摘要
新污染物具有结构多样性、环境持久性和生物毒性，对生态系统和人类健康构成潜在风险。生命周期评价（Life Cycle Assessment，LCA）是评估其环境影响的重要方法，但存在基础数据缺失、难以准确量化等问题。为此，提出基于主成分分析（Principal Component Analysis，PCA）优化输入特征的人工神经网络（Artificial Neural Network，ANN）模型，通过对大量分子描述符进行PCA降维，提取主要特征以减少数据冗余和维度负担，用于实现新污染物的环境影响预测。构建了4种不同特征保留比例的模型，即NOPCA（全部描述符）、PCA95（保留累计方差贡献率95%的主成分）、PCA85（保留累计方差贡献率85%的主成分）和PCA75（保留累计方差贡献率75%的主成分），评价并比较预测性能差异。结果表明：适度的特征提取可提升模型泛化能力，在全球变暖潜势（GWP）和人类毒性潜势（HTP）预测任务中，采用PCA85预处理描述符所构建的模型表现最佳，测试集R2分别为0.64和0.73；在化石能源消耗潜势（FDP）和陆地酸化潜势（TAP）预测任务中，模型则在PCA95时达到最佳，测试集R2分别为0.77和0.76。基于PCA特征提取的ANN模型可有效缓解LCA数据不全问题，为新污染物环境影响预测提供了高效、可靠的方法。
Abstract
Emerging contaminants have structural diversity, environmental persistence, and biological toxicity, which pose potential risks to ecosystems and human health. Life Cycle Assessment (LCA) is an important method for evaluating their environmental impacts, but it has problems such as a lack of basic data and difficulty in accurate quantification. To address these issues, this paper proposed an Artificial Neural Network (ANN) model based on Principal Component Analysis (PCA) to optimize input features. By performing PCA dimensionality reduction on a large number of molecular descriptors, main features were extracted to reduce data redundancy and dimensional burden for achieving the prediction of environmental impacts of emerging contaminants. Four models with different feature retention ratios were constructed, namely NOPCA (all descriptors), PCA95 (retaining principal components with 95% cumulative variance contribution rate), PCA85 (retaining principal components with 85% cumulative variance contribution rate), and PCA75 (retaining principal components with 75% cumulative variance contribution rate), and the differences in prediction performance were evaluated and compared. The results show that moderate feature extraction can improve the generalization ability of the model; in the prediction tasks of global warming potential (GWP) and human toxicity (HTP), the model constructed using PCA85-preprocessed descriptors performs the best, with test-set R2 of 0.64 and 