博主智算菩萨，专注于人工智能、Python编程、音视频处理及UI窗体程序设计等方向。致力于以通俗易懂的方式拆解前沿技术，从零基础入门到高阶实战，陪伴开发者共同成长。目前已开设五大技术专栏，累计发布多篇原创技术文章，深受读者好评。

📌 专栏导航

• 人工智能前沿知识（已更144篇）：深度剖析Transformer架构、生成式AI、强化学习、具身智能、神经符号系统、大模型及智能体（Agent）技术，系统性解析AI核心技术体系与前沿趋势。
• Python基础小白编程（已更232篇）：从零开始，以保姆式教程讲解变量、数据类型、流程控制、函数等核心语法，配有大量实战代码与避坑指南，真正做到学以致用。
• 机器学习与深度学习（125篇）：系统化拆解线性模型、决策树、随机森林、梯度提升树、神经网络等算法原理与工程实践，覆盖从公式推导到代码实现的全链路内容。
• 音频、图像与视频处理理论与实战（81篇）：涵盖FFmpeg多媒体处理、audio_shop开源工具、ComfyUI-WanVideoWrapper视频生成等实用技术，从基础操作到高级应用一应俱全。
• UI窗体程序设计实战（78篇）：深入讲解UI设计、动态窗体生成、游戏UI框架设计等实战技巧，提供从配置到编码的完整解决方案。
  智算菩萨，以代码为经，以算法为纬，在人工智能的星辰大海中，做你前行路上最可靠的导航者。本人最常用的AI对话工具是AIGCBAR。

水是生命之源，水质安全关乎人类健康与生态平衡。当机器学习遇上水质评价，一场跨学科的技术革命正在悄然发生。本文从理论基础出发，系统梳理机器学习在水质评价中的核心算法原理、数学模型、应用场景与前沿趋势，带你深入理解数据驱动方法如何重塑水环境科学的未来。

1 机器学习与水质评价：一场跨学科革命的缘起

1.1 水质评价的时代挑战

随着全球工业化与城市化进程的加速推进，含有各类污染物的废水被大量排放到自然水环境中，对地表水、地下水、饮用水源及海洋生态系统构成了严峻威胁。水质分析与评价在很大程度上提升了水污染控制的效率，然而传统水质评价方法面临着多重困境。首先，大多数水质参数虽然可以按照相关标准中规定的程序进行监测，但最终的水质评价结果可能因参数选择的不同而存在显著差异。考虑到所有水质参数既不现实也不经济——不仅费用高昂、技术难度大，而且难以应对水质的多变性。

从历史维度看，水质评价方法经历了从简单理化指标检测到综合指数评价的演进过程。早期的水质评价主要依赖单一参数的阈值判断，例如仅通过pH值、溶解氧（DO）或生化需氧量（BOD）等个别指标来评判水质优劣。20世纪60年代，Horton提出了首个水质指数（Water Quality Index, WQI）概念，将多个水质参数综合为一个无量纲数值，为水质评价提供了系统化的定量工具。此后，Brown等人在1970年代进一步发展了WQI方法，引入了权重系数来反映不同参数对水质的相对重要性。然而，无论是传统的多元统计方法、模糊推理还是WQI方法，在面对水质数据的高维性、非线性以及时空异质性时，都暴露出表达能力不足的问题。

进入大数据时代，水环境监测数据的规模呈指数级增长。高频在线传感器、遥感卫星和物联网设备的广泛部署，使得每秒都有海量水质数据被产生和记录。传统的统计模型和经验公式难以有效处理如此庞大且复杂的数据集，而机器学习凭借其高精度、灵活定制和便捷扩展的特性，为水质评价带来了全新的解决思路。机器学习能够高效处理复杂的非线性关系数据，有助于发现数据背后的潜在机制，其卓越的适应性已在环境科学与工程领域展现出巨大潜力。

1.2 机器学习：从数据分析到智能决策

机器学习是人工智能的一个重要分支，其核心思想是通过算法分析数据，挖掘数据中的潜在模式，从而预测新信息。与传统的基于物理机制或经验公式的模型不同，机器学习模型是数据驱动的，能够从历史数据中自动学习输入与输出之间的映射关系，无需显式地建立物理方程或人为设定规则。

机器学习的发展历程可以追溯到20世纪50年代。1957年，Rosenblatt发明了感知机（Perceptron），奠定了神经网络的基础；1986年，Rumelhart等人提出了反向传播算法（Backpropagation），使多层神经网络的训练成为可能；1995年，Vapnik等人提出了支持向量机（Support Vector Machine, SVM），在小样本学习问题上取得了突破；2001年，Breiman提出了随机森林（Random Forest, RF）算法，开创了集成学习的新范式；2012年，AlexNet在ImageNet竞赛中的惊人表现引爆了深度学习革命。这些里程碑式的进展，为机器学习在水质评价中的应用提供了日益丰富的算法工具箱。

在水质评价领域，机器学习的应用流程通常包括以下关键步骤：数据采集与预处理、算法选择与模型构建、模型训练与验证、以及结果解释与应用。其中，数据采集是基础环节，在线监测数据、实验室分析数据和遥感数据均可作为机器学习模型的输入。数据预处理包括缺失值填补、异常值检测、特征缩放和特征选择等操作，直接影响模型的性能。算法选择则需要根据具体问题的性质（分类、回归或聚类）和数据特征来决定。模型训练过程中，需要合理划分训练集和测试集，采用交叉验证等方法防止过拟合，并通过超参数调优提升模型泛化能力。

1.3 机器学习在水质领域的应用全景

机器学习已被广泛应用于水处理和管理系统的各个方面，涵盖实时监测、水质预测、污染源追踪、污染物浓度估算、水资源配置以及水处理技术优化等多个维度。不同类型的水体——包括饮用水、废水、地下水、地表水、海水等——具有不同的特征，给水质研究带来了相当大的挑战。而机器学习为应对这些挑战提供了有效途径。

从算法层面看，监督学习中的支持向量机（SVM）、人工神经网络（ANN）、决策树（DT）、随机森林（RF）和k近邻（KNN）等算法在水质分类和回归预测中表现突出；无监督学习中的主成分分析（PCA）和K-means聚类在水质参数降维和污染源识别中发挥重要作用；而深度学习中的卷积神经网络（CNN）、长短期记忆网络（LSTM）和深度神经网络（DNN）则在处理高维数据和时序预测方面展现出独特优势。近年来，集成学习方法如XGBoost、LightGBM等也因其高精度和快速训练的特点，在水质评价中获得了越来越广泛的应用。

2 机器学习核心算法原理深度解析

2.1 监督学习：从标注数据中挖掘规律

监督学习是机器学习中应用最为广泛的一类方法，其核心任务是从带有标签的训练数据集中学习输入到输出的映射函数。在水质评价中，监督学习主要用于两类任务：分类（如水质等级判定）和回归（如污染物浓度预测）。

2.1.1 支持向量机（SVM）

支持向量机的核心思想是在特征空间中寻找一个最优超平面，使得不同类别之间的间隔（margin）最大化。对于二分类问题，给定训练数据集 $\{(x_i,y_i){\}}_{i=1}^N$，其中 $x_i\in {\mathbb{R}}^d$ 为输入特征， y i ∈ { − 1 , + 1 } y_i \in \{-1, +1\} yi​∈{−1,+1} 为类别标签，SVM的优化目标可以表述为：

$$\underset{w,b}{\min }\frac{1}{2}\Vert w{\Vert }^2+C\sum _{i=1}^N{\xi }_i$$

$$\text{s.t.}{y}_i(w^T\varphi (x_i)+b)\ge 1-{\xi }_i,{\xi }_i\ge 0$$

其中 $w$ 为权重向量，$b$ 为偏置项，${\xi }_i$ 为松弛变量，$C$ 为正则化参数，$\varphi (x_i)$ 为将输入映射到高维特征空间的核函数。常用的核函数包括：

• 线性核：$K(x_i,x_j)=x_i^T{x}_j$
• 多项式核：$K(x_i,x_j)=(\gamma x_i^T{x}_j+r{)}^d$
• 径向基核（RBF）：$K(x_i,x_j)=\exp (-\gamma \Vert x_i-x_j{\Vert }^2)$
• Sigmoid核：$K(x_i,x_j)=\tanh (\gamma x_i^T{x}_j+r)$

SVM在水质评价中的优势在于其使用了泛化误差的上界而非仅减少训练误差，因此在最小化误差方面比ANN更有效。研究表明，在某些水质预测任务中，SVM可能比ANN产生更高的预测精度和更强的泛化能力，原因之一是神经网络中模型参数的优化不稳定，ANN的精度显著受非线性扰动影响。

