一种水土环境中重金属扩散影响因子识别方法

1.本发明涉及污染场地土壤污染成因与治理技术领域，尤其涉及一种水土环境中重金属扩散影响因子识别方法。


背景技术：

2.随着我国产业结构调整的深入推进，大量工业企业被关停并转、破产或搬迁，腾出的工业企业场地作为城市建设用地被再次开发利用。但一些重金属污染企业遗留场地的土壤和地下水受到污染，环境安全隐患突出。电镀污染场地产生污染是中国重金属污染的重要原因之一，电镀行业在中国发展的比较早，早在二十年代中期就已经广泛应用于各类机械制造业中，但电镀工艺水平较为落后，加上企业管理不规范等，对场地内部及周边造成环境污染的情况较多。
3.电镀场地中重金属污染物的排出包括电镀工艺过程中的污水渗流、固体废物污泥的堆积下渗、排污管线的排污泄露等途径。重金属在进入地下水土环境中扩散迁移过程通常受许多环境因素的共同影响，这些环境因素主要由地下土壤与地下水的物化性质所决定，比如含水率、土粒比重、干密度、湿密度、饱和度、孔隙比、孔隙率等。而且在不同土层中，地下水土环境因素对重金属污染物迁移扩散的影响力是不同的，进而导致了重金属在不同土层环境中的迁移分布特征也有所不同。而目前对于电镀场地重金属污染迁移扩散特征分析缺乏系统性的研究，也没有对污染场地地下水土环境建立起科学的环境因素体系，使得铬铜镍锌等电镀场地主要重金属在地下环境中迁移分布特征不明，导致电镀场地污染成因、治理、修复等技术缺乏地下水土环境因素的支持。
4.当前的研究中主要关注单一地下水土环境性质因素与重金属迁移分布的特征关系，忽略了污染场地复杂地下水土环境中多种因素对重金属迁移分布的共同影响。目前对地下水土环境中重金属迁移分布的分析模拟研究主要依靠在实验室构建装置模拟污染场地地下水土环境，这种方法可以在一定程度上表征污染场地地下环境及污染扩散规律，但是难以全面系统的兼顾真实污染场地场景中重金属污染扩散全周期的环境因素与迁移特征。并且在过去真实的污染场地现场调查工作中，探究重金属迁移扩散受到环境因素影响例如地下水对重金属的迁移影响研究往往需要在场地中布设足够数量的采样点以期得到该场地较为全面可靠大量的调查数据支撑研究结果，造成很大的人力、物力成本消耗。


技术实现要素：

5.鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种水土环境中重金属扩散影响因子识别方法。
6.根据本发明的一个方面，提供了一种水土环境中重金属扩散影响因子识别方法，所述识别方法包括：
7.步骤s1：采集电镀污染场地的土壤样本和地下水样本；
8.步骤s2：利用样本点的空间坐标位置信息、所述土壤样本的土壤物化性质检测与
所述地下水样本的模拟结果构建地下水土环境因素体系，并应用空间插值方法构建表征不同地下水土环境因素空间分布差异的空间特征集以及表征污染物空间分布差异的空间特征集；
9.步骤s3：利用步骤s2得到的地下水土环境空间特征集作为训练特征，污染物空间特征集作为目标特征构建多种机器学习模型进行训练，通过分析模型r2与rmse来评估模型性能以确定最优机器学习方法训练模型；
10.步骤s4：利用所述最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性。
11.可选的，所述土壤样本经实验室检测用以获得重金属浓度与土壤物化性质；所述地下水样本用以获得地下水位高程。
12.可选的，所述步骤s1样本采集中，结合掌握的污染场地水土环境直接相关的水文地质结构、地表水系分布、污染源排放位置、水土测试数据资料以及研究区实际情况；
13.采用判断布点法和系统网格状布点结合的方式选取钻孔侦察点；
14.采样深度根据掌握的该地区土层信息进行设计，保证在每个土层选择具有代表性样品检测。
15.可选的，所述步骤s4：利用所述最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性之后还包括：
16.将环境因素重要性结果降序排列输入支持向量回归模型中；
17.输出在当前土层中影响重金属迁移分布最关键的环境因素组合；
18.综合分析全土层结果得到重金属在地下水土环境中的垂直迁移分布特征。
19.可选的，所述土层具体包括：
20.第一层样品：地面以下0.5m左右的填土层土壤；
21.第二层样品：表层与第一弱透水层交界处的沉积层样品，取样深度在地面以下1～2m左右；
22.第三层样品：因场地弱透水层厚度最深达5m，一般在2～4m范围内采集；