0.73, respectively; in the prediction tasks of fossil energy depletion (FDP) and terrestrial acidification (TAP), the model achieves optimal performance under PCA95, with test-set R2 of 0.77 and 0.76, respectively. The ANN model based on PCA feature extraction can effectively mitigate the problem of incomplete LCA data and provides an efficient and reliable method for predicting the environmental impacts of emerging contaminants.
新污染物（emerging contaminants，ECs）是近年来环境科学与工程领域广泛关注的化学物质，主要包括药物、全氟化合物及其他难降解有机物等[1]。由于其结构复杂性和生物毒性，新污染物在环境介质中的广泛检出已对生态系统安全和人类健康构成潜在威胁[2]。科学评估其环境影响对新污染筛查、预防、评价和管控具有重要意义[3]。生命周期评价（Life Cycle Assessment，LCA）作为一种量化物质从原料获取、生产、使用到废弃全过程环境负荷的方法，已成为环境影响综合评价的重要手段[4-5]。然而，针对新污染物LCA研究面临数据匮乏的问题，尤其是在生命周期清单（LCI）阶段，缺乏基础实验数据与排放参数导致输入信息不足，从而影响评价结果的准确性与可比性[6]。
为解决LCA数据不全的问题，研究者提出了多种数据驱动方法，如线性回归、偏最小二乘回归（PLS）、随机森林（RF）及支持向量机（SVM）等[7-8]。其中，PLS在处理多重共线性问题方面具有优势，SVM在小样本和非线性问题中表现良好。然而，这类方法在面对高维分子描述符数据时仍存在一定局限性。PLS主要通过线性潜变量提取实现降维，对复杂非线性关系的建模能力有限。SVM对核函数选择与参数调优高度敏感，在高噪声、高维特征情境下模型稳定性与泛化能力易受影响[9-10]。人工神经网络（Artificial Neural Network，ANN）凭借其强大的非线性映射能力和自学习特征，在环境建模、污染物浓度预测和毒理效应评价等领域具有广泛应用。然而，高维输入特征易增加ANN模型过拟合风险，进而影响其在新污染物环境影响预测中的稳定性与泛化能力[11-13]。
主成分分析（Principal Component Analysis，PCA）可通过线性变换将原始高维数据空间转换为若干不相关的主成分，在保留主要信息的同时减少特征冗余和噪声干扰，是一种常用的特征降维方法[14]。PCA在多变量分析和化学计量学等领域被广泛用于特征提取和降维处理。在分子描述符建模中，PCA能够有效解决变量间的多重共线性问题，降低模型复杂度，提升计算效率，为后续机器学习模型的训练提供更具代表性的输入特征[15]。与PLS侧重于监督式潜变量提取不同，PCA以无监督方式最大程度保留数据整体方差结构，避免了响应变量噪声对降维过程的干扰。因此，结合PCA与ANN建模可有效简化模型数据结构，提升预测稳定性与计算效率，为解决新污染物分子描述符高维特征与有限样本规模之间的失衡问题提供新思路和新方法。
针对新污染物环境影响预测数据不全与高维性问题，提出构建基于分子描述符的ANN模型，用于实现LCA清单数据预测，提升模型预测的准确性与可靠性。首先，利用PCA对新污染物分子描述符进行特征提取，构建不同特征保留比例（95%、85%、75%）的特征集；然后，基于各特征集分别训练ANN模型，并与未经PCA处理的模型（NOPCA）进行对比；最后，通过模型性能评估与特征重要性分析，探讨PCA在提升ANN预测稳定性方面的作用机制与应用潜力。
1 方法
1.1 数据收集和预处理
以新污染物的生命周期评价（LCA）数据为研究对象，主要涉及全球变暖潜势（global warming potential，GWP）、人类毒性潜势（human toxicity potential，HTP）、化石能源消耗潜势（fossil depletion potential，FDP）和陆地酸化潜势（terrestrial acidification potential，TAP）4个典型环境影响指标。数据来源于LCA商用数据库Ecoinvent v3.8，收集了205组相对复杂的新污染物生命周期环境影响数据，其中，环境影响类型均为ReCiPe Midpoint（H）。化学分子的结构信息通过SMILES字符串表示，利用PaDEL-Descriptor软件计算获得1 444个分子描述符[16]，包括理化性质、电荷分布、分子片段等特征[17]。