对于回归问题，支持向量回归（SVR）通过引入 $\epsilon$-不敏感损失函数来实现：

$$L_{\epsilon }(y,f(x))=\max (0,|y-f(x)|-\epsilon )$$

这意味着当预测值与真实值的偏差小于 $\epsilon$ 时不计入损失，从而使模型对噪声具有一定的鲁棒性。

2.1.2 人工神经网络（ANN）

人工神经网络模拟了生物神经系统的信息处理机制，由大量互连的人工神经元组成。最基本的人工神经元模型可以表示为：

$$y=\sigma \left(\sum _{i=1}^n{w}_i{x}_i+b\right)$$

其中 $x_i$ 为输入，$w_i$ 为权重，$b$ 为偏置，$\sigma$ 为激活函数。常用的激活函数包括Sigmoid函数 $\sigma (z)=1/(1+e^{-z})$、双曲正切函数 $\tanh (z)=(e^z-e^{-z})/(e^z+e^{-z})$ 以及ReLU函数 $\text{ReLU}(z)=\max (0,z)$。

多层感知机（MLP）是ANN的典型结构，包含输入层、一个或多个隐藏层和输出层。网络的训练通过反向传播算法实现，其核心是链式法则：

$$\frac{\partial L}{\partial w_{ij}^{(l)}}=\frac{\partial L}{\partial z_j^{(l)}}\cdot \frac{\partial z_j^{(l)}}{\partial w_{ij}^{(l)}}={\delta }_j^{(l)}\cdot a_i^{(l-1)}$$

其中 $L$ 为损失函数，$w_{ij}^{(l)}$ 为第 $l-1$ 层第 $i$ 个神经元到第 $l$ 层第 $j$ 个神经元的权重，${\delta }_j^{(l)}$ 为误差项，$a_i^{(l-1)}$ 为第 $l-1$ 层第 $i$ 个神经元的激活值。

在水质评价中，ANN已被广泛应用于溶解氧预测、BOD浓度估算和水质等级分类等任务。其优势在于能够逼近任意复杂的非线性函数，但缺点是模型参数优化不稳定，对噪声敏感，且容易陷入局部最优。

2.1.3 决策树与随机森林

决策树通过递归地将特征空间划分为若干子区域来构建预测模型。对于回归树，划分准则通常基于均方误差（MSE）的最小化；对于分类树，则基于基尼不纯度（Gini Impurity）或信息增益（Information Gain）的优化。基尼不纯度定义为：

$$\text{Gini}(D)=1-\sum _{k=1}^K{p}_k^2$$

其中 $D$ 为数据集，$K$ 为类别数，$p_k$ 为第 $k$ 类的样本比例。信息增益则基于信息熵：

$$\text{Gain}(D,A)=\text{Ent}(D)-\sum _{v=1}^V\frac{|D^v|}{|D|}\text{Ent}(D^v)$$

$$\text{Ent}(D)=-\sum _{k=1}^K{p}_k{\log }_2{p}_k$$

随机森林是Breiman于2001年提出的一种集成学习方法，通过构建多棵决策树并取其平均（回归）或投票（分类）结果来提升预测性能。RF引入了两个关键的随机化策略：一是对训练数据进行Bootstrap采样（有放回抽样），二是在每个节点分裂时随机选择特征子集。这种双重随机化不仅降低了模型的方差，还增强了其抗过拟合能力。

在水质评价中，RF在地下水质量评估、微污染物去除预测和水质等级分类等任务中表现出色。研究表明，基于连续数据集的RF模型在识别高质量地下水区域方面可以达到97.10%的准确率，为地下水资源规划和管理提供了良好的决策支持。

2.2 无监督学习：发现隐藏结构

无监督学习处理的是没有标签的数据，其目标是从数据中发现内在的结构和模式。在水质评价中，无监督学习主要用于数据降维、聚类分析和异常检测。

2.2.1 主成分分析（PCA）

主成分分析是一种经典的线性降维方法，其目标是将高维数据投影到方差最大的方向上。给定中心化后的数据矩阵 $X\in {\mathbb{R}}^{n\times d}$，PCA的优化目标为：

$$\underset{w}{\max }{w}^T{X}^{T}Xw\text{s.t.}\Vert w\Vert =1$$

该问题的解对应于数据协方差矩阵 $C=\frac{1}{n-1}{X}^{T}X$ 的特征向量。第 $k$ 个主成分的方差贡献率为：

$${\rho }_k=\frac{{\lambda }_k}{{\sum }_{j=1}^d{\lambda }_j}$$

其中 ${\lambda }_k$ 为协方差矩阵的第 $k$ 大特征值。在水质评价中，PCA常用于两个方面：一是降低水质参数的维度，提取影响水质的关键因子；二是辅助WQI参数选择，从众多水质指标中筛选出最具代表性的参数。例如，Tripathi和Singal利用PCA从13个水质参数中筛选出9个关键参数用于构建WQI，包括DO、pH、电导率（EC）、BOD、总大肠菌群、氯离子、镁、硫酸盐和总溶解固体（TDS）。

2.2.2 K-means聚类

K-means是最常用的划分式聚类算法，其目标是将 $n$ 个数据点划分为 $K$ 个簇，使得簇内平方和最小化：

$$J=\sum _{k=1}^K\sum _{x_i\in C_k}\Vert x_i-{\mu }_k{\Vert }^2$$

其中 $C_k$ 为第 $k$ 个簇，${\mu }_k$ 为该簇的质心。算法通过迭代执行以下两步直至收敛：

1. 分配步骤：将每个数据点分配到最近的质心所属的簇
2. 更新步骤：重新计算每个簇的质心

在水质评价中，K-means聚类常与PCA结合使用。Celestino等人先利用PCA对地下水数据进行降维，然后对降维后的数据进行K-means聚类，成功区分了水文地球化学的自然变化和人为来源。Lee等人则将自组织映射（SOM）与模糊C均值聚类相结合，对首尔都市区地下水质量进行了空间模式评估，将地下水样本按不同污染程度分为三组，并基于分组的空间分布分析了污染驱动过程。

2.3 深度学习：多层抽象的表征能力

深度学习通过构建具有多个隐藏层的神经网络，实现对数据的多层次抽象表征。与传统浅层机器学习方法相比，深度学习能够自动学习特征表示，减少了对人工特征工程的依赖。

2.3.1 深度神经网络（DNN）

DNN在输入层和输出层之间包含多个隐藏层，每层使用更先进的激活函数（如ReLU及其变体），比传统ANN中使用的Sigmoid函数更有利于模型收敛，降低了训练难度。DNN在BOD预测中的均方根误差（RMSE）比传统机器学习模型降低了19.20%至25.16%。DNN的前向传播过程可以递归地表示为：

$$h^{(l)}=\sigma (W^{(l)}{h}^{(l-1)}+b^{(l)})$$

其中 $h^{(0)}=x$ 为输入，$W^{(l)}$ 和 $b^{(l)}$ 分别为第 $l$ 层的权重矩阵和偏置向量，$\sigma$ 为激活函数。

2.3.2 卷积神经网络（CNN）

CNN最初为图像处理而设计，其核心组件包括卷积层、池化层和全连接层。卷积操作通过可学习的滤波器在输入上滑动，提取局部特征：

$$(f\ast g)[i,j]=\sum _m\sum _{n}f[m,n]\cdot g[i-m,j-n]$$

在水质评价中，CNN的应用主要体现在两个方面：一是基于遥感影像的水质分类，Pu等人利用Landsat 8影像和CNN实现了内陆湖泊水质分类，准确率达到97.12%；二是基于水面图像的水污染识别，Wu等人开发了基于CNN的注意力神经网络，能够从水面图像中识别清洁水和污染水，清洁水的识别准确率为71.2%，污染水为73.6%。CNN的优势在于可以直接将反射率图像作为输入，无需特征工程和参数调优。

2.3.3 长短期记忆网络（LSTM）

LSTM是Hochreiter和Schmidhuber于1997年提出的一种循环神经网络（RNN）变体，专门设计用于解决长序列训练中的梯度消失和梯度爆炸问题。LSTM的核心是细胞状态和三个信息门——输入门、遗忘门和输出门——它们控制着序列信息的传输、遗忘和存储。

遗忘门决定从细胞状态中丢弃哪些信息：

$$f_t=\sigma (W_f\cdot [h_{t-1},x_t]+b_f)$$

输入门决定哪些新信息将被存入细胞状态：

$$i_t=\sigma (W_i\cdot [h_{t-1},x_t]+b_i)$$

$${\tilde{C}}_t=\tanh (W_C\cdot [h_{t-1},x_t]+b_C)$$

细胞状态的更新：

$$C_t=f_t\odot C_{t-1}+i_t\odot {\tilde{C}}_t$$

输出门决定输出哪些信息：

$$o_t=\sigma (W_o\cdot [h_{t-1},x_t]+b_o)$$

$$h_t=o_t\odot \tanh (C_t)$$

其中 $\odot$ 表示逐元素乘法（Hadamard积），$\sigma$ 为Sigmoid函数。LSTM在水质时序预测中表现优异，能够直接从时间序列数据中学习，识别变量与预测变量之间的非线性关系，并将有用的历史信息传递到未来。研究表明，LSTM在74%的监测站点上实现了NSE（Nash-Sutcliffe效率系数）不低于0.4的溶解氧预测性能。

