Machine Learning for Surface Water Quality Management in Malaysia: Integrating Physicochemical Parameters, Nutrient Loads, Land Use, Hydrological Conditions, and Anthropogenic Pressure

马来西亚地表水水质日益受到快速城市化、工业扩张、农业活动、废水排放、气候变率以及水文情势变化的影响。这些相互作用压力在物理化学水质参数、流域特征与污染物动态之间形成了复杂的非线性关系，使传统监测方法难以实现全面且及时的评估。本研究开发了一个数据驱动的机器学习框架，用于马来西亚河流系统的地表水水质评估、预测、污染事件检测与管理。所提出的框架整合了物理化学、水文、空间、土地利用和人为变量，以刻画水质条件的时间与空间变异性。所研究的参数包括溶解氧、生化需氧量、化学需氧量、pH、温度、电导率、浊度、总悬浮固体、氨氮、硝酸盐、磷酸盐、总氮和总磷，以及降雨量、河流流量、水位、前期降雨、城市化、农业用地、工业用地、人口密度、废水压力和道路密度。该框架纳入了七种机器学习方法，包括决策树（DT）、随机森林（RF）、支持向量机（SVM）、支持向量回归（SVR）、人工神经网络（ANN）、长短期记忆（LSTM）网络以及混合集成模型。研究纳入马来西亚国家水质标准和水质指数（WQI），以建立水质分类与预测的监管和定量基础。该框架进一步整合了可解释人工智能技术，包括SHAP和LIME，以量化预测因子的贡献并识别主导模型输出的主要环境与人为因素。所提出的方法能够同时实现水质分类、连续预测、异常与污染事件检测、源压力识别以及面向管理的决策支持。研究特别强调时间变异性、非线性相互作用、水文影响、土地利用效应以及多环境数据源的整合。该研究提供了一个面向马来西亚的综合机器学习框架，可增强传统