中国环科院吴丰昌院士、华南师大黄明智合作ES&T：卫星遥感结合机器学习对河海连续体新污染物指纹非靶向...

正文

请到「今天看啥」查看全文

MassBank 和 Norman ）确认 794 种新污染物（ ECs ）。这些 ECs 主要包括药物、杀虫剂、工业材料、个人护理品及食品添加剂等，污染物种类和丰度在三大支流汇合处的珠三角河网区达到最高值（ 3661 种），随后沿下游至海洋逐步递减。在置信度最高的 92 种 EC 中，农药类占比最大，平均浓度达到 304 ng/L ，其中新烟碱类杀虫剂如噻虫嗪、噻虫胺和吡虫啉占比显著，反映出其在农业活动中的广泛使用与环境残留风险。药物类污染物中，尼古丁浓度高达 65 ng/L ，来源与烟草消费密切相关，而抗生素类如磺胺甲噁唑、磺胺喹啉等的检出提示可能的生态抗药性风险。此外，咖啡因浓度亦高（ 56 ng/L ），凸显生活消费品在水体污染中的重要贡献。总体来看，城市生活污水、农业面源排放及工业输入共同驱动了区域内 ECs 的高负荷积累，并通过水文过程向下游扩散，揭示出人为活动与水体污染之间密切的空间关联。

图 1. 非靶向筛选水平定量结果

本研究提出通过引入 DOM 作为中介变量，弥合卫星遥感光谱与水体中 ECs 丰度之间的预测差距，从而提升 ECs 非靶向筛查的精度。由于 ECs 在天然水体中的浓度极低（ ng/L 级），直接利用卫星影像进行预测存在显著难度。相比之下， DOM 在河流至海洋的连续体中广泛分布，且其光谱特征中包含部分 ECs 的光学指纹信息。基于此，研究采用 Landsat-8 与 Sentinel-2 卫星影像，结合实测 DOM 光谱及 UPLC-HRMS 的非靶向筛查数据，构建了以 DOM 为桥梁的机器学习预测框架。采用 3 种机器学习方法（ SVM 、 XGBoost 、 GPR ）与 5 种深度学习算法（ Informer 、 TCN 、 Transformer 、 CNN 、 LSTM ）进行比较，结果显示以 DOM 为中介变量的预测模型显著优于直接预测模型，其中 Informer 算法表现最佳， R² 值达到 0.957 。与不使用 DOM 相比，深度学习预测精度提升 2.59 至 7.08 倍，机器学习方法提升 1.15 至 5.71 倍。该方法有效整合遥感数据、 DOM 信息与化学丰度特征，为实现高效、低成本的新污染物监测提供了新思路，并展示了 DOM 在污染物遥感预测中不可忽视的关键作用。

图 2. 模型预测结果与预测框架图

进一步运用可解释机器学习方法（因果推断与

请到「今天看啥」查看全文