2.4 集成学习：弱学习器的强强联合

集成学习通过组合多个基学习器来构建更强大的预测模型，其理论基础是：如果每个基学习器的错误率低于50%且基学习器之间具有多样性，则随着基学习器数量的增加，集成的错误率将指数级趋近于零。

2.4.1 Boosting方法

Boosting是一类将弱学习器提升为强学习器的集成方法，其核心思想是序列化地训练基学习器，每个后续模型重点关注前序模型犯错的样本。AdaBoost是最经典的Boosting算法，其样本权重更新公式为：

$$D_{t+1}(i)=\frac{D_t(i)\cdot \exp (-{\alpha }_t{y}_i{h}_t(x_i))}{Z_t}$$

其中 ${\alpha }_t=\frac{1}{2}\ln \frac{1-{\epsilon }_t}{{\epsilon }_t}$ 为弱分类器的权重，${\epsilon }_t$ 为第 $t$ 轮的加权错误率，$Z_t$ 为归一化因子。

2.4.2 XGBoost

XGBoost（eXtreme Gradient Boosting）是Chen和Guestrin于2016年提出的高效梯度提升框架，在水质评价中获得了广泛应用。XGBoost的目标函数为：

$${\mathcal{L}}^{(t)}=\sum _{i=1}^{n}l(y_i,{\hat{y}}_i^{(t-1)}+f_t(x_i))+\Omega (f_t)$$

其中 $l$ 为损失函数，$\Omega (f_t)=\gamma T+\frac{1}{2}\lambda \Vert w{\Vert }^2$ 为正则化项，$T$ 为叶子节点数，$w$ 为叶子权重。对目标函数进行二阶泰勒展开：

$${\mathcal{L}}^{(t)}\approx \sum _{i=1}^n[g_i{f}_t(x_i)+\frac{1}{2}{h}_i{f}_t^2(x_i)]+\Omega (f_t)$$

其中 $g_i={\partial }_{{\hat{y}}^{(t-1)}}l(y_i,{\hat{y}}^{(t-1)})$，$h_i={\partial }_{{\hat{y}}^{(t-1)}}^{2}l(y_i,{\hat{y}}^{(t-1)})$ 分别为一阶和二阶梯度。XGBoost在WQI预测中表现卓越，其回归模型的 $R^2$ 可达0.9685，分类准确率可达99.65%。此外，XGBoost还可作为特征选择工具，Bhagat等人利用XGBoost从21个输入特征中筛选出5至9个关键特征，与ANN等方法集成后，所学习的信息在模型训练阶段不会丢失。

2.4.3 自适应神经模糊推理系统（ANFIS）

ANFIS将神经网络的学习能力与模糊逻辑的推理能力相结合，特别适合处理不确定性和模糊性问题。ANFIS的典型结构包含五层：模糊化层、规则层、归一化层、去模糊化层和输出层。对于一阶Sugeno模糊模型，规则形式为：

$$\text{If }x\text{ is }{A}_i\text{ and }y\text{ is }{B}_i,\text{ then }{f}_i=p_{i}x+q_{i}y+r_i$$

ANFIS采用混合学习算法，前件参数通过梯度下降法更新，后件参数通过最小二乘法估计。Ly等人利用ANFIS模型对韩国汉河进行了为期10年的富营养化分析和藻类暴发预测，发现ANFIS在定量和分类问题上均表现最佳，藻类暴发是由营养物质、有机物和环境要素的综合交互作用引起的。

3 水质评价的理论基础与指标体系

3.1 水质指数（WQI）的数学原理

水质指数（WQI）是将多个水质参数的综合信息浓缩为单一数值的定量工具，其核心思想是为每个参数分配反映其对水质相对重要性的权重，然后将各参数的子指数加权聚合。WQI的计算通常包含以下四个步骤：

第一步：参数选择与权重分配

选择一组具有代表性的水质参数，并为每个参数分配权重 $w_i$。权重的确定方法包括专家咨询法（Delphi法）、主成分分析法和熵权法等。权重需满足归一化条件：

$$\sum _{i=1}^n{w}_i=1$$

第二步：质量评级（子指数）计算

对于每个参数，根据其浓度值和相应的水质标准计算质量评级 $q_i$。常用的评级函数为线性插值：

$$q_i=\frac{C_i-C_{i,\text{ideal}}}{C_{i,\text{standard}}-C_{i,\text{ideal}}}\times 100$$

其中 $C_i$ 为第 $i$ 个参数的实测浓度，$C_{i,\text{ideal}}$ 为理想值（如DO的理想值为14.6 mg/L，pH的理想值为7），$C_{i,\text{standard}}$ 为标准值。

第三步：相对权重计算

$$W_i=\frac{w_i}{{\sum }_{j=1}^n{w}_j}$$

第四步：WQI综合计算

$$\text{WQI}=\sum _{i=1}^n{W}_i\cdot q_i$$

也有研究采用加权积的形式：

$$\text{WQI}=\prod _{i=1}^n{q}_i^{W_i}$$

下表展示了WQI的典型分级标准：

WQI范围	水质等级	描述
90-100	优秀（Excellent）	水体清洁，满足所有用途
70-90	良好（Good）	水体轻微污染，适合大多数用途
50-70	中等（Medium）	水体中度污染，部分用途受限
25-50	较差（Poor）	水体严重污染，仅适合灌溉等有限用途
0-25	极差（Very Poor）	水体极度污染，不适合任何用途

WQI方法虽然直观易用，但也存在一些局限性。首先，参数选择和权重分配具有主观性，不同的参数组合和权重方案可能产生差异显著的评价结果。其次，WQI的线性加权假设可能掩盖极端参数的影响——某一参数严重超标时，WQI可能仍显示"良好"。此外，WQI难以反映水质的时空动态变化特征。机器学习方法能够有效克服这些局限，通过数据驱动的方式自动学习参数之间的复杂关系，实现更准确、更稳健的水质评价。

3.2 多元统计分析方法

多元统计分析是水质评价的传统方法支柱，在机器学习兴起之前一直是水环境研究的主要工具。

3.2.1 因子分析与主成分分析

因子分析（FA）和PCA是水质数据降维和因子识别的经典方法。PCA通过正交变换将原始变量转换为一组线性无关的主成分，而FA则假设观测变量由少数潜在因子和误差项线性组合而成：

$$X=\Lambda F+\epsilon$$

其中 $X$ 为观测变量向量，$\Lambda$ 为因子载荷矩阵，$F$ 为公共因子向量，$\epsilon$ 为特殊因子向量。在水质研究中，PCA常用于识别影响水质变化的主要因素。例如，对地下水数据执行PCA后，提取的前几个主成分可能分别代表"矿化度因子"（高载荷的TDS、EC、Na+、Cl-）、“硬度因子”（Ca2+、Mg2+、总硬度）和"营养盐因子"（NO3-、PO43-）等。

3.2.2 聚类分析

聚类分析将水质样本按照相似性分组，常用的方法包括层次聚类和划分聚类。层次聚类通过计算样本间的距离矩阵（如欧氏距离、马氏距离），逐步合并或分裂簇，最终形成树状图（Dendrogram）。马氏距离考虑了变量之间的相关性，定义为：

$$D_M(x,y)=\sqrt{(x-y{)}^T{S}^{-1}(x-y)}$$

其中 $S$ 为协方差矩阵。Du等人利用基于马氏距离的层次聚类分析方法对北黄海和渤海的水质进行了评价，有效区分了不同区域的水质特征。

3.2.3 判别分析

判别分析旨在建立分类规则，将样本分配到预定义的类别中。Fisher线性判别分析（LDA）寻找使类间方差最大、类内方差最小的投影方向：

$$J(w)=\frac{w^T{S}_{B}w}{w^T{S}_{W}w}$$

其中 $S_B$ 为类间散布矩阵，$S_W$ 为类内散布矩阵。在水质评价中，判别分析可用于验证聚类分析的结果，或构建水质分类的判别函数。

3.3 水质参数的物理化学意义

水质参数是水质评价的基础，理解其物理化学意义对于正确选择模型输入和解释模型输出至关重要。下表总结了水质评价中最常用的参数及其意义：

参数	符号	单位	物理化学意义	评价重要性
溶解氧	DO	mg/L	水中溶解的分子态氧，反映水体自净能力	极高，直接反映水生生态系统状态
生化需氧量	BOD	mg/L	微生物分解有机物所消耗的氧量	高，表征有机污染程度
化学需氧量	COD	mg/L	化学氧化剂氧化水中有机物所消耗的氧量	高，表征有机物总量
pH值	pH	-	氢离子浓度的负对数	高，影响化学反应和生物活性
电导率	EC	μS/cm	水传导电流的能力	中，反映溶解性固体总量
总溶解固体	TDS	mg/L	水中溶解性无机盐和有机物的总量	中，影响水的适用性
总氮	TN	mg/L	水中各种形态氮的总量	高，富营养化关键指标
总磷	TP	mg/L	水中各种形态磷的总量	高，富营养化限制性因子
氨氮	NH3-N	mg/L	水中以游离氨和铵离子形式存在的氮	高，毒性指标
叶绿素a	Chl-a	μg/L	浮游植物生物量的指示	中，富营养化指示参数
浊度	NTU	-	水中悬浮颗粒对光线的散射程度	中，影响光的穿透
粪大肠菌群	FC	个/L	温血动物粪便污染的指示菌	高，卫生学指标

