利用水文地球化学和机器学习技术评估中国北方地区的地下水资源质量，以供饮用和灌溉用途

《Agricultural Water Management》：Assessing groundwater quality for drinking and irrigation using hydrogeochemistry and machine learning in Northern China

地下水质量评估与机器学习预测在北方干旱半干旱农业牧区的应用。整合熵权加权水质指数（EWQI）和灌溉水质指数（IWQI）与六种机器学习模型，分析1040个样本的聚类特征及空间分布。结果显示，44.91%的地下水适合饮用，60.2%适合灌溉但受高盐分限制。ANN和XGBoost模型表现最佳，分别达到R2=0.9988和0.9813。自然因素（硅酸盐 weathering, evaporation）与人为活动（矿业, 农业灌溉）共同影响水质。提出分区域管理策略：南部优先保护，北部严格管控矿业和农业活动。

　　在干旱和半干旱地区，地下水作为人类生活用水、农业灌溉和畜牧业发展的重要资源，其质量评估与预测对区域生态安全和可持续发展具有深远意义。本文研究团队通过整合水质量指数与六种机器学习（ML）技术，对北方干旱和半干旱农业-牧区地下水的饮用和灌溉适宜性进行了系统评估和预测。研究结果不仅揭示了该区域地下水的化学特征，还通过多种方法比较了不同模型的预测效果，最终提出了针对地下水管理的优化策略。这一研究有助于提升机器学习在地下水质量评估中的应用，为地方和国家的水资源管理决策提供科学依据。

研究区域位于中国北方的干旱和半干旱地带，总面积约为91,161平方公里，地理坐标为东经106°0′至113°0′，北纬41°0′至44°0′。该地区包括四个县，人口约383,000人，经济发展主要依赖于农业、畜牧业和矿产资源开采。由于降水稀少且蒸发强烈，该地区的地表水资源匮乏，导致当地居民对地下水的依赖程度较高。研究区域内降水年均值为311.2毫米，主要集中于7月至9月，占全年降水量的80%。该区域的地貌差异显著，海拔从西北部的960米到东南部的2000米，其中东南部为阴山山脉所在区域。

在地下水质量评估方面，研究团队采用了熵加权水质量指数（EWQI）和灌溉水质量指数（IWQI）作为主要评估工具。EWQI的计算结果表明，约44.91%的样本属于饮用适宜的优质或良好等级，而40.96%和14.13%的样本分别属于中等和较差至不适宜等级。IWQI分析结果显示，约39.8%的样本适合用于灌溉，其余60.2%的样本因地下水高盐度而受到中度至重度限制，这种高盐度影响土壤质量和作物产量。通过分析地下水化学成分，研究发现钠、钾、氯化物和硫酸盐是地下水的主要成分，其分布受到硅酸盐风化、蒸发作用和人为活动（如工业化或采矿）的影响。

为了提高预测精度和可靠性，研究团队对多种机器学习模型进行了比较分析，包括随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）、K近邻（KNN）、长短期记忆网络（LSTM）和极端梯度提升（XGBoost）。在EWQI预测方面，模型的预测性能排名为ANN > SVM > LSTM > RF > XGBoost > KNN，而在IWQI预测方面，模型的预测性能则为XGBoost > RF > KNN > ANN > SVM > LSTM。这一结果表明，ANN和XGBoost在地下水质量预测方面表现出色，能够准确反映复杂的地下水化学变化。

此外，研究团队利用Shapley加性解释（SHAP）方法对模型的变量重要性进行了分析，揭示了不同变量对地下水质量预测的贡献程度。研究发现，碳酸氢根离子（HCO3?）和钠、钾总浓度（Na? + K?）是预测EWQI和IWQI的关键变量，分别反映了矿物溶解和盐分积累的影响。这一发现有助于理解地下水质量变化的驱动因素，并为未来研究提供参考。

在空间分布分析方面，研究团队将机器学习模型与地理信息系统（GIS）相结合，生成了地下水质量的空间分布图。这些图显示了地下水质量在不同区域的分布特征，为水资源管理提供了直观依据。例如，南方和西南部地区的地下水质量较好，适合直接用于灌溉，而北方和东北部地区的地下水质量较差，受到采矿活动和自然地质过程的影响，需要采取严格的管理措施。

针对地下水管理，研究团队提出了多项具体建议。在南方和西南部，应优先使用优质地下水，并将其划为保护区。在这些地区，应实施严格的监管措施，包括限制污染密集型产业的建设、控制灌溉时间等。在北方地区，由于地下水质量较差，需采取严格的畜牧业管理措施，如将牲畜饲养区远离含水层、控制牲畜密度等。此外，应推广节水灌溉技术，如滴灌和喷灌系统，以提高农业用水效率。同时，地方政府应提供针对性的财政补贴和技术支持，以克服经济和社会障碍，促进水资源的合理利用。

研究团队还指出，尽管本研究取得了重要成果，但仍存在一些局限性。例如，研究数据主要来自2017年和2018年的采样，未能全面反映地下水质量的季节性和年度变化。此外，模型训练过程中缺乏独立的外部验证数据，可能导致部分模型（如KNN）出现过拟合现象。因此，未来研究应建立长期、高频的监测网络，以跟踪地下水质量的变化趋势。同时，应整合气候数据和卫星观测数据，提高模型的动态预测能力。

综上所述，本研究通过综合分析地下水的化学特征和空间分布，结合机器学习和地理信息系统，为北方干旱和半干旱农业-牧区的地下水质量评估和预测提供了科学依据。研究结果不仅有助于优化水资源管理策略，还为未来研究提供了方法论支持。通过提升模型的预测精度和空间分析能力，研究团队为可持续发展和水资源保护提供了新的思路和工具。