23.第四层样品：为场地沉积层和淤泥层相接处，该样品深度为地面以下4～6m左右的粘土，质硬；
24.第五层样品：为场地淤泥层，该样品深度为地面以下6～8m左右的粘土，质软。
25.可选的，所述步骤s2中地下水模拟将上述获得的当前土层物化参数与步骤s1获得的地下水位高程输入达西流模型，污染场地当前土层当前位置的地下水流量计算公式为：
[0026][0027]
其中，u表示当前深度位置的地下水流通量，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度；
[0028]
污染场地当前土层当前位置的地下水流速度计算公式为：
[0029]
[0030]
其中，v表示当前深度位置的地下水流速度，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度，b表示土层厚度，n表示当前位置土壤的孔隙度。
[0031]
可选的，所述分析模型r2与rmse来评估模型性能以确定最优机器学习方法训练模型具体包括：
[0032]
r2的计算公式为：
[0033][0034]
其中，i为验证样本数，yi为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度；
[0035]
模型的r2的值在0-1之间，越高表示越适合当前污染场地的特征；
[0036]
rmse的计算公式为：
[0037][0038]
其中，i为验证样本数，yi为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度；
[0039]
模型的rmse越低表示越适合当前污染场地的特征。
[0040]
本发明提供的一种水土环境中重金属扩散影响因子识别方法，所述识别方法包括：步骤s1：采集电镀污染场地的土壤样本和地下水样本；步骤s2：利用样本点的空间坐标位置信息、所述土壤样本的土壤物化性质检测与所述地下水样本的模拟结果构建地下水土环境因素体系，并应用空间插值方法构建表征不同地下水土环境因素空间分布差异的空间特征集以及表征污染物空间分布差异的空间特征集；步骤s3：利用步骤s2得到的地下水土环境空间特征集作为训练特征，污染物空间特征集作为目标特征构建多种机器学习模型进行训练，通过分析模型r2与rmse来评估模型性能以确定最优机器学习方法训练模型；步骤s4：利用所述最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性。通过应用机器学习方法利用有限的场地调查数据快速、有效、全面的分析电镀污染场地地下水土环境中重金属的垂直迁移分布特征。
[0041]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
[0042]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0043]
图1为本发明实施例提供的一种水土环境中重金属扩散影响因子识别方法的流程
图；
[0044]
图2为本发明实施例提供的地下水土环境因素体系示意图；
[0045]
图3为本发明实施例提供的电镀场地钻孔采样点空间分布示意图；
[0046]
图4为本发明实施例提供的地下环境土层结构剖面示意图；
[0047]
图5为本发明实施例提供的地下水模拟示意图；
[0048]
图6为本发明实施例提供的土壤因素空间特征集示意图；
[0049]
图7为本发明实施例提供的机器学习模型性能对比评估；
[0050]
图8为本发明实施例提供的支持向量回归因素组合筛选示意图；
[0051]
图9为本发明实施例提供的不同土层中铜垂直迁移分布特征；
[0052]
图10-12为本发明实施例提供的填土层、沉积层、淤泥层中不同环境因素中铜垂直迁移分布特征。
具体实施方式
[0053]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0054]
本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。
[0055]
下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。
[0056]
如图1所示，基于机器学习的水土环境中重金属扩散影响因子识别方法，包括如下步骤：
[0057]