溶解氧（DO）是地表水质量评价中最受关注的参数之一，它直接反映了水生生态系统的状态及其维持水生生物的能力。DO浓度受温度、气压、水流速度、光合作用和有机物分解等多种因素影响。温度升高时，气体溶解度降低（亨利定律），同时微生物代谢加速耗氧，因此夏季高温期往往是DO浓度最低的时期。BOD和COD分别从生物和化学角度表征水中有机物的含量，BOD5（5日生化需氧量）是最常用的有机污染指标，但其测定需要5天时间，难以满足实时监测的需求。机器学习模型可以利用其他易测参数（如DO、温度、pH等）快速预测BOD浓度，弥补了传统方法的时效性不足。

4 地表水水质评价中的机器学习方法

4.1 溶解氧预测：从传统回归到深度网络

溶解氧预测是地表水水质研究中最为活跃的领域之一，因为DO是反映水体生态系统健康的关键指标。从方法论角度看，DO预测模型经历了从传统统计模型到浅层机器学习模型再到深度学习模型的演进过程。

4.1.1 传统时序模型的局限

自回归积分滑动平均模型（ARIMA）是经典的时间序列预测方法，其模型形式为：

$$\text{ARIMA}(p,d,q):\varphi (B)(1-B{)}^d{X}_t=\theta (B){\epsilon }_t$$

其中 $B$ 为后移算子，$\varphi (B)=1-{\varphi }_{1}B-\cdots -{\varphi }_p{B}^p$ 为自回归多项式，$\theta (B)=1+{\theta }_{1}B+\cdots +{\theta }_q{B}^q$ 为滑动平均多项式，$d$ 为差分阶数，${\epsilon }_t$ 为白噪声。ARIMA模型本质上是线性模型，在处理水质数据的非线性波动时表现不佳。Wang等人的研究表明，在月度水质预测中，Bootstrap小波神经网络（BWNN）的性能显著优于ARIMA模型，预测精度排序为BWNN > BANN > WNN > ANN > ARIMA。

4.1.2 小波神经网络与Bootstrap方法

小波神经网络（WNN）将小波变换的时频分析能力与神经网络的学习能力相结合。小波基函数 ${\psi }_{a,b}(t)=\frac{1}{\sqrt{a}}\psi \left(\frac{t-b}{a}\right)$ 替代了传统神经网络中的Sigmoid激活函数，其中 $a$ 为尺度参数，$b$ 为平移参数。Bootstrap方法通过对训练数据进行有放回抽样生成多个训练子集，分别训练模型后取平均，可以有效降低模型的方差。BWNN结合了Bootstrap的方差缩减优势和小波基函数的时频特性，能够很好地处理波动性和非季节性的水质时间序列数据。

4.1.3 LSTM在DO预测中的应用

LSTM在DO预测中展现了强大的时序建模能力。Zhi等人在大陆尺度上验证了LSTM预测河流DO的有效性，模型在74%的监测站点上实现了NSE不低于0.4的性能。LSTM的优势在于其门控机制能够选择性地保留或遗忘历史信息，自动学习不同时间尺度的依赖关系。然而，LSTM也需要足够的输入特征来保证预测精度，且在数据稀疏区域的泛化能力有待提升。

多项研究一致表明，输入参数的选择显著影响DO预测模型的性能。在多瑙河的DO浓度预测中，多项式神经网络（PNN）模型发现温度、pH、BOD和磷浓度是影响预测精度最重要的特征。在美国圣约翰河的DO预测中，五个输入特征（氯离子、NOx、TDS、pH和水温）中，pH和NOx与DO强相关，对预测精度影响最大。这些发现与Chen等人的结论一致，即输入参数影响模型的预测性能。

下表汇总了地表水DO预测中不同机器学习模型的性能比较：

研究区域	模型	样本量	关键输入参数	评价指标	性能
哈尔滨河流	BWNN	370	DO	RMSE排序	BWNN最优
美国多站点	LSTM	236	DO	NSE	74%站点≥0.4
多瑙河	PNN	1912	Cl-, BOD, pH, 温度等	R²	0.82
圣约翰河	CCNN	232	DO, Cl, NOx, pH, 温度	R²/RMSE	0.825/0.550
纽约港	DNN	32323	经纬度, DO, 温度等	RMSE	比传统模型低19-25%

4.2 富营养化与藻类暴发预测

富营养化是地表水面临的最严重环境问题之一，过量的氮磷输入导致藻类大量繁殖，引发水华（藻类暴发），严重破坏水生态平衡。机器学习为富营养化预警和藻类暴发预测提供了新的技术手段。

4.2.1 叶绿素a浓度预测

叶绿素a（Chl-a）是浮游植物生物量的指示参数，其浓度变化可以反映藻类的生长状况。Park等人利用气象数据和周度水质数据预测美国两个水库的Chl-a浓度，发现SVM和ANN的预测精度大致相当，但加入气象因子（太阳辐射、风速等）后预测精度显著提高。这表明气象条件是影响藻类生长的重要因素，将其纳入模型可以有效提升预测性能。Castrillo和Garcia利用RF预测高频营养盐浓度，与线性模型相比，RMSE降低了60.1%，展示了集成学习在营养盐预测中的优势。

4.2.2 藻类暴发预警

Ly等人基于ANFIS模型对韩国汉河进行了长达10年的富营养化分析和藻类暴发预测研究，发现藻类暴发是由营养物质、有机物和环境要素的综合交互作用引起的，而非单一因素驱动。ANFIS在定量预测和分类问题上均表现最佳，这得益于其将模糊逻辑的推理能力与神经网络的学习能力相结合的混合架构。

Ghatkar等人训练XGBoost模型，利用不同水体的光谱特征和藻类暴发数据来识别和区分引发藻类暴发的藻类种类。XGBoost的高精度和快速训练特性使其成为处理高维光谱数据的理想选择。此外，区域水文和社会经济因素也可以纳入机器学习模型，使结果为区域水环境综合管理提供更强的支撑。

4.3 遥感与机器学习融合的地表水监测

传统环境监测方法虽然被环保机构广泛应用，但在原位监测方面受到现实条件的限制。遥感技术能够满足实时、大尺度水质监测的需求，还可以揭示常规方法难以检测的污染物迁移和分布特征。

Sagan等人发现，基于实验的机器学习方法能够基于实时监测传感器数据和卫星数据的组合进行精细优化，偏最小二乘（PLS）回归、SVR和DNN模型的精度均高于传统模型。然而，一些水质变量（如病原体浓度）无法通过遥感直接测量，因为它们不是光学活性的或缺乏高空间分辨率的高光谱数据，但可以利用其他可测量数据间接估算。

Wu等人开发了基于CNN的注意力神经网络，从水面图像中识别清洁水和污染水。CNN的优势在于可以直接将反射率图像作为输入，无需特征工程和参数调优。Pu等人利用Landsat 8影像和CNN实现了内陆湖泊水质分类，准确率达到97.12%，显著高于SVM（96.89%）和RF（86.21%）。Du等人分析了地球同步海洋水色成像仪采集的数据和浙江沿海1240个水质采样点的数据，使用基于地理神经网络加权回归模型的水质评价方法，实现了大尺度海岸带水质的快速评估。

值得注意的是，由于设备或人为原因，部分获取的数据不可避免地会出现缺失、错误或损坏，导致稀疏矩阵和模型应用性能下降。数据清洗因此成为机器学习应用中的另一个关键步骤。Ma等人提出了一种结合DNN和深度矩阵分解（DeepMF）的方法来预测BOD，利用纽约港水域作为案例研究验证了该方法的有效性和可靠性。数据清洗提高了数据质量，从而提升了机器学习模型应用的准确性。

5 地下水与饮用水安全中的机器学习应用

5.1 地下水质量评估与污染源识别

地下水是重要的饮用水源，确保地下水安全对人类健康至关重要。然而，地下水复杂的地质水文条件给质量变化趋势预测带来了额外的困难。机器学习在地下水分析中具有广阔的应用前景，包括地下水质量评估与预测以及污染源分析。