鉴于新污染物生命周期清单（LCI）数据获取难度较大，本研究的样本规模相对有限，为防止模型过拟合，需对分子描述符数据进行预处理。利用Z-score标准化法通过式（1）将数据进行标准化处理，即
(1)
式中：Z为标准化特征，X为标准化之前的原始特征，μ为所有新污染物特征的平均值，σ为特征标准差。
1.2 特征提取
为提升模型训练效率，采用主成分分析（PCA）对分子描述符进行降维处理[18]。PCA通过正交变换将原始描述符转化为互不相关的主成分向量，在尽量保留总体方差信息的同时减少特征数量[19]。每个主成分的方差贡献率（explained variance ratio）反映其对总体信息的解释能力，前k个主成分的累计方差贡献率（cumulative explained variance ratio，RCEV）定义为
(2)
式中：λi为第i个特征值，p为原始特征总数。累计方差贡献率用于衡量前k个主成分保留的信息比例，当达到设定阈值时，可认为数据主要特征已得到充分保留。
对比4种包含不同比例分子描述符信息PCA处理的模型，分别为NOPCA（不进行降维，使用全部描述符）、PCA95（保留累计方差贡献率95%的主成分）、PCA85（保留累计方差贡献率85%的主成分）和PCA75（保留累计方差贡献率75%的主成分），处理后的数据集作为输入数据集进行模型训练。此外，为评估非线性降维方法在新污染物环境影响预测任务中的适用性，采用t-SNE与UMAP对分子描述符进行非线性降维，并将其作为模型输入数据进行对比。
1.3 模型构建
采用人工神经网络（ANN）建立分子描述符与生命周期评价（LCA）指标之间的非线性关系[20]。模型采用前馈全连接结构，包括一个输入层、若干隐藏层和一个输出层[21]。激活函数采用ReLU，模型训练采用Adam优化算法，学习率设为0.001，批量大小为64，最大迭代数为500。为防止过拟合，使用早停（Early Stopping）策略，当验证集损失在连续20轮内不再下降时终止训练。ANN模型架构如图1。
图1新污染物环境影响预测的PCA-ANN模型框架
Fig.1Framework of PCA-ANN model for predicting environmental impacts of emerging contaminants
模型在Linux系统下使用Python 3.9，Google TensorFlow框架开发。数据集按9∶1划分为训练集和测试集，训练样本用于参数学习，测试样本用于独立性能评估。训练阶段引入10折交叉验证（10-fold cross-validation），对训练数据进行多次划分与验证。各PCA特征集对应的ANN模型均采用相同的结构和训练参数，以确保不同特征降维处理下模型预测性能的可比性。为系统评估PCA-ANN模型的性能优势，引入随机森林（RF）、支持向量机（SVM）和多元线性回归（MLR）作为对比模型，所有模型均采用相同训练集与测试集划分方式。
1.4 模型评估
为定量评估不同PCA特征集下ANN模型的预测性能，选取决定系数（coefficient of determination，R2）和均方根误差（root mean squared error，RMSE，ERMS）作为评价指标。
(3)
(4)
式中：ym为样本真实值，yi为模型预测值，为样本均值，n为样本数。
在本研究中，主要聚焦于网络结构参数（隐藏层数与神经元数）的系统优化，固定学习率、激活函数类型及权重初始化方式等其他超参数，以确保不同模型结果具有良好的可比性。
1.5 模型解释
为探究PCA-ANN模型的可解释性，采用SHAP方法对模型输入的主成分进行贡献度分析，量化各主成分对预测结果的影响。同时结合PCA的载荷矩阵，将重要主成分进一步映射回原始分子描述符空间，从而识别对环境影响预测贡献较大的关键特征。
为实现降维特征向原始分子描述符空间的可解释性映射，采用融合SHAP贡献度与PCA载荷矩阵的反向特征映射方法[22]。设ajk 表示第j个原始分子描述符在第k个主成分上的载荷系数，sk表示第k个主成分对应的SHAP重要性，K为PCA降维后的特征数。首先，对主成分重要性进行归一化处理，得到权重系数，即
(5)
随后，基于各描述符在关键主成分上的载荷强度，构建原始特征的综合重要性指标，即
(6)
式中：wk表征各关键主成分在模型中的相对贡献权重，表示原始描述符在对应主成分中的结构贡献强度。通过对Ij进行排序，筛选出对模型预测贡献度较高的分子描述符，并进一步结合其结构属性进行类别归纳，从而实现由低维主成分空间向高维原始分子结构特征空间的定量映射与机理解释。
2 结果与讨论
2.1 主成分分析与特征提取
