基于机器学习与地下水原位参数耦合的溶解相NAPL污染羽动态预测模型研究

本研究创新性地构建了结合滑动窗口时间序列预测与通用回归的机器学习(ML)框架，通过低成本易测的原位水质参数(iWQP)实现非水相液体(NAPL)污染羽的时空分布预测。LSTM模型表现最优(R2>0.92)，pH被确定为关键预测指标，为地下水应急修复提供了实时监测新范式。

　　

亮点
• 首创滑动窗口-RF与通用回归联动的ML预测框架
• LSTM时空预测性能最优(R²>0.92)且时效性最长
• pH被鉴定为溶解相NAPL污染羽的关键指示因子

方法创新
本研究巧妙设计了"两步走"预测策略：首先通过滑动窗口驱动的随机森林(RF)模型，基于历史连续监测数据预测目标时刻的原位水质参数(iWQP)，包括pH、溶解氧(DO)、氧化还原电位(ORP)和电导率(EC)。随后采用四种ML模型（RF、XGBoost、MLP和LSTM）融合预测的iWQP与低频采样污染数据，实现非水相液体(NAPL)溶解相的三维时空分布重构。

核心发现
长短期记忆网络(LSTM)在模拟复杂生物地球化学反应时展现出显著优势，其R²预测精度突破0.92，且预测有效期较传统方法延长3-5个数量级。通过特征重要性排序，揭示pH与NAPL溶解相的迁移转化存在强非线性关联，这为后续开发实时传感预警系统提供了关键靶点。

应用价值
该框架成功突破了含水层异质性导致的传统数值模型局限，使基于iWQP传感器的污染羽实时追踪成为可能。研究成果可显著缩短地下水应急响应决策周期，特别适用于石油烃类污染场地的智能修复。