5.1.1 地下水WQI预测

Agrawal等人利用粒子群优化（PSO）与SVM的组合来估算和预测地下水的WQI，验证了集成这些方法用于地下水预测的可行性。PSO-SVM模型中，PSO负责优化SVM的超参数（如惩罚因子 $C$ 和核参数 $\gamma$），其适应度函数为交叉验证的预测误差。PSO的更新规则为：

$$v_i^{(t+1)}=\omega v_i^{(t)}+c_1{r}_1(p_{\text{best},i}-x_i^{(t)})+c_2{r}_2(g_{\text{best}}-x_i^{(t)})$$

$$x_i^{(t+1)}=x_i^{(t)}+v_i^{(t+1)}$$

其中 $\omega$ 为惯性权重，$c_1$ 和 $c_2$ 为加速常数，$r_1$ 和 $r_2$ 为[0,1]区间内的随机数，$p_{\text{best},i}$ 为个体最优位置，$g_{\text{best}}$ 为全局最优位置。

当前研究的创新趋势是使用集成模型来预测地下水质量指数，集成模型可以将多个弱学习器组合成一个强学习器，提升预测性能。Boosting是一种优秀的集成方法，但在组合不同优秀模型以生成方差更小的模型时，应注意降低过拟合风险。

5.1.2 特定污染物预测

地下水中单一污染物的作用，特别是硝酸盐和砷，可以通过机器学习进行预测。Arabgol等人采用SVM预测地下水中硝酸盐的浓度和分布。Sajedi Hosseini等人利用提升回归树、多元判别分析和SVM计算了地下水硝酸盐污染风险，得出伊朗伦纳特平原的硝酸盐污染风险较高的结论。Ransom等人利用机器学习预测了美国全国的地下水硝酸盐水平，发现国家级地下水质量也可以通过机器学习模型进行预测。Cho等人使用ANN预测了柬埔寨、老挝和泰国的地下水砷污染潜力。

5.1.3 地下水位预测

除了水质参数，地下水位也可以通过机器学习预测。Mohapatra等人使用三种机器学习方法（ANFIS、DNN和SVM）预测地下水位，发现DNN最适合季节性预测，具有更高的准确性和效率。Yadav等人采用集成建模预测印度城市的地下水位，达到了85%的准确率。

5.1.4 污染源分析

污染源分析有利于确保地下水的安全。PCA和聚类方法在当前研究中被广泛使用。Celestino等人利用PCA进行降维，降维后的数据通过K-means聚类，分析了水文地球化学的自然变化和人为来源。Chen等人应用多元统计分析和PCA来识别影响地下水质量变化的关键因素。数据挖掘决策树通常用于探索地下水质量和资源，该算法可以学习输入变量与对应输出变量之间的关系，并通过特定规则表示每种关系。RF在性能和泛化规则以识别高质量地下水区域方面具有优势。由于连续数据集比离散数据集更适合地下水规律归纳，基于连续数据集的RF获得的最高性能（97.10%准确率）为地下水资源规划和管理提供了良好的决策支持。

5.2 饮用水处理过程优化

机器学习已广泛应用于饮用水处理和管理系统，包括饮用水源管理、处理工艺、水分配和决策制定。

5.2.1 源水质量预警

饮用水通常来源于地表水或地下水，基于机器学习的源水质量评价和预测可以辅助污染的早期预警和控制。Bouamar等人评估了基于多传感器的ANN和SVM算法用于动态水质监测的可能性，两种模型在输出两类水的识别率方面均表现出可接受的识别率。与ANN相比，SVM更稳定。Wu等人提出了利用挪威四个城市饮用水质量数据集的自适应频率分析方法，为饮用水质量风险预警、管理和决策提供了基础。Liu等人使用LSTM和DNN预测时间序列数据，建立了能够以相对较好的精度预测未来六个月水质的水质预测模型。Arnon等人使用SVM实现了一种新方案，可以在未知条件下利用紫外吸收预测污染事件，四个数据集的检测率均较高，错误率较低。

5.2.2 混凝剂与消毒剂投加优化

饮用水厂中混凝剂和消毒剂的投加量也可以通过机器学习预测。由于结构简单和鲁棒性强，SVM算法在絮凝和消毒方案中广受欢迎。Wang等人根据SVM模型预测的余氯量，提出了化学投加量的预测控制方案模型，比传统的比例-积分-微分（PID）反馈控制更有效。PID控制器的控制律为：

$$u(t)=K_{p}e(t)+K_i{\int }_0^{t}e(\tau )d\tau +K_d\frac{de(t)}{dt}$$

其中 $K_p$、$K_i$、$K_d$ 分别为比例、积分和微分增益，$e(t)$ 为误差信号。而基于SVM的预测控制通过预测未来时刻的余氯浓度来提前调整投加量，实现了前馈-反馈的复合控制策略，有效减少了余氯浓度的波动。

5.2.3 供水系统管理

饮用水供应的重要性使科学家关注城市供水系统设施的正常运行、故障监测和灾害预测。由于供水系统的复杂性，从饮用水处理厂输出的达标水可能在运输过程中被二次污染，这可以通过生物稳定性指标来评估，然后进行消毒。聚类分析可以识别水网络之间水质的差异。Tian等人利用聚类分析识别了混合水源对大都市饮用水供应系统中铝残留的贡献，包括铝的迁移和饮用水中的季节性变化。Brester等人通过RF算法准确确定了水质。Almheiri等人提出了一种基于神经网络的高级元学习模型，发现余氯是影响管道使用寿命的关键因素之一。

5.3 供水管网安全与故障预测

供水管网的安全运行是保障饮用水"最后一公里"安全的关键环节。管道爆裂导致大规模水损失以及运输过程中的微生物和化学污染。深度学习模型可以预测潜在的爆裂位置，但存在相当大的不确定性。Rayaroth等人提出了一种基于随机决策树Bagging分类器和混合蛙跳优化技术的方法，可以在水分配网络中最优位置以最少数量的传感器识别水泄漏。Oliker和Ostfeld提出了一种耦合分类-进化优化模型，用于水分配系统中的污染事件检测。

Park等人结合PCA、层次分析法（AHP）、RF和XGBoost模型，定量分析了灾害对供水系统的影响。然而，由于实时数据收集的困难，该方法的实用性受到限制。在短期水需求预测方面，Guo等人开发了门控循环单元（GRU）网络，设置15分钟时间步长，成功预测了未来15分钟和24小时的水需求。Ghiassi等人采用动态人工神经网络（DAN2）、聚焦时间延迟神经网络和KNN预测德黑兰的日、周和月水需求，三种模型中DAN2表现最佳，日、周和月模型的预测准确率分别为96%、99%和98%。

6 污水处理与海水环境中的智能监控

6.1 污水处理厂的智能运营管理

在污水处理领域，机器学习被广泛用于水质监测与预测、技术优化以及污水处理厂（WWTP）的运营管理。生活污水和工业废水含有各种污染物，需要在处理前对水质进行评价。

6.1.1 污水水质在线监测

Rosen等人将多分辨率分析与PCA相结合，提供了一种比PCA更敏感的污水指标多尺度监测工具。大数据的采集、处理和分析在很大程度上依赖实时在线监测。基于黑箱模型的软传感器被提出用于在线实时监测大肠杆菌，研究表明大雨后大肠杆菌浓度显著增加，可能是由于城市径流重新悬浮了管道沉积物。将软传感器与ANN结合可以克服WWTP运营和维护成本高、复杂性大的挑战，实现氯和氨的实时在线监测。

Qin等人使用Boosting-迭代预测加权偏最小二乘（Boosting-IPW-PLS）方法和多个传感器建立了配备UV光谱仪和浊度计的水质监测系统，用于监测COD和总悬浮固体。Boosting-IPW-PLS方法通过为与水质无关的变量分配小权重来抑制这些变量，并基于加权变量建立了污水质量预测模型。测试结果表明，该系统在水质监测方面表现良好，预测值与实际值之间具有较高的相关系数。

6.1.2 污水处理工艺优化

Fang等人利用SVM和自适应遗传算法模拟厌氧-缺氧-好氧条件，通过减少缺氧池的体积来节省土地空间。此外，机器学习还被用于优化三级污水处理，如反渗透（RO）、纳滤（NF）、臭氧氧化和吸附。Cha等人应用RF预测臭氧氧化过程中微污染物（MP）的去除，实现了更高的去除效率。基于高分辨率荧光激发-发射矩阵的机器学习可以通过更好地计算有机性质与氧化剂暴露之间的复杂非线性关系来提供更准确的结果。

