海岸带含水层营养盐动态解码：机器学习揭示印度南部海底地下水排泄与海水入侵的相互作用机制

本研究针对海岸带含水层面临的SWI（海水入侵）与SGD（海底地下水排泄）双重威胁，整合机器学习（ML）算法与地球化学方法，解析了印度Ramanathapuram和Rameswaram岛含水层的非线性水文地球化学过程。通过SOM（自组织映射）和FCM（模糊C均值）聚类，揭示了农业NO3?污染、黏土层氧化还原调控的淡水滞留及SWI驱动的盐水入侵三类水化学特征，为海岸带资源管理提供了创新方法论。

　　

海岸带作为陆地与海洋的生态过渡带，承载着全球近30%人口的生活需求，却因农业化肥滥用、过度开采地下水等人为活动陷入水质恶化危机。海水入侵（Seawater Intrusion, SWI）导致含水层盐渍化，而海底地下水排泄（Submarine Groundwater Discharge, SGD）则成为陆源污染物（如硝酸盐、磷酸盐）输入海洋的隐蔽通道。印度南部的Ramanathapuram和Rameswaram岛拥有珊瑚礁、红树林等敏感生态系统，其三角洲含水层正遭受SWI与SGD的复合压力。传统地球化学方法难以解析这类复杂非线性过程，亟需创新研究手段。

为此，由印度国家奖学金（UGC）资助的研究团队在《Chemosphere》发表论文，首次将机器学习（Machine Learning, ML）与多变量统计结合，构建了包含250组地下水（GW）、孔隙水（PW）样本的高分辨率空间数据集。通过Spearman相关性分析锁定海水影响指标，采用自组织映射（Self-Organizing Maps, SOM）和模糊C均值（Fuzzy C-Means, FCM）聚类实现水化学分组，结合因子分析（Factor Analysis, FA）和离子比值（Na/Cl、NO₃^?/Cl）解析驱动机制。

GW & PW物理参数
盐度数据揭示42% GW样本为淡水（<1.0 PSU），而PW中68%受海水主导，印证了潮间带的SWI效应。GW组3（13%）的高盐度（>3.5 PSU）与黏土层的"盐水陷阱"效应相关，凸显地质结构对SWI的调控作用。

地球化学解释
SOM-FCM将GW划分为三类：农业NO₃^?污染的Group 1（27%）、黏土层氧化还原条件下形成的低NO₃^?高溶解硅（DSi）的Group 2（60%），以及SWI影响的Group 3（13%）。PW中识别出富含NH₄⁺的淡水SGD（Group 1）、海水再循环SGD（Group 3）等模式，反映离子交换与解吸反应的营养盐富集机制。

化学计量学验证
Δm_i（离子偏离值）分析显示Ca²⁺、Mg²⁺在SWI过程中发生逆向阳离子交换，而NO₃^?/Cl^?比值证实Group 1的农业污染来源。硅酸盐溶解（Na+HCO₃^?/Cl^?>1）与硫还原（SO₄^2?贫化）的竞争过程被FA提取为关键因子。

结论与意义
该研究创新性地证明：1）黏土层既作为SWI屏障，又通过氧化还原反应调控NO₃^?转化；2）ML方法可量化SGD中FSGD（新鲜地下水排泄）与RSGD（再循环地下水排泄）的贡献比例；3）建立的SOM-FCM框架为全球海岸带管理提供普适性工具，尤其适用于实现SDG 6（清洁饮水）和SDG 14（水下生命）目标。作者V. Gopalakrishnan等强调，未来需将动态监测数据纳入ML模型，以预测气候变化下的含水层演化趋势。