在废弃钢铁厂中三维空间内解决分层铅和铬的危害问题:基于风险修复的异质性学习方法

《Journal of Hazardous Materials》:Resolving stratified Pb and Cr hazards in 3D at an abandoned steel complex: a heterogeneity-learning approach to risk-based remediation

【字体: 大 中 小 】 时间:2026年07月24日 来源:Journal of Hazardous Materials 10.6

编辑推荐:

  摘要:铅(Pb)和铬(Cr)是亟需关注的土壤危害物质:铅是一种强效的神经毒素,而六价铬则是公认的致癌物。这两种物质在土壤中会长期存在,通过摄入或渗滤威胁地下水资源及人类健康。在大型工业场所,这些金属的三维分布范围直接决定了治理所需的体积、成本以及残留暴露风险。为以决策所需的精度确

  摘要:铅(Pb)和铬(Cr)是亟需关注的土壤危害物质:铅是一种强效的神经毒素,而六价铬则是公认的致癌物。这两种物质在土壤中会长期存在,通过摄入或渗滤威胁地下水资源及人类健康。在大型工业场所,这些金属的三维分布范围直接决定了治理所需的体积、成本以及残留暴露风险。为以决策所需的精度确定危害分布,我们开发了D-MSN模型,该模型是在具有分层非均质性的均值表面模型基础上,通过深度学习技术改进而来的。D-MSN整合了掩码空间注意力机制、门控残差网络以及元多项式趋势学习功能,能够同时捕捉层内相关性、层间异质性以及层间依赖关系。将该模型应用于中国某废弃钢铁联合企业(面积2.81平方公里,共采集12,900个样本,涵盖焦化、烧结、炼铁、炼钢、轧制及自备发电等环节),并在分层空间块交叉验证下进行测试,其效果优于反距离加权法、三维普通克里金法、3D-MSN模型以及DKNN算法,与普通克里金法相比,平均绝对误差和均方根误差分别降低了约35%和38%。该模型识别出的高污染区域与实际工艺单元位置吻合,显示在渣处理和物料储存区域附近存在铬污染,而在烧结、高炉及自备发电设施周边则呈现铅污染集中分布。与传统基于平滑处理的插值方法不同,D-MSN能够保留局部高污染区域特征,便于根据污染源进行精准分析。此外,将D-MSN与蒙特卡洛dropout技术结合,还可依据GB 36600-2018标准生成概率性超标图,从而识别出传统确定性插值方法所忽略的具有决策不确定性的区域。研究表明,考虑分层非均质性的建模方法在基于风险的污染场地管理中具有重要意义,仅插值方法本身就能使治理体积相比标准克里金法增加约36%,相应成本则增加约108元人民币。

引言:铅和铬是工业场所中最具危害性的金属之一。铅会在表土中积累,难以生物降解,即使低剂量暴露也会造成不可逆的神经毒性及发育损害;而铬则具有较高的移动性、强氧化性,是被国际公认的致癌物[1]。这些金属在数十年来从冶炼、冶金及能源生产过程中释放出来,会在地下持续存在,并通过偶然摄入、皮肤接触及渗滤作用进入地下水及人体,即使在工厂关闭后仍会带来长期风险。从实际管理角度而言,这类危害的主要问题在于空间分布——即哪些土壤区域、在何种深度存在超出安全标准的污染。根据中国GB 36600-2018等法规要求,铅和铬的三维分布范围直接决定治理规模、成本以及残留暴露风险,因此任何定位上的误差都会直接影响风险评估和治理决策[2][3];Lars,2003;Gu,2022。不过,在工业场地上,污染物的三维分布并非连续均匀的,它受到历史工艺布局决定的污染物初始排放位置、岩性及水文地质条件形成的突变迁移边界[4];Qin等人,2013),以及受层状氧化还原环境影响的化学形态变化过程[1)的共同影响。此外,现场调查还受到采样密度不足、分析成本高昂以及工业场地复杂的地下条件限制[5)。因此,仅凭有限观测数据推断污染分布不仅是一项统计任务,更关乎风险管理,那些忽视地层界面特征或忽略污染源空间结构的插值方法,都可能带来低估或高估污染风险的错误结论。

三维空间插值是一种有效的手段,可用于重建污染羽流并识别潜在的高污染区域。传统的地理统计插值方法,如反距离加权法、径向基函数插值法以及克里金法,已被广泛用于土壤污染研究[6];Ding等人,2018)。其中,克里金法能够充分考虑空间自相关性,通常具有更出色的预测性能[7][8]。进一步发展的方法,如协同克里金法、贝叶斯克里金法、指标克里金法,以及近年来出现的基于层次贝叶斯的MSN型框架,通过纳入空间异质性和不确定性,提升了三维污染范围识别的准确性,这一优势在稀土开采区的氨氮污染评估中已得到体现[9]。然而,与自然土壤不同,工业场地的土壤通常受到强烈的人为干扰,因此存在显著的空间异质性及分层污染现象。污染物的迁移过程受到土壤性质、地质条件、水文状况以及特定工业活动之间复杂相互作用的影响[10][11)。由于历史排放顺序及地表覆盖情况的不同,垂直剖面中不同土层间的金属积累量往往存在较大差异[4];Qin等人,2013)。这类分层且各向异性的污染特征给传统空间建模带来了挑战,而弱化的、非平稳的空间自相关性则进一步限制了传统地理统计方法捕捉突发浓度梯度的能力。例如,克里金系列方法假设空间具有二阶平稳性和各向同性,而这些条件在工业场地复杂的、受干扰的地下环境中很少成立。此外,克里金法也难以处理重金属浓度之间的非线性关系,也无法捕捉三维污染系统中的层间关联。因此,传统插值方法往往会产生过度平滑的预测结果,无法真实反映土壤污染分布的三维变化特征,尤其是在地层界面附近、与工艺流程相关的污染高发区,以及接近监管标准阈值的位置,这些地方的插值误差会直接影响治理规模和风险决策。