步骤s1：采集电镀污染场地的土壤样本和地下水样本；所述土壤样本经实验室检测用以获得重金属浓度与土壤物化性质；所述地下水样本用以获得地下水位高程；
[0058]
步骤s2：利用步骤s1所获得的样本点的空间坐标位置信息与样本的土壤物化性质检测与地下水模拟结果构建地下水土环境因素体系，并应用空间插值方法构建表征不同地下水土环境因素空间分布差异的空间特征集以及表征污染物空间分布差异的空间特征集；
[0059]
步骤s3：利用步骤s2得到的地下水土环境空间特征集作为训练特征，污染物空间特征集作为目标特征构建多种机器学习模型进行训练，通过分析模型r2与rmse来评估模型性能以确定最优方法；
[0060]
步骤s4：利用步骤s3所确定的最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性，将环境因素重要性结果降序排列输入支持向量回归模型中，输出在当前土层中影响重金属迁移分布最关键的环境因素组合，综合分析全土层结果得到重金属在地下水土环境中的垂直迁移分布特征。
[0061]
作为优选，所述步骤s1样本采集中，结合掌握的污染场地水土环境直接相关的水文地质结构、地表水系分布、污染源排放位置、水土测试数据等资料以及研究区实际情况，采用判断布点法和系统网格状布点结合的方式选取钻孔侦察点。采样深度根据掌握的该地区土层信息进行设计，保证在每个土层选择具有代表性样品检测。详细要求为：(1)第一层样品：地面以下0.5m左右的填土层土壤，(2)第二层样品：表层与第一弱透水层交界处的沉
积层样品，取样深度在地面以下1～2m左右，(3)第三层样品：因场地弱透水层厚度最深达5m，一般在2～4m范围内采集，(4)第四层样品：为场地沉积层和淤泥层相接处，该样品深度为地面以下4～6m左右的粘土，质硬，(5)第五层样品：为场地淤泥层，该样品深度为地面以下6～8m左右的粘土，质软。
[0062]
步骤s2中土壤样本的物化参数测定方法依据《土工试验方法标准》(gb/t 50123-1999)中的相关规定进行，以获取不同土层不同位置的土壤物化参数。
[0063]
步骤s2中地下水模拟将上述获得的当前土层物化参数与步骤s1获得的地下水位高程输入达西流模型，污染场地当前土层当前位置的地下水流量计算公式为：
[0064][0065]
其中，u表示当前深度位置的地下水流通量，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度。
[0066]
污染场地当前土层当前位置的地下水流速度计算公式为：
[0067][0068]
其中，v表示当前深度位置的地下水流速度，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度，b表示土层厚度，n表示当前位置土壤的孔隙度。
[0069]
基于上述方法所述步骤s2中地下水土环境因素体系包括砂粒、粉粒、粘粒、土粒比重、干密度、孔隙比、孔隙率、液限、塑限、液性指数、塑性指数、压缩系数、压缩模量、有机质、渗透系数、混凝土厚度、重量热容量、体积热容量、流动性指数、导热系数、ph、含水率、湿密度、饱和度、水流量、水流速、水流方向。
[0070]
步骤s2将上述获得的地下水土环境因素值与重金属含量结合采样点的空间位置坐标信息输入空间插值模型，基于二者空间分布的差异选择不同的插值方法，重金属浓度空间分布呈全局连续特点使用idw插值方法，而环境因素呈局部分布插值使用贝叶斯克里金插值方法。空间插值模型输出空间栅格结构的污染物空间特征集和地下环境因素空间特征集。
[0071]
步骤s3中训练的机器学习模型包括决策树(dt)、随机森林(rf)、极度随机树(ert)、逻辑回归(lr)、支持向量机(svm)和k近邻(knn)。
[0072]
步骤s3通过生成随机空间样本点的方式将步骤s2得到空间特征集进行布点取值并按照训练样本与验证样本8：2的比例生成机器学习模型输入样本，其中地下水土环境空间特征集作为训练特征，污染物空间特征集作为目标特征构建多种机器学习模型进行训练，通过分析模型r2与rmse来评估模型性能以确定最优方法。r2的计算公式为：
[0073][0074]
其中，i为验证样本数，yi为验证样本真实重金属浓度，为验证样本的训练特征
输入机器学习模型后输出的重金属浓度。模型的r2的值在0-1之间，越高表示越适合当前污染场地的特征。
[0075]
rmse的计算公式为：