Teychene等人利用DT揭示了MP通过RO和NF去除的具体序列，发现粒径排阻、电斥力和吸附是NF和RO使用的主要分离机制。XGBoost可用于预测RO和NF中MP的去除效率。Sigmund等人开发了两个基于神经网络的模型，使从业者能够为给定污染物选择合适的吸附剂。

6.1.3 WWTP出水水质预测与运营管理

ANN可以有效用于解决复杂的非线性环境问题，特别是在污染物去除方面。Bayat Varkeshi等人成功构建了能够预测污水出流中COD和BOD浓度的ANN模型。Abdi等人在确定了四环素在各种实际条件下的光降解速率后，建立了CatBoost模型，可以使用金属有机框架准确预测四环素的去除。Baek等人构建了三个不同的模型（RF、SVM和ANN）来预测五种不同MP的去除，所有模型均经过验证，RF的结果最为准确。

贝叶斯方法（包括朴素贝叶斯和半朴素贝叶斯网络）已被应用于预测病原体去除效率，并表征病原体减少、运行条件和监测参数之间的关联。Roguet等人使用RF预测污水中梭菌目和拟杆菌目的丰度。RF已被应用于填补预测粪便污染源综合评价和计算方法发展的空白，帮助抑制水源性疾病的传播。

WWTP的出水质量受多种因素影响，当需要控制成本时，运营管理和维护可能面临挑战。因此，机器学习可以进一步发挥作用，为WWTP管理者提供降低成本和改善运营的机会。Gomez-Munoz等人利用贝叶斯基本定理估算WWTP各项成本的比例，有助于建设、监管和运营程序的管理。排入污水管网的有毒污染物可能影响WWTP的正常运行，为防止此类情况，XGBoost和RF被用于识别污染物并定位其在污水管网中的源点。

下表总结了机器学习在污水处理中的主要应用场景：

应用场景	常用算法	核心功能	典型性能指标
出水COD/BOD预测	ANN, SVR	预测出水污染物浓度	R² > 0.85
大肠杆菌在线监测	软传感器+ANN	实时监测微生物指标	相关性高
微污染物去除预测	RF, XGBoost, DT	预测MP去除效率	RF准确率最高
臭氧氧化优化	RF	预测氧化剂暴露和MP削减	非线性关系建模优
膜分离机制分析	DT, XGBoost	揭示RO/NF分离机制	可解释性强
病原体去除预测	朴素贝叶斯	预测病原体log去除值	关联性建模
污染源识别定位	XGBoost, RF	识别管网污染物来源	定位精度高
工艺参数优化	SVM+GA	优化A2O工艺参数	节省空间/能耗

6.2 微污染物去除的机器学习建模

微污染物（Micropollutants, MP）包括药物残留、个人护理产品、内分泌干扰物和农药等新兴污染物，其在水环境中的浓度虽低（通常为ng/L至μg/L级别），但对生态系统和人类健康的潜在危害不容忽视。机器学习为MP去除过程的建模和优化提供了有力工具。

6.2.1 臭氧氧化过程建模

臭氧氧化是去除MP的有效技术，其核心机制是臭氧分子（O3）和羟基自由基（·OH）与MP的氧化反应。臭氧的直接氧化具有选择性，而·OH的间接氧化则无选择性且反应速率常数更高。Cha等人应用RF预测臭氧氧化过程中MP的去除，模型输入包括水质参数（pH、温度、DOC、碱度等）和臭氧操作参数（臭氧投加量、接触时间等），输出为MP的去除效率。RF模型的优势在于能够捕捉水质参数与氧化剂暴露之间的复杂非线性关系，而传统的动力学模型往往需要预先假设反应路径和速率常数。

6.2.2 膜分离过程建模

反渗透（RO）和纳滤（NF）是深度处理MP的关键膜技术。Teychene等人利用DT揭示了MP通过RO和NF去除的决策序列，发现粒径排斥（size exclusion）、电斥力（electrical repulsion）和吸附（adsorption）是NF和RO的主要分离机制。DT模型的可解释性使其成为理解膜分离机制的理想工具——每个决策节点对应一个分离机制的判断条件。Jeong等人进一步使用XGBoost预测RO和NF中MP的去除效率，XGBoost的二阶泰勒展开和正则化策略使其在处理高维特征时具有更好的泛化能力。

6.2.3 吸附过程建模

吸附是去除MP的另一种重要技术，活性炭是最常用的吸附剂。Sigmund等人开发了两个基于神经网络的模型，使从业者能够为给定污染物选择合适的吸附剂。模型的输入包括吸附剂的物理化学性质（比表面积、孔径分布、表面官能团等）和污染物的分子描述符（疏水性、极性、分子大小等），输出为吸附容量和去除率。这种数据驱动的吸附剂选择方法比传统的试错法更高效，可以显著缩短工艺开发周期。

6.3 海洋环境监测与海水淡化

海水污染正成为影响地球生态系统的严重问题。借助机器学习监测海水污染物为这些问题提供了新的解决方案。

6.3.1 近岸海水水质预测

Bhagat等人使用XGBoost建立了铅预测算法，利用澳大利亚Bramble和Deception Bay站的历史监测数据训练模型，发现该模型在选择输入参数和预测水质方面表现良好。Goncalves等人提出了基于RF和自动无人机系统的废弃物映射程序，可以自动监测沿海塑料废弃物。Wang等人提出了具有两层学习结构的集成机器学习方法来预测海滩水中沿海微生物污染的浓度。为提高海滩水中抗生素抗性基因（ARG）预测的准确性，Jang等人采用LSTM-CNN模型成功预测了单一ARG。Mancia等人使用机器学习分类算法识别了暴露于海洋污染物的海豚中差异表达的基因。

6.3.2 藻类暴发监测

许多研究人员致力于开发藻类暴发的监测技术，藻类暴发可能导致严重污染。Ghatkar等人训练XGBoost模型，利用不同水体的光谱特征和藻类暴发数据来识别和区分引发藻类暴发的藻类种类。Du等人利用基于马氏距离的层次聚类分析方法评价了北黄海和渤海的水质。

6.3.3 海水淡化优化

到2050年，全球75%的人口将面临淡水危机。海水淡化是极端缺水地区的重要淡水来源，但海水淡化的一些困难仍然存在，低效率和低可靠性是主要障碍。Alshehri等人使用CNN模型和迁移学习对水中不同浓度的盐颗粒进行分类，以提高水处理厂的海水处理性能。迁移学习的核心思想是将源域（$D_S$）上学到的知识迁移到目标域（$D_T$），其理论基础是：

$$\underset{f}{\min }{\mathcal{L}}_T(f)+\lambda \mathcal{R}(f,D_S,D_T)$$

其中 ${\mathcal{L}}_T$ 为目标域的损失，$\mathcal{R}$ 为域差异正则化项，$\lambda$ 为平衡系数。Chawla等人利用回归和机器学习算法（线性回归、RF、SVM和LSTM）预测了索尔顿海的盐度和发展趋势，有助于海水盐度的长期管理和海水淡化。

6.3.4 集成模型在海水水质预测中的应用

单一水质预测模型已在前期文献中得到深入研究，而集成模型近年来开始受到关注。不同模型在面对不同输入特征时具有不同的机制，导致不同的预测性能。Sheng等人提出的集成模型优先选择分类器，当新数据输入时，首先选择最适合该数据的预测模型再进行预测。这是一种基于输入特征的模型选择算法。Zhou等人提出了一种基于改进灰色回归分析算法和LSTM的水质预测方法，利用水质信息中提供的多元相关性和时间序列特征。集成策略的核心在于发挥各基模型的互补优势，通过智能选择或加权组合来提升整体预测精度。

7 机器学习水质模型的性能评估与比较

7.1 模型评价指标体系

对机器学习水质模型的性能进行科学评估是模型选择和优化的基础。水质预测模型的评价指标体系包括回归指标和分类指标两大类。

7.1.1 回归评价指标

决定系数（R²） 衡量模型解释因变量变异的能力：

$$R^2=1-\frac{{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}{{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}$$

其中 $y_i$ 为实测值，${\hat{y}}_i$ 为预测值，$\bar{y}$ 为实测值的均值。$R^2$ 的取值范围为 $(-\infty ,1]$，越接近1表示模型拟合越好。

均方根误差（RMSE） 衡量预测值与实测值之间的偏差：

$$\text{RMSE}=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_i-{\hat{y}}_i{)}^2}$$

平均绝对误差（MAE） 对异常值不如RMSE敏感：

$$\text{MAE}=\frac{1}{n}\sum _{i=1}^n|y_i-{\hat{y}}_i|$$

Nash-Sutcliffe效率系数（NSE） 是水文模型评价的标准指标：

$$\text{NSE}=1-\frac{{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}{{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}$$

NSE = 1表示完美预测，NSE = 0表示模型预测等同于使用均值，NSE < 0表示模型不如均值预测。在水质预测中，NSE ≥ 0.4通常被认为是可接受的性能。