近年来,一些研究开始探索利用机器学习及人工智能技术提升复杂环境系统中的插值性能[12][13][14]。例如,反向传播神经网络与地理统计方法相结合,可用于考虑土壤污染物中的各向异性和异质性[15];图卷积网络则能够利用空间自相关性进行土壤重金属污染插值[16];三维卷积神经网络则被用于处理土壤污染插值问题[17]。尽管取得了这些进展,但基于人工智能的方法仍然以数据驱动为主,往往忽视地质和地层结构的影响。此外,这类方法通常缺乏可解释性,可能产生不符合物理规律的预测结果,且在工业场地常见的采样稀疏且不均匀的情况下,还容易出现过拟合问题。更重要的是,传统地理统计方法和纯粹数据驱动的人工智能方法都存在一个共同缺陷:即无法同时综合考虑污染源空间结构、分层迁移控制因素以及预测不确定性,从而无法为基于风险的治理决策提供有效支持。正因如此,我们需要一种既能结合地理统计结构,又能运用深度非线性学习技术,同时保持方法可解释性并体现决策相关不确定性的新框架。

为克服现有方法的局限性,本研究提出了一种基于地理人工智能的三维空间插值框架——D-MSN,该框架专为工业场地的土壤污染问题设计,能够同时考虑工艺源空间结构及分层地下条件对污染物分布的影响。D-MSN将深度学习技术与具有分层非均质性均值表面模型的理论基础相结合,后者可用于量化非平稳环境中的空间均值变化及层间异质性(Wang等人,2009;G[3))。D-MSN旨在同时捕捉层内空间相关性、层间异质性、层间依赖关系以及非线性空间趋势,从而在保留MSN模型可解释性和地理统计严谨性的同时,通过基于地理人工智能的非线性学习技术提升其适应能力。

与现有的插值方法相比,D-MSN主要有三方面优势。首先,它用可学习的掩码空间注意力得分取代了传统地理统计方法中预定义的协方差函数或变异函数,从而能够更灵活地应对非线性且非平稳的空间依赖关系。其次,与DKNN等一般的基于地理人工智能的插值模型不同,D-MSN明确区分了层内相关性、层间依赖关系以及全局趋势成分,因此保持了分层地理统计建模的可解释性。第三,通过引入蒙特卡洛dropout技术,D-MSN将确定的三维插值方法拓展为概率性超标图生成方法,从而可以直接将模型预测结果与基于风险的治理决策相联系。

数据与方法:为验证所提出的方法,我们选择了两个数据集——一个合成数据集,另一个为中国某废弃重工业场的实际数据集。在合成数据集中,模拟污染物的浓度值在所有位置都是已知的,这些数值被用作误差计算中的真实值,实际采样点则是在现场随机选取的。

合成数据集上的实验:所有基准方法均严格按照其原始文献或官方规定的流程进行重复实验,以确保实验结果的可靠性。需要指出的是,作为一种基于地理人工智能的插值模型,D-MSN的性能可能取决于输入数据的充足程度。为系统评估其在不同数据集规模下的敏感度和稳定性,我们使用了尺寸为32×32×16的合成三维空间场进行测试。

D-MSN的方法学优势:本研究旨在通过一种基于地理人工智能的强化地理统计框架D-MSN,对工业场地的重金属污染情况进行建模。该框架将MSN理论与地理人工智能技术相结合,能够表征工业场地三维重金属污染场中的非线性空间依赖关系、分层异质性及各向异性。这种混合结构使得D-MSN能够捕捉层内及层间的空间依赖关系,模拟垂直方向和水平方向的各向异性,同时有效减少平滑处理带来的偏差。

结论:本研究针对某大型废弃钢铁联合企业中的铅和铬污染问题,开发了一种具有分层非均质性感知能力的基于地理人工智能的三维插值框架D-MSN。该框架通过整合MSN理论、掩码空间注意力机制、门控残差学习技术以及元多项式趋势建模方法,能够同时捕捉非线性空间依赖关系、层内相关性、层间依赖关系以及分层异质性。与反距离加权法、三维普通克里金法、3D-MSN模型以及DKNN算法相比,D-MSN在性能上更具优势。

贡献者:MH和GG负责研究设计、数据收集、结果分析以及 manuscript的初稿修改工作;GY负责数据处理、模型构建、分析定稿、结果解读以及manuscript的撰写工作;TF负责数据处理及结果分析;JW对manuscript提出了修改意见。所有作者均参与了最终稿的审阅并予以批准。

未引用参考文献:[31]、[32]、[33]、[34]

利益冲突声明:作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢:本研究得到了京津冀区域生态环境综合治理——国家科技重大专项(项目编号2025ZD1205802)、中国科学院战略性先导科技专项(项目编号XDB0740101)以及中国国家重点研发计划(项目编号2023YFC3706404)的资助。

利益声明:作者声明不存在任何利益冲突。

意义说明:铅和铬是亟需重点管控的危险金属:低剂量铅就会导致不可逆的神经毒性,而六价铬则是公认的致癌物。

胡茂贵|叶国兴|贾琳|郭冠林|方婷婷|张瑞聪|王金峰
中国科学院大学,北京100049,中国
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号