时空动态和地下水污染风险的驱动因素:多源遥感和机器学习的洞察力

科学领域:

• 环境科学 环境科学
• 水文学的水文学
• 数据科学数据科学数据科学

背景情况:

• 地下水污染构成重大威胁,城市化和工业化加剧了这种威胁.
• 传统的风险评估方法 (例如,DRASTIC) 是静态的,无法捕捉动态的人为污染源.
• 需要一个动态的框架来准确评估和管理地下水污染风险 (GPR).

研究的目的:

• 为动态GPR评估制定和验证一个综合框架.
• 为了重建GPR在中国汉丹市的22年的时空演变.
• 确定影响GPR的关键驱动因素和协同机制.

主要方法:

• 多源遥感,地理检测和机器学习的协同集成.
• 利用长短期记忆 (LSTM) 模型进行时空GPR重建 (2001-2022).
• 与随机森林 (RF),支持矢量机 (SVM) 和卷积神经网络 (CNN) 进行LSTM性能比较;与现场数据进行验证.

主要成果:

• 高风险的GPR区域集中在西部矿业和中央工业区,与人为污染负载相关.
• 地质探测器分析显示,两个因素的相互作用 (例如,降水 × GDP,降水 × 复合夜光指数) 显著地解释了GPR,而不是单个因素.
• 与其他机器学习模型相比,LSTM在重建GPR动态方面表现优越.

结论:

• 该研究成功地从静态转变为动态,高分辨率的GPR重建.
• 研究结果强调了人类活动和环境因素对GPR的协同影响.
• 开发的框架为快速发展的地区的预测性热点识别,有针对性的监测和可持续的地下水管理提供了宝贵的工具.