基于水化学模型、正矩阵分解和机器学习的中国漾弓江流域地下水质量预测研究

本研究针对漾弓江流域地下水质量评估与预测需求，整合水化学模型(Hydrochemical modelling)、正矩阵分解(PMF)和机器学习(ML)技术，揭示了碳酸盐岩溶解(56.1%)为主导的水化学过程，构建了线性回归(R2=0.99)最优预测模型，为流域水资源管理提供创新方法框架。

　　

在地下水作为重要饮用水源的背景下，全球范围内农业活动和城市化导致的水质恶化问题日益严峻。中国西南部漾弓江流域作为典型农业区，面临着硝酸盐污染和碳酸盐岩溶解的双重挑战。传统水质评估方法存在主观性强、预测能力不足等缺陷，亟需建立量化污染来源与预测水质的集成方法。Weiting Liu等人在《Journal of Hydrology: Regional Studies》发表的研究，开创性地将水化学模拟、受体模型和机器学习相结合，为流域尺度地下水管理提供了新范式。

研究团队采用PHREEQC模拟矿物饱和状态，通过正矩阵分解(PMF)量化污染源贡献，并开发基于熵权水质指数(EWQI)的机器学习预测模型。36个采样点的水化学数据揭示了流域内水岩相互作用的动态过程。

4.1 水化学参数空间特征

通过小提琴图分析显示，89%样品TDS<1000 mg/L，pH中位数7.33呈弱碱性。Ca²⁺超标准率超50%，NO₃^-在20%点位超标，空间分布显示农业区与硝酸盐高浓度区高度重合。

4.3 矿物平衡状态

饱和指数(SI)分析表明97.3%样品对方解石饱和，而石膏和岩盐始终未饱和。逆模型揭示CO₂参与下碳酸盐岩溶解是主要水化学过程(P1路径方解石转移量达1.10×10^-3 mol/kg)。

5.1.1 离子关系分析

Piper图解显示HCO₃-Ca型水占主导，Gibbs图解证实水岩相互作用控制水质。离子比值证实钙镁主要来自方解石(Ca²⁺/HCO₃^-≈1:1-2:1)和白云石溶解，阳离子交换(CAI-II=-0.12)导致Na⁺富集。

5.1.3 PMF源解析

三因子模型解析显示：碳酸盐岩溶解(56.1%)贡献最大，蒸发岩溶解(24.29%)和农业硝酸盐输入(19.61%)次之。这与NO₃^-/Na⁺与Cl^-/Na⁺比值揭示的农业污染特征一致。

5.2 饮用水质评估

EWQI分级显示89%样品属"优等"，8%为"良好"。敏感性分析指出总硬度(TH)和TDS是影响水质的关键指标(Spearman系数>0.7)。

5.3 水质预测模型

线性回归(LR)模型表现最优，测试集R²达0.99，显著优于随机森林(RF)的0.82。泰勒图显示LR预测值与实测值标准差比接近1，具有最佳拟合度。

该研究通过多方法融合，首次在漾弓江流域建立了从机理解析到预测预警的完整研究链条。PMF量化了自然过程与人为活动的贡献权重，机器学习模型则实现了EWQI的精准预测(RMSE=0.9)，为制定差异化的农业面源污染防治策略提供了科学依据。特别值得注意的是，研究揭示碳酸盐岩区地下水系统对CO₂的敏感性，这对理解碳循环与水质耦合机制具有启示意义。未来研究可通过增加采样密度和时间分辨率，进一步提升模型在复杂岩溶区的适用性。