为减少分子描述符之间的多重共线性，提高ANN模型的计算效率与预测稳定性，对全部样本的描述符数据进行了PCA处理[18]。根据累计方差贡献，分别设置了95%、85%和75% 3个特征保留阈值，对应的模型分别记为PCA95、PCA85和PCA75，同时保留未经PCA处理的NOPCA模型用于对照。4种特征方案构建的ANN模型分别用于预测GWP、HTP、FDP和TAP，其预测性能以R2（图2）和RMSE（表1）进行比较。如图2所示，PCA处理显著改善了模型的预测性能。NOPCA模型在测试集上的R2仅为约0.52（GWP）、0.66（HTP）、0.63（FDP）和0.63（TAP），表明原始高维特征中存在较强的噪声与冗余。经PCA降维优化后，模型性能均有提升，以GWP模型为例，PCA85模型表现最优，测试集R2提升到0.64，较NOPCA模型提升了23.08%。相比之下，PCA95模型虽然保留了更多的方差信息，但由于部分冗余特征仍存在，模型复杂度较高，验证集性能略低于PCA85。PCA75模型因特征压缩过度丢失部分重要信息，预测精度有所下降。这表明当累计方差贡献率控制在85%左右时，模型在信息保留与泛化能力之间达到了最佳平衡。同样，对于HTP、FDP和TAP模型，分别在PCA85、PCA95和PCA95时性能最佳，测试集R2分别为0.73，0.77和0.76，这说明数据集的最佳特征保留阈值与数据本身密切相关，设置不同的保留阈值对模型结果有较大影响。
图2基于预处理后NOPCA、PCA95、PCA85和PCA75描述符构建的ANN模型性能（以R2表示）
Fig.2Performance (R2) of ANN models constructed based on preprocessed NOPCA, PCA95, PCA85, and PCA75 descriptors
表1基于NOPCA、PCA95、PCA85和PCA75数据降维处理后ANN模型的RMSE
Tab.1RMSE of ANN models based on NOPCA, PCA95, PCA85, and PCA75 data dimensionality reduction
以GWP模型为例，图3展示了PCA85处理后各主成分的信息贡献比例。结果显示，前5个主成分的累计方差贡献率已达51.85%，前10个主成分可解释约65.86%的总体信息。这说明描述符数据中存在显著的相关性，主要信息集中在少数几个综合变量上。随着主成分序号增加，单个主成分的解释方差逐渐减小，当主成分数超过28时，新增主成分对总体信息的贡献率不足0.60%，对模型性能的提升有限。因此，仅保留前28个主成分即可较完整地描述化学分子的环境行为特征，实现有效降维。
图3经过主成分分析（PCA85）预处理后GWP ANN模型中28个主成分的方差贡献率
Fig.3Variance contribution rate of 28 principal components in GWP ANN model after principal component analysis (PCA85) pretreatment
此外，为比较线性与非线性降维方法在新污染物环境影响预测任务中的适用性，采用PCA、t-SNE与UMAP将1 444维描述符统一降至28维，并在相同ANN结构与参数下进行性能对比。表2结果表明，与PCA方法相比，t-SNE和UMAP在一定程度上能够捕捉特征空间中的非线性结构信息，但在本研究的小样本、高维分子描述符场景下，其预测性能并未优于PCA方法。因此，PCA是本研究中更为稳健和实用的降维策略。
表2不同降维方法（PCA、t-SNE和UMAP）下模型在GWP、HTP、FDP和TAP上测试集R2比较
Tab.2Comparison of test-set R2 of models on GWP, HTP, FDP, and TAP under different dimensionality reduction methods (PCA, t-SNE, and UMAP)
2.2 模型建立优化
在完成特征提取后，为构建具有最优结构与性能的ANN模型，在GWP模型建立中，以PCA85预处理后的描述符作为输入变量，对模型结构参数进行了优化。本研究主要围绕网络结构参数（隐藏层数与神经元数）开展系统优化，并在此过程中固定学习率、激活函数类型等超参数，以保证不同模型之间具有良好的可比性。首先，为确定网络的最佳隐藏层数，设置隐藏层数为1、2、3和4 的4种结构，保持每层神经元数一致（256个），并在相同的学习率与批大小条件下进行训练。图4（a）展示了不同隐藏层数下GWP模型的预测性能（以测试集R2表示）。可以看出，随着隐藏层数的增加，模型的拟合能力在初期有所提升，训练集R2由1层时的0.89提升到4层的0.94。但当层数超过1后，测试集R2没有提升反而下降，隐藏层数为2时，测试集R2由一层时的0.64下降至0.58，这表明过深的网络结构可能引入过拟合风险，增加训练复杂度与计算成本。因此，综合考虑模型精度与计算效率，单隐藏层结构为最优方案。