[0076][0077]
其中，i为验证样本数，yi为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度。模型的rmse越低表示越适合当前污染场地的特征。
[0078]
步骤s4利用步骤s3所确定的最优机器学习方法构建并训练模型，输出单一土层中每个环境因素在当前土层中影响污染物迁移分布的重要性，将环境因素重要性结果降序排列输入支持向量回归模型中，输出结果剔除当前土层中关联性较小的环境因素，得到在当前土层中影响重金属迁移分布最关键的环境因素组合，综合分析全土层结果得到重金属在地下水土环境中的垂直迁移分布特征。
[0079]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现以某大型废弃电镀厂区为例，对照附图说明本发明的具体实施方式。
[0080]
该场地有21家电镀企业，主要进行机电产品及其配套产品的各种电镀(镀种为银、铜、镍、铬、锌、镉等)以及五金首饰加工。该场地1994年建成投产，于2014年停产约有20年的电镀活动。研究区属亚热带海洋性气候，雨量充沛热量丰富。研究区是典型的珠江三角洲冲积平原，因受河涌水位和降水的影响，储有大量的表层孔隙水，地下水位高。土层结构较为复杂，根据土层性质自上而下大致分为填土层、沉积层和淤泥层。填土层主要成分为黄色粘性土和砂土，其下的沉积层由砂壤土、壤土、黏壤土组成。最下的淤泥层主要成分为淤泥、粘土。
[0081]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0082]
本发明所提出的基于机器学习的水土环境中重金属扩散影响因子识别方法，如图1所示，所述方法用于电镀场地水土环境中重金属垂直迁移分布特征分析；所述方法包括如下步骤：
[0083]
s1采集电镀污染场地的土壤样本和地下水样本；所述土壤样本经实验室检测用以获得重金属浓度与土壤物化性质；所述地下水样本用以获得地下水位高程。
[0084]
所述步骤s1样本采集中，结合掌握的污染场地水土环境直接相关的水文地质结构、地表水系分布、污染源排放位置、水土测试数据等资料以及研究区实际情况，采用判断布点法和系统网格状布点结合的方式选取44个钻孔侦察点，按不同剖面深度共采集165个土壤污染物样本和50个土质水样监测点，钻孔采样点空间分布如图3所示。采样深度根据掌握的该地区土层信息进行设计，保证在每个土层选择具有代表性样品检测。详细要求为：(1)第一层样品：地面以下0.5m左右的填土层土壤，(2)第二层样品：表层与第一弱透水层交界处的沉积层样品，取样深度在地面以下1～2m左右，(3)第三层样品：因场地弱透水层厚度最深达5m，一般在2～4m范围内采集，(4)第四层样品：为场地沉积层和淤泥层相接处，该样品深度为地面以下4～6m左右的粘土，质硬，(5)第五层样品：为场地淤泥层，该样品深度为
地面以下6～8m左右的粘土，质软。基于以上先验知识以及对样本数据的分析，在采样深度范围(0-7m)内将地下土壤分为填土层0-1m，沉积层1-5m，淤泥层5-7m，各土层内部的土壤成分大致相同，因此将每个土层视为均质空间，土层内部对重金属垂直迁移分布的影响大致相同。此外，该场地中地下水主要分布在地下1-5m的范围内，具体的地下环境剖面示意图如图4所示。
[0085]
步骤s2中土壤样本的物化参数测定方法依据《土工试验方法标准》(gb/t 50123-1999)中的相关规定进行，以获取不同土层不同位置的土壤物化参数。地下水模拟将上述获得的当前土层物化参数与步骤s1获得的地下水位高程输入达西流模型，污染场地当前土层当前位置的地下水流量计算公式为：
[0086][0087]
其中，u表示当前深度位置的地下水流通量，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度。
[0088]
污染场地当前土层当前位置的地下水流速度计算公式为：
[0089][0090]
其中，v表示当前深度位置的地下水流速度，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度，b表示土层厚度，n表示当前位置土壤的孔隙度。
[0091]
模型输出场地地下水模拟结果如图5所示。
[0092]
