氟污染地球化学机制与机器学习预测：岱海盆地水化学特征及驱动因素解析

《Environmental Technology & Innovation》：Hydrochemical Characteristics and Coupled Driving Mechanisms of Fluoride Enrichment in the Daihai Basin: Insights from Hydrogeochemical Methods and Machine Learning Models

本研究针对干旱半干旱区封闭湖泊氟污染机理复杂、预测精度低等难题，通过水化学分析结合机器学习模型，系统揭示了岱海盆地地表水-地下水系统中氟的富集规律。研究发现氟富集主要受蒸发浓缩、萤石溶解和Na+/Ca2+离子交换控制，建立的灰色关联-随机森林模型预测精度显著优于传统模型（RMSE=0.916/0.579），为区域氟污染防治提供了新方法。

　　

在全球水资源危机日益严峻的背景下，氟污染作为威胁生态系统和人类健康的隐形杀手，正持续引发国际社会关注。特别是在中国北方干旱半干旱地区，封闭湖泊系统中局部氟超标问题尤为突出，其复杂的迁移转化机制给精准预测和有效防控带来巨大挑战。位于内蒙古高原的岱海，作为典型的半干旱封闭湖泊，近年来因湖面萎缩、水质恶化备受关注，但针对其水体和周边地下水氟污染的系统研究仍属空白。传统监测手段难以捕捉氟浓度的动态变化规律，而单一预测模型又存在精度不足、机制解释弱等局限。这一系列问题，呼唤着多学科交叉的新方法突破。

正是在这样的背景下，内蒙古农业大学陆军平团队在《Environmental Technology》上发表了创新性研究，通过将水文地球化学分析与机器学习算法深度融合，揭示了岱海盆地氟富集的内在规律，并建立了高精度预测模型。研究人员在2023年2月至2024年1月期间，系统采集了530份水样（地表水370份、地下水160份），运用离子色谱（IC）和电感耦合等离子体发射光谱（ICP-OES）等技术分析了主要离子成分。通过Piper三线图和Gibbs图解析水化学类型，结合ArcGIS空间插值揭示氟的时空分异规律，并创新性地将灰色关联分析与随机森林（RF）、BP神经网络、K近邻（KNN）和梯度提升决策树（GBDT）等模型进行对比优化。

研究结果层层递进地揭示了岱海氟污染的特征与机制。在水化学特征方面，地表水以SO₄·Cl-Ca·Mg和SO₄·Cl-Na型为主，而周边地下水主要为HCO₃-Ca·Mg型，这种差异反映了蒸发浓缩与岩石风化的不同主导作用。氟的时空分布规律显示，地表水氟浓度呈现夏季＞冬季＞春季＞秋季的季节性变化，空间上西部河口低、中部中等、北部最高；地下水则表现为东北高、西南低的空间格局，且无明显时间变异。通过机器学习模型对比，灰色关联-随机森林组合模型表现最优，其地表水预测RMSE（均方根误差）为0.916、MAE（平均绝对误差）为0.690，地下水预测RMSE为0.579、MAE为0.429，显著优于单一模型。

在机制探讨层面，研究通过散射图和相关性分析证实，氟富集主要受三大过程控制：强烈的蒸发浓缩作用驱动溶解态氟的相对富集；萤石（CaF₂）的持续溶解提供氟来源（饱和指数SI均小于0）；Na⁺/Ca²⁺离子交换过程促使水中Ca²⁺减少、Na⁺增加，从而打破萤石溶解平衡。特别值得注意的是，低Ca²⁺、高HCO₃^-的碱性环境更有利于氟的释放，这与OH^-/F^-交换作用和矿物表面电荷特性改变密切相关。主成分分析进一步表明，地表水与地下水的氟地球化学行为存在显著差异，这种差异主要受pH值、离子组成和水岩相互作用时间等因素调控。

该研究的创新价值在于方法学的突破。通过灰色关联分析筛选关键驱动因子（地表水为Na⁺、SO₄^2-、Mg²⁺、Cl^-，地下水为HCO₃^-、采样时间、K⁺、Na⁺），再输入随机森林模型进行训练，既提高了预测精度，又增强了模型解释性。这种"机制解析+智能预测"的双重验证模式，为复杂环境系统的污染物模拟提供了新范式。

研究结论深刻指出，岱海盆地氟污染是自然地球化学过程与半干旱气候背景共同作用的结果。蒸发浓缩、矿物溶解和离子交换构成核心驱动机制，而人类活动影响相对有限。所建立的灰色关联-随机森林模型不仅适用于岱海盆地，也可为全球类似封闭湖泊系统的水环境风险评估提供方法论借鉴。未来若能结合遥感监测和多过程耦合模型，将进一步提升氟生物地球化学循环的模拟能力，为区域水资源可持续管理提供更强大的科学支撑。