随后，为确定每层最优神经元数，在隐藏层固定为1层的条件下，将神经元数设置为64、128、256、512和1 024进行对比。结果如图4（b）所示，随着神经元数的增加，模型的测试集R2逐渐提升，当神经元数从64增加到256，R2从0.57增加到0.64；继续增加神经元数到512时，R2=0.65，与256个神经元的模型性能没有明显提升。当神经元数增加到1 024时，模型R2反而降低至0.62，这可能是由模型的过拟合导致。在一定范围内，增加模型的复杂度可以使训练的模型更加准确。但是，由于训练集数据数量的限制，增加模型的复杂度会导致过拟合的发生。因此，GWP模型最终选取单隐藏层、256个神经元作为ANN的最佳网络结构。
图4PCA85描述符作为输入数据不同隐藏层数以及每层包含不同隐藏神经元数的GWP模型的预测性能（R2）
Fig.4Prediction performance (R2) of GWP models with different numbers of hidden layers and different numbers of hidden neurons in each layer using PCA85 descriptors as input data
最后，为确保模型在训练过程中达到收敛并避免过拟合，考察了不同迭代次数（epochs）对模型误差的影响。图5显示了GWP模型在不同迭代次数下的相对误差变化。可以看出，模型误差在初始阶段（前50次迭代）快速下降，模型的训练集和测试集的相对误差均迅速下降到5%以下，在约第400次迭代后趋于稳定，继续训练对性能提升作用有限。因此，采用早停策略，当验证集误差连续20轮无明显下降时停止训练，以防止过拟合[23]。
图5不同迭代次数下GWP模型的相对误差
Fig.5Relative error of GWP model under different numbers of iterations
为进一步评估模型在不同环境影响类别中的适用性，分别构建并训练了针对HTP、FDP和TAP的ANN模型，各模型的最优结构参数见表3。经PCA特征提取与参数优化后，HTP、FDP和TAP模型均有较高的预测精度，测试集R2分别为0.73、0.77和0.76，性能与此前文献中报道的同类ANN模型相当[14]，说明本研究所提出的建模策略具有较好的普适性与稳定性。
表3GWP、HTP、FDP和TAP影响类别ANN模型的最优参数
Tab.3Optimal parameters of ANN models for impact categories of GWP, HTP, FDP, and TAP
图6展示了GWP、HTP、FDP和TAP 4个影响类别模型预测值与清单数据的对比。各模型的预测值均较为集中地分布在理想预测线附近，说明模型能够较好地捕捉输入描述符与环境影响指标之间的非线性关系。训练集与验证集样本的拟合程度较高，表明模型在训练过程中收敛较好。测试集样本的预测结果同样表现出较好的线性相关性，进一步验证了模型的泛化能力。其中，HTP、FDP和TAP模型的预测点分布最为集中，测试集R2分别达到0.73、0.77和0.76，说明其预测性能稳定且对未见样本具有较强的适应性。相比之下，GWP模型的预测点略有分散，部分高值样本存在一定偏差，可能与GWP指标受能源利用方式、排放途径等多因素耦合影响有关，导致其特征空间复杂度较高[24-25]。结果表明，基于PCA优化的ANN模型能够实现对新污染物生命周期评价关键环境影响指标的可靠预测，为生命周期数据库中缺失数据的智能补全提供了可行的方法。需要指出的是，受限于数据库LCI数据的获取难度，本研究所采用的样本规模相对有限。尽管样本量有限可能在一定程度上影响复杂模型的稳定性，但交叉验证结果显示，模型在不同数据子集上的预测性能较为一致，表明该方法在当前数据条件下具有较好的稳健性。未来研究可通过扩大样本规模和整合多源数据，进一步提升模型的稳定性和泛化能力。
图6模型的清单数据和模型预测值
Fig.6Inventory data and predicted values of models
为评估PCA-ANN模型在新污染物环境影响预测中的优势，在最优PCA特征集条件下，构建了MLR、SVM和RF对比模型，对4类环境影响指标进行了比较，结果如表4所示。ANN模型在4项指标上均表现出最佳拟合能力，其测试集R2分别达到0.64、0.73、0.77和0.76，整体优于传统MLR模型及经典机器学习模型（SVM、RF）。结果表明，高维分子描述符经PCA降维后，ANN模型在捕捉环境效应关系方面具有更强的建模能力，进一步验证了PCA-ANN模型在新污染物环境影响预测任务中的有效性。
表4不同模型在GWP、HTP、FDP和TAP上测试集决定系数（R2）比较