基于以上结果，构建地下水土环境因素体系包括砂粒、粉粒、粘粒、土粒比重、干密度、孔隙比、孔隙率、液限、塑限、液性指数、塑性指数、压缩系数、压缩模量、有机质、渗透系数、混凝土厚度、重量热容量、体积热容量、流动性指数、导热系数、ph、含水率、湿密度、饱和度、水流量、水流速、水流方向，因素组成与描述如表1所示。
[0093]
[0094][0095]
步骤s2将上述获得的地下水土环境因素值与重金属含量结合采样点的空间位置坐标信息输入空间插值模型，基于二者空间分布的差异选择不同的插值方法，重金属浓度空间分布呈全局连续特点使用idw插值方法，而环境因素呈局部分布插值使用贝叶斯克里金插值方法。空间插值模型输出空间栅格结构的污染物空间特征集和地下环境因素空间特征集，土壤环境特征集如图5所示。
[0096]
步骤s3中训练的机器学习模型包括决策树(dt)、随机森林(rf)、极度随机树(ert)、逻辑回归(lr)、支持向量机(svm)和k近邻(knn)。通过生成随机空间样本点的方式将步骤s2得到空间特征集进行布点取值并按照训练样本与验证样本8：2的比例生成机器学习模型输入样本，其中地下水土环境空间特征集作为训练特征，污染物空间特征集作为目标特征构建多种机器学习模型进行训练，通过分析模型r2与rmse来评估模型性能以确定最优方法。r2的计算公式为：
[0097][0098]
其中，i为验证样本数，yi为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度。模型的r2的值在0-1之间，越高表示越适合当前污染场地的特征。
[0099]
rmse的计算公式为：
[0100][0101]
其中，i为验证样本数，yi为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度。模型的rmse越低表示越适合当前污染场地的特征。多种机器学习模型的对比评估如图7所示，结果表明在当前污染场地中随机森林模型(rf)更适用。
[0102]
步骤s4利用步骤s3所确定的随机森林方法构建并训练模型，输出单一土层中每个环境因素在当前土层中影响污染物迁移分布的重要性，将环境因素重要性结果降序排列输入支持向量回归模型中，输出结果剔除当前土层中关联性较小的环境因素，原理如图8所示，得到在当前土层中影响重金属迁移分布最关键的环境因素组合，综合分析全土层结果得到重金属在地下水土环境中的垂直迁移分布特征。不同土层的铜金属垂直迁移分布特征如图9所示，不同土层中不同环境因素的铜金属垂直分布特征如图10-12所示。
[0103]
有益效果：(1)本发明使用污染场地实地调查数据研发方法开展研究，相较于实验室构建装置模拟环境的方法本发明研究结果更能真实科学的表征电镀污染场地地下水土环境中重金属的垂直迁移分布特征。
[0104]
(2)本发明充分考虑了重金属污染物在地下迁移扩散过程中可能受到的水土环境因素的影响，结合土壤物化检测与地下水模拟系统的构建起地下水土环境因素体系，弥补了这一研究内容的空白。
[0105]
(3)本发明顾及场地调查采样数据的空间位置信息，通过空间插值与布点取值的方法将之前研究中独立无关的污染物样本、土壤样本以及地下水样本进行结合分析，解决了单一来源数据信息无法满足污染场地管控决策需求的问题。
[0106]
(4)本发明通过对当前最常用的几种机器学习模型进行优选，有效杜绝机器学习模型应用在污染场地领域容易出现的结果误差大和结果过拟合等问题。
[0107]
(5)本发明通过结合机器学习模型重要性评估与支持向量回归特征筛选更科学地优化电镀污染场地地下水土环境中重金属的垂直迁移分布特征结果。
[0108]
(6)本发明通过应用机器学习方法利用有限的场地调查数据快速、有效、全面的分析电镀污染场地地下水土环境中重金属的垂直迁移分布特征，为解决现有污染场地研究体系所存在的效率低、成本高，且依赖大规模采样数据等问题，为高效、精准、低成本地开展污染成因、修复、管控等提供可能。
[0109]