Willmott一致性指数（d） 对系统性误差和随机性误差进行区分：

$$d=1-\frac{{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}{{\sum }_{i=1}^n(|{\hat{y}}_i-\bar{y}|+|y_i-\bar{y}|{)}^2}$$

7.1.2 分类评价指标

准确率（Accuracy） 为正确分类的样本比例：

$$\text{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}$$

精确率（Precision） 和 召回率（Recall） 分别衡量正类预测的准确性和完整性：

$$\text{Precision}=\frac{TP}{TP+FP},\text{Recall}=\frac{TP}{TP+FN}$$

F1分数 为精确率和召回率的调和平均：

$$F1=2\cdot \frac{\text{Precision}\cdot \text{Recall}}{\text{Precision}+\text{Recall}}$$

受试者工作特征曲线下面积（AUC-ROC） 衡量分类器在不同阈值下的整体性能，AUC = 1表示完美分类器，AUC = 0.5表示随机分类器。

7.2 不同算法的适用性分析

基于大量文献的综合分析，不同机器学习算法在水质评价中的适用性存在显著差异，这与算法本身的特性以及水质数据的特点密切相关。

下表对主要算法在水质评价中的性能特征进行了系统比较：

算法	优势	劣势	适用场景	典型性能
SVM	泛化能力强，对噪声鲁棒，小样本表现好	大规模数据训练慢，核函数选择敏感	水质分类、污染物浓度预测	准确率96-98%
ANN	逼近任意非线性函数，灵活度高	参数优化不稳定，对噪声敏感，易过拟合	复杂非线性预测	R²=0.80-0.90
RF	抗过拟合，特征重要性评估，训练快	对线性关系建模弱，极端值预测偏差	水质分类、特征选择	准确率95-97%
XGBoost	高精度快速训练，内置正则化	对样本量敏感，超参数调优复杂	WQI预测、特征选择	R²>0.96
LSTM	长程时序依赖建模，门控机制	需要大量数据，计算开销大	时序水质预测	NSE≥0.4(74%站点)
CNN	自动特征提取，图像数据处理	需要大量标注数据，模型复杂	遥感水质分类	准确率97%+
PCA	降维去相关，计算高效	仅捕获线性关系，主成分解释性弱	参数筛选、污染源识别	降维保留>80%方差
ANFIS	模糊推理+学习，处理不确定性	规则数指数增长，高维输入困难	富营养化预测	定量+分类均优

从算法选择的角度，可以总结出以下规律性认识：

第一，SVM与ANN的比较是水质评价研究中最经典的话题之一。大量研究表明，在多数水质预测任务中，SVM的预测精度和泛化能力优于ANN。这主要归因于SVM使用了结构风险最小化原则，通过最大化分类间隔来控制泛化误差的上界，而ANN仅最小化经验风险，容易陷入过拟合。此外，SVM的解是全局最优的（凸优化问题），而ANN的解依赖于初始值和优化算法，可能陷入局部最优。

第二，集成学习方法（RF、XGBoost等）在近年来逐渐成为水质评价的首选算法。集成方法通过组合多个基学习器来降低方差（Bagging）或偏差（Boosting），在保持较低计算成本的同时实现了更高的预测精度。特别是XGBoost，其内置的正则化策略和二阶梯度优化使其在WQI预测中达到了 $R^2=0.9685$ 的高性能。

第三，深度学习方法（LSTM、CNN、DNN等）在处理大规模、高维和时序水质数据方面具有独特优势，但其性能高度依赖于数据量和质量。在数据充足的情况下，深度学习通常能够超越传统机器学习方法；但在数据稀缺的场景下，传统方法（如SVM）可能更为稳健。

7.3 集成模型与混合策略

单一模型往往难以在所有场景下都取得最优性能，因此集成模型和混合策略成为提升水质预测精度的重要途径。

7.3.1 模型集成的理论基础

集成方法的有效性可以从偏差-方差分解的角度理解。给定训练集 $D$，模型 $f$ 的期望泛化误差可以分解为：

$${\mathbb{E}}_D[(y-f(x;D){)}^2]={\text{Bias}}^2+\text{Variance}+\text{Noise}$$

其中 ${\text{Bias}}^2=({\mathbb{E}}_D[f(x;D)]-y{)}^2$ 为偏差的平方，$\text{Variance}={\mathbb{E}}_D[(f(x;D)-{\mathbb{E}}_D[f(x;D)]{)}^2]$ 为方差，$\text{Noise}$ 为不可约误差。Bagging方法（如RF）主要通过降低方差来提升性能，而Boosting方法（如XGBoost）主要通过降低偏差来提升性能。

对于 $M$ 个基学习器的简单平均集成，假设各基学习器的误差相互独立且方差均为 ${\sigma }^2$，则集成的方差为：

$${\text{Var}}_{\text{ensemble}}=\frac{{\sigma }^2}{M}$$

这从理论上解释了为什么集成方法通常优于单一模型。然而，在实际应用中，基学习器的误差往往具有相关性，因此集成的方差降低幅度取决于基学习器之间的多样性。

7.3.2 水质评价中的混合策略

在水质评价实践中，研究者提出了多种混合策略来提升模型性能：

算法+优化器混合：如PSO-SVM、GA-ANN等，利用元启发式优化算法搜索机器学习模型的最优超参数。Agrawal等人将PSO与SVM结合用于地下水WQI预测，PSO有效搜索了SVM的最优惩罚因子和核参数。

机器学习+统计方法混合：如PCA-SVM、Wavelet-ANN等，先利用统计方法进行数据预处理或特征提取，再输入机器学习模型。Wang等人将小波变换与神经网络结合，小波分解提取了水质数据的时频特征，神经网络在此基础上进行预测，显著提升了精度。

深度学习+传统方法混合：如CNN-LSTM、Attention-BiLSTM等，利用CNN提取空间特征，LSTM建模时序依赖，注意力机制增强关键时间步的权重。Jang等人采用LSTM-CNN模型预测海滩水中的ARG，成功实现了单一ARG的准确预测。

多模型选择集成：Sheng等人提出的集成方法集成了BPNN、SVR和LSTM三种模型，当新数据输入时，优先选择最适合该数据的分类器进行预测。这是一种基于输入特征的动态模型选择策略，比固定使用单一模型更具适应性。

8 挑战、前沿与未来展望

8.1 数据质量与可解释性挑战

尽管机器学习在水质评价中取得了显著进展，但将其全面应用于水环境领域仍面临若干关键挑战。

8.1.1 数据依赖性与质量问题

机器学习通常依赖于大量高质量数据，而在水处理和管理系统中，由于成本或技术限制，获取具有高精度的充足数据往往困难。水质监测数据的典型问题包括：数据缺失（传感器故障或维护期间的数据空白）、数据噪声（传感器漂移或环境干扰）、数据不平衡（不同水质等级的样本数量差异悬殊）以及数据异质性（不同来源、不同时间分辨率的数据难以直接整合）。

数据缺失的处理方法包括：直接删除缺失数据集、使用均值或中位数填充、以及结合机器学习和矩阵补全方法补充原始数据。Ma等人提出的DNN+DeepMF方法就是利用深度矩阵分解来补全稀疏数据矩阵，然后使用DNN进行BOD预测。对于数据不平衡问题，可以采用过采样（如SMOTE）、欠采样或代价敏感学习等策略。对于数据噪声，鲁棒学习方法（如SVM的 $\epsilon$-不敏感损失函数）和异常值检测算法（如孤立森林）可以有效降低噪声的影响。

8.1.2 模型可解释性

机器学习模型常被批评为"黑箱"，即模型能够给出预测结果，但难以解释预测的依据和逻辑。在水质评价这一涉及公共健康和环境安全的领域，模型的可解释性至关重要——管理者需要理解模型为何做出特定预测，才能信任并采纳模型的建议。

可解释人工智能（XAI）技术为解决这一问题提供了途径。SHAP（SHapley Additive exPlanations）分析基于合作博弈论中的Shapley值，为每个特征对预测结果的贡献进行量化：

ϕ i = ∑ S ⊆ N ∖ { i } ∣ S ∣ ! ( ∣ N ∣ − ∣ S ∣ − 1 ) ! ∣ N ∣ ! [ v ( S ∪ { i } ) − v ( S ) ] \phi_i = \sum_{S \subseteq N \setminus \{i\}} \frac{|S|!(|N|-|S|-1)!}{|N|!} [v(S \cup \{i\}) - v(S)] ϕi​=S⊆N∖{i}∑​∣N∣!∣S∣!(∣N∣−∣S∣−1)!​[v(S∪{i})−v(S)]

其中 $N$ 为所有特征的集合，$S$ 为不包含特征 $i$ 的子集，$v(S)$ 为使用特征子集 $S$ 时模型的预测值。SHAP分析已被应用于XGBoost的WQI预测模型中，揭示了各水质参数对WQI的贡献度，增强了模型的可解释性和可信度。

