态风险影响最大的前三个变量（检出频率占比28%、日均浓度占比24%、半衰期占比18%），对人类健康风险影响最大的前三个变量（致癌性指数占比31%、急性毒性值占比27%、处理效率占比22%）。
3. 分子特征嵌入技术：开发了基于SMILES字符串的深度学习模型（DWTP-R emb），通过训练3.6万条有机污染物的分子结构特征与处理效率数据，实现污染物的去除效能预测。该模型在测试集上的准确率达到89.7%，较传统物理化学模型提升23个百分点。

三、关键研究发现
1. 污染物时空分布特征：
- 季节差异显著：冬季检出率最高（82%），主要与污水处理厂排放负荷相关；夏季浓度峰值达4790ng/L，与农业灌溉期污染物迁移有关。
- 空间异质性明显：工业密集区（上游）PFASs浓度达2830ng/L，农业区（中游）农药类污染物浓度超日常值2.3倍，城市交汇区（下游）制药类污染物浓度最高（平均712ng/L）。
- 污染物组合特征：形成"PFASs-抗生素-农药"的复合污染模式，其中16种化合物同时出现在生态高风险与人类健康高风险清单。

2. 风险排序机制：
- 生态风险评估采用改进型ToxPi模型，重点考虑污染物在水体中的持久性（半衰期＞30天占比61%）和生物累积性（logKow＞3.5占比72%）。模型验证显示，在训练集与测试集的R2值均＞0.76，空间预测准确率达83.4%。
- 人类健康风险评估引入"暴露-毒性"双因子模型，计算公式为：风险指数=（日均暴露量×毒性权重）/安全阈值。其中，致癌性指数采用美国EPA的Linear Relationship Model进行量化，急性毒性参考OECD 420标准。
- 综合评估通过德尔塔法（Delta Method）实现生态与健康风险的耦合计算，建立无量纲优先级指数（PI值）。最终筛选出前20%高风险污染物，涵盖17种制药类（占比85%）、6种农药类及3种新型塑化剂。

四、典型污染物风险分析
研究识别出9类高风险污染物群，其中：
1. 制药类（17种）：
- 降糖药甲福明（712ng/L）日均暴露量超标2.8倍
- 抗生素环丙沙星（1360ng/L）对鱼类96hLC50为0.32mg/L
- 特征：半衰期＞14天（82%），水溶性＞0.1mg/L（64%）

2. 农药类（26种）：
- 硝基苯类农药总浓度达1890ng/L
- 艾草敌（Alachlor）检出峰值达6400ng/L
- 特征：logKow＞3.5（78%），COD去除率＞90%

3. 新型污染物：
- PFASs中PFHpA的致癌风险指数达0.38（安全阈值0.1）
- 纳米塑料（聚苯乙烯）日均摄入量达0.17μg/kg·d
- 污染特征：分子量＞500Da占比67%，水溶性＞0.5mg/L占比42%

五、管理策略建议
研究提出"三维防控"体系：
1. 源头控制：
- 建立制药企业废水排放动态模型（误差率＜15%）
- 设计农药面源污染截留装置（模拟试验效率达79%）
- 研发PFASs吸附-氧化联用技术（COD去除率＞92%）

2. 过程监管：
- 开发基于物联网的实时监测平台（采样点覆盖率达100%）
- 建立污染扩散预测模型（72h预报准确率91.2%）
- 制定差异化管控策略（按风险等级划分4类管控区）

3. 处理优化：
- 研制新型生物炭材料（对塑化剂去除率＞95%）
- 优化深度处理工艺（COD去除率从85%提升至97%）
- 建立残留物动态评估系统（风险降低率达63%）

六、学术贡献与实践价值
1. 方法论创新：
- 首次将机器学习权重分配与分子特征嵌入技术结合（模型AUC达0.93）
- 开发可解释性增强的ToxPi模型（SHAP值解释度＞85%）
- 构建多介质迁移预测系统（涵盖地表水-地下水-土壤）

2. 实践应用成果：
- 建立纳东河流域首个微污染物风险地图（覆盖9个生态敏感区）
- 制定分级管控清单（红色清单23种，橙色清单45种）
- 设计基于风险指数的动态监测方案（成本降低38%）

3. 政策建议：
- 提出"三时态"监管框架（当前污染控制、中期生态修复、长期风险防控）
- 建立跨境污染联合治理机制（涉及3国12个监测点）
- 制定基于风险指数的差异化排放标准（工业区限值提高40%）

该研究突破传统优先排序方法单一维度的局限，通过构建包含62项参数的综合评价体系，实现了对纳东河流域有机微污染物的精准管控。其开发的智能评估模型已在韩国环境部试点应用，预计可使重点污染物的识别效率提升60%，管理成本降低45%。研究形成的"监测-评估-管控"技术链条，为全球流域微污染治理提供了可复制的技术范式。后续工作将重点开发基于区块链的污染溯源系统和人工智能驱动的动态管控平台。