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述识别方法包括：步骤s1：采集电镀污染场地的土壤样本和地下水样本；步骤s2：利用样本点的空间坐标位置信息、所述土壤样本的土壤物化性质检测与所述地下水样本的模拟结果构建地下水土环境因素体系，并应用空间插值方法构建表征不同地下水土环境因素空间分布差异的空间特征集以及表征污染物空间分布差异的空间特征集；步骤s3：利用步骤s2得到的地下水土环境空间特征集作为训练特征，污染物空间特征集作为目标特征构建多种机器学习模型进行训练，通过分析模型r2与rmse来评估模型性能以确定最优机器学习方法训练模型；步骤s4：利用所述最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性。2.根据权利要求1所述的一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述土壤样本经实验室检测用以获得重金属浓度与土壤物化性质；所述地下水样本用以获得地下水位高程。3.根据权利要求1所述的一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述步骤s1样本采集中，结合掌握的污染场地水土环境直接相关的水文地质结构、地表水系分布、污染源排放位置、水土测试数据资料以及研究区实际情况；采用判断布点法和系统网格状布点结合的方式选取钻孔侦察点；采样深度根据掌握的该地区土层信息进行设计，保证在每个土层选择具有代表性样品检测。4.根据权利要求1所述的一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述步骤s4：利用所述最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性之后还包括：将环境因素重要性结果降序排列输入支持向量回归模型中；输出在当前土层中影响重金属迁移分布最关键的环境因素组合；综合分析全土层结果得到重金属在地下水土环境中的垂直迁移分布特征。5.根据权利要求4所述的一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述土层具体包括：第一层样品：地面以下0.5m左右的填土层土壤；第二层样品：表层与第一弱透水层交界处的沉积层样品，取样深度在地面以下1～2m左右；第三层样品：因场地弱透水层厚度最深达5m，一般在2～4m范围内采集；第四层样品：为场地沉积层和淤泥层相接处，该样品深度为地面以下4～6m左右的粘土，质硬；第五层样品：为场地淤泥层，该样品深度为地面以下6～8m左右的粘土，质软。6.根据权利要求1所述的一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述步骤s2中地下水模拟将上述获得的当前土层物化参数与步骤s1获得的地下水位高程输入达西流模型，污染场地当前土层当前位置的地下水流量计算公式为：
其中，u表示当前深度位置的地下水流通量，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度；污染场地当前土层当前位置的地下水流速度计算公式为：其中，v表示当前深度位置的地下水流速度，m表示当前土层深度内的样本数，t表示当前深度位置导水系数，δh表示当前土层水位梯度，b表示土层厚度，n表示当前位置土壤的孔隙度。7.根据权利要求1所述的一种水土环境中重金属扩散影响因子识别方法，其特征在于，所述分析模型r2与rmse来评估模型性能以确定最优机器学习方法训练模型具体包括：r2的计算公式为：其中，i为验证样本数，y
i
为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度；模型的r2的值在0-1之间，越高表示越适合当前污染场地的特征；rmse的计算公式为：其中，i为验证样本数，y
i
为验证样本真实重金属浓度，为验证样本的训练特征输入机器学习模型后输出的重金属浓度；模型的rmse越低表示越适合当前污染场地的特征。

技术总结
本发明提供的一种水土环境中重金属扩散影响因子识别方法，所述识别方法包括：步骤S1：采集电镀污染场地的土壤样本和地下水样本；步骤S2：利用样本点的空间坐标位置信息、所述土壤样本的土壤物化性质检测与所述地下水样本的模拟结果构建地下水土环境因素体系；步骤S3：利用步骤S2得到的地下水土环境空间特征集作为训练特征；步骤S4：利用所述最优机器学习方法训练模型输出每个环境因素在当前土层中影响污染物迁移分布的重要性。通过应用机器学习方法利用有限的场地调查数据快速、有效、全面的分析电镀污染场地地下水土环境中重金属的垂直迁移分布特征。的垂直迁移分布特征。的垂直迁移分布特征。


技术研发人员：宋颉 蒋卫国 凌子燕
受保护的技术使用者：北京师范大学
技术研发日：2023.06.15
技术公布日：2023/8/31