Tab.4Comparison of test-set coefficient of determination (R2) of different models on GWP, HTP, FDP, and TAP
2.3 特征贡献分析
以GWP为例，SHAP分析结果表明，不同主成分对模型预测的贡献存在显著差异（图7（a））。其中，PC5的平均SHAP绝对值最高（0.385），表明其在模型决策过程中具有最强的解释能力；其次为PC2（0.272）和PC1（0.160），说明上述主成分在环境影响指标的预测中发挥了主导作用。相比之下，PC9、PC6和PC4等主成分的SHAP贡献值较低，表明其对模型预测结果的贡献相对有限。同时，基于分子描述符特征重要度排名结果可知（图7（b）），高贡献特征主要集中于分子极性参数（TPSA、XLogP、NumHDonors）、电荷分布指标（MaxPartialCharge、SumPartialCharges、EState_VSA）及拓扑结构相关描述符（MolWt、RingCount、Chi1、BalabanJ）。结果表明，PCA降维后的特征空间中，各个主成分对模型预测贡献不同，这进一步验证了PCA在去除冗余信息和噪声特征方面的有效性，同时说明ANN模型能够基于关键主成分建立稳定的非线性关系。结合上述反向映射分析可知，这些高贡献主成分主要对应分子极性、电荷分布及拓扑结构等关键化学特征，进一步增强了模型预测结果的化学合理性与可解释性。
图7PCA-ANN模型中主成分的SHAP重要性分布
Fig.7SHAP importance distribution of principal components in PCA-ANN model
2.4 新污染物环境影响预测验证
为验证基于PCA-ANN模型在LCA清单数据预测中的适用性，选取了6种具有代表性的新污染物（双酚A、4-硝基苯酚、2，4-二氯苯酚、全氟化戊烷、六氟乙烷和十氟联苯醚）对GWP进行预测。上述新污染物涵盖了酚类、含氯芳香族化合物及含氟持久性有机物等多种结构类型，可用于评估模型在不同分子复杂度与环境行为下的预测可靠性。如图8所示，模型预测结果与生命周期清单数据整体吻合良好。对于双酚A，模型预测值为4.42 kg CO2e，相比真实值（4.12 kg CO2e）相对误差为7.41%；对于4-硝基苯酚，模型预测值为3.89 kg CO2e，相比真实值（4.07 kg CO2e）相对误差仅为4.44%，这表明ANN模型能够准确识别芳香环及取代基对碳足迹的影响规律。经过PCA降维后的主成分仍充分保留了关键的结构信息，可有效支持模型的环境影响表征能力。相比之下，全氟化戊烷、六氟乙烷和十氟联苯醚等含氟化合物的预测值略高于清单数据，误差分别为7.92%、10.37%和8.14%，其偏差可能源于含氟化合物在实际排放与分解过程中的高稳定性及生命周期数据库中该类物质数据的不确定性。以上结果证明了PCA-ANN模型在复杂新污染物环境影响预测中的可靠性与泛化性，为缺乏LCA清单数据的新污染物提供了一种可行的环境影响快速评估途径。
图8新污染物GWP模型预测结果与生命周期清单数据对比
Fig.8Comparison between predicted results of GWP model and life cycle inventory data for emerging contaminants
3 结论
本研究构建了基于主成分分析（PCA）的人工神经网络（ANN）模型（PCA-ANN），用于实现新污染物环境影响的智能预测。主要结论如下：
1）通过PCA对分子描述符进行特征提取，显著降低了输入变量维度，改善了模型的训练效率与稳定性。以包含85%特征信息的PCA85方案为输入数据时，全球变暖潜势（GWP）和人类毒性潜势（HTP）ANN模型在测试集上R2分别达到0.64和0.73，表明选择合理的PCA降维阈值有助于提升模型性能。
2）在化石能源消耗潜势（FDP）和陆地酸化潜势（TAP）预测任务中，模型在PCA95时达到最佳，测试集R2分别为0.77和0.76。本研究与现有研究结果相当，进一步说明合理设定降维阈值可在多类环境指标预测中取得相对较优的表现。
3）以双酚A、4-硝基苯酚、2，4-二氯苯酚、全氟化戊烷、六氟乙烷和十氟联苯醚等新污染物为例，PCA-ANN模型预测的GWP值与生命周期清单数据基本一致，预测误差大部分低于10%，表明模型具有较好的泛化能力，有应用于实际生命周期数据库完善与构建的潜在价值。
综上，基于PCA优化的ANN模型可有效实现新污染物LCA清单数据预测，为无清单数据或新污染物的环境影响预测提供了一种可行方法。尽管样本规模相对有限可能对模型泛化能力产生一定影响，但交叉验证结果表明该模型在当前数据条件下仍具有较好的稳定性与适用性。未来随着相关数据的不断积累与完善，模型将持续迭代更新，并有望进一步融合非线性降维与注意力机制等先进方法，以提升对复杂分子体系的特征识别能力和环境影响预测精度。