此外，DT和RF等模型本身具有较强的可解释性——DT的每个决策节点对应一个明确的判断规则，RF可以通过特征重要性排序来揭示各输入变量的相对贡献。在需要高可解释性的场景中，这些模型可能是比深度神经网络更合适的选择。

8.1.3 算法通用性

由于实际水处理和管理系统的条件可能极其复杂，当前的算法可能仅适用于特定系统，这阻碍了机器学习方法的广泛应用。一个在特定河流或湖泊上训练的模型，可能无法直接迁移到另一个具有不同水文地质条件的水体。这种领域适应问题（Domain Adaptation）是机器学习在水质评价中面临的重要挑战之一。

8.2 联邦学习与迁移学习的新范式

为应对上述挑战，联邦学习和迁移学习等新兴范式为水质评价领域带来了新的机遇。

8.2.1 联邦学习：隐私保护下的协同建模

联邦学习（Federated Learning, FL）是一种分布式机器学习范式，允许多个参与方在不共享原始数据的前提下协同训练模型。其核心思想是"数据不动模型动"——各参与方在本地数据上训练模型，仅将模型参数（梯度）上传到中心服务器进行聚合。联邦平均算法（FedAvg）的更新规则为：

$$w_{t+1}=\sum _{k=1}^K\frac{n_k}{n}{w}_t^k$$

其中 $K$ 为参与方数量，$n_k$ 为第 $k$ 个参与方的数据量，$n={\sum }_k{n}_k$，$w_t^k$ 为第 $k$ 个参与方在第 $t$ 轮的本地模型参数。

在水质监测领域，联邦学习具有独特的应用价值。不同地区的水质监测数据可能涉及隐私或安全考虑，无法集中存储和处理。联邦学习使得各地区可以在保护数据隐私的同时，利用全局信息提升本地模型的预测性能。研究表明，基于LSTM的联邦学习框架在去中心化水质监测中达到了92.3%的分类准确率。此外，联邦学习还可以解决数据孤岛问题——当单个地区的数据量不足以训练高质量模型时，通过联邦学习可以利用其他地区的经验来增强模型。

8.2.2 迁移学习：跨域知识迁移

迁移学习旨在将源域上学到的知识迁移到目标域，特别适用于目标域数据稀缺但源域数据丰富的场景。在水质评价中，迁移学习的应用场景包括：将数据丰富河流上训练的模型迁移到数据稀缺河流、将实验室条件下的模型适配到现场条件、以及将一个国家的水质评价经验迁移到另一个国家。

Alshehri等人在海水淡化研究中使用了基于CNN的迁移学习方法，将源域上预训练的CNN模型通过微调（fine-tuning）适配到目标域的盐颗粒分类任务。微调策略通常冻结网络的前几层（提取通用特征），仅训练后几层（适配特定任务），可以用少量目标域数据实现良好的性能。迁移学习的有效性取决于源域和目标域之间的相似性——当两个域的差异过大时，可能出现负迁移（negative transfer），即迁移后性能反而下降。

8.2.3 自动化机器学习（AutoML）

自动化机器学习旨在自动完成特征工程、算法选择和超参数调优等步骤，降低机器学习应用的专业门槛。在水质评价领域，AutoML可以使非机器学习专业的水环境研究人员也能构建高质量的预测模型。研究表明，AutoML框架在水质分类中达到了与人工调优模型相当甚至更优的性能，同时大幅减少了模型开发时间。AutoML的核心技术包括贝叶斯优化（用于超参数搜索）、神经架构搜索（NAS，用于自动设计网络结构）和元学习（从历史任务中学习如何快速适配新任务）。

8.3 从研究到工程实践的跨越

将机器学习从学术研究推向工程实践，需要解决一系列技术和社会层面的挑战。

8.3.1 传感器与软传感器技术

更先进的传感器，包括软传感器，应该被开发并应用于水质监测，以收集足够准确的数据来促进机器学习方法的应用。软传感器是指利用易测变量（如温度、pH、电导率等）通过数学模型推算难测变量（如BOD、大肠杆菌浓度等）的技术。与传统物理传感器相比，软传感器具有成本低、响应快、维护简单等优势，但也面临模型漂移（model drift）的问题——随着时间推移，过程条件的变化可能导致软传感器模型的预测精度下降，需要定期更新和校准。

8.3.2 算法的可靠性与通用性

算法的可行性和可靠性应该得到提高，应根据水处理和管理要求开发更通用的算法和模型。这需要从以下几个方面努力：一是建立标准化的水质数据集和基准测试平台，使不同算法的性能可以在统一标准下进行比较；二是开发领域自适应算法，使模型能够自动适配不同的水体特征；三是构建物理信息融合的机器学习模型（Physics-Informed Machine Learning），将水质领域的物理化学知识嵌入模型约束中，提升模型的物理一致性和外推能力。

物理信息神经网络（PINN）是这一方向的代表性方法，其损失函数包含数据驱动项和物理约束项：

$$\mathcal{L}={\mathcal{L}}_{\text{data}}+{\lambda }_{\text{PDE}}{\mathcal{L}}_{\text{PDE}}+{\lambda }_{\text{BC}}{\mathcal{L}}_{\text{BC}}$$

其中 ${\mathcal{L}}_{\text{data}}$ 为数据拟合损失，${\mathcal{L}}_{\text{PDE}}$ 为偏微分方程残差损失（如对流-扩散方程），${\mathcal{L}}_{\text{BC}}$ 为边界条件损失，$\lambda$ 为权重系数。PINN将数据驱动方法与物理机制相结合，在数据稀缺时仍能保持合理的预测性能。

8.3.3 跨学科人才培养

具有不同领域知识的跨学科人才应该被培养，以开发更先进的机器学习技术并将其应用于工程实践。水质评价的机器学习应用需要同时具备水环境科学、数据科学和计算机工程知识的专业人才。当前，水环境领域的研究人员往往缺乏深入的机器学习理论功底，而计算机领域的研究人员又对水质过程的理解不够充分，这种知识鸿沟限制了机器学习在水质评价中的有效应用。

为弥合这一鸿沟，需要从教育体系、科研合作和技术平台三个层面协同推进：在教育层面，推动环境科学与数据科学的交叉课程建设；在科研层面，鼓励跨学科团队的深度合作而非简单的"数据外包"；在技术层面，开发面向水环境领域的低代码/无代码机器学习平台，降低技术使用门槛。

展望未来，机器学习在水质评价中的应用将呈现以下趋势：一是从单一模型向混合智能系统演进，融合物理模型、数据驱动模型和专家知识的优势；二是从离线分析向实时在线决策演进，边缘计算和物联网技术将使水质预测和预警更加及时；三是从局部优化向系统优化演进，将水质评价纳入水资源-能源-食物纽带的全局优化框架；四是从数据消费者向数据生产者演进，机器学习不仅分析数据，还将指导传感器的优化部署和数据采集策略。这些趋势共同指向一个愿景：构建智慧水环境的数字孪生系统，实现对水质的精准感知、智能预测和优化调控。

参考文献

[1] Zhu M, Wang J, Yang X, et al. A review of the application of machine learning in water quality evaluation[J]. Eco-Environment & Health, 2022, 1(2): 107-116. https://doi.org/10.1016/j.eehl.2022.06.001

[2] Tung T M, Yaseen Z M. A survey on river water quality modelling using artificial intelligence models: 2000-2020[J]. Journal of Hydrology, 2020, 585: 124670. https://doi.org/10.1016/j.jhydrol.2020.124670

[3] Sagan V, Peterson K T, Maimaitijiang M, et al. Monitoring inland water quality using remote sensing: potential and limitations of spectral indices, bio-optical simulations, machine learning, and cloud computing[J]. Earth-Science Reviews, 2020, 205: 103187. https://doi.org/10.1016/j.earscirev.2020.103187

[4] Shen C P. A transdisciplinary review of deep learning research and its relevance for water-resources scientists[J]. Water Resources Research, 2018, 54(11): 8558-8593. https://doi.org/10.1029/2018WR022643

[5] Taoufik N, Boumya W, Achak M, et al. The state of the art on the prediction of efficiency and modeling of the processes of pollutants removal based on machine learning[J]. Science of the Total Environment, 2022, 807: 150554. https://doi.org/10.1016/j.scitotenv.2021.150554

[6] Agrawal P, Sinha A, Kumar S, et al. Exploring artificial intelligence techniques for groundwater quality assessment[J]. Water, 2021, 13(9): 1172. https://doi.org/10.3390/w13091172

[7] Ransom K M, Nolan B T, Stackelberg P E, et al. Machine learning predictions of nitrate in groundwater used for drinking supply in the conterminous United States[J]. Science of the Total Environment, 2022: 151065. https://doi.org/10.1016/j.scitotenv.2021.151065