《Journal of Environmental Management》：Spatiotemporal dynamics and drivers of groundwater pollution risk: insight from multi-source remote sensing and machine learning
编辑推荐：
地下水污染风险动态评估与时空演变机制研究。本研究构建多源遥感与机器学习融合的评估框架，利用LSTM模型成功回溯 Handan 市2001-2022年污染风险时空演变，发现高风险区集中分布在矿区与工业区，呈现显著人地交互作用驱动特征，Geodetector分析表明降水×GDP、降水×夜间灯光指数交互效应解释力最强，揭示动态风险评估需综合自然与人文因素。
Jin Wu|Mengran Wang|Jing Liu|Jiao Li|Guoqiang Wang|Baolin Xue|Yinglan A|Feng Hu|Jie Wu|Meng Zhang|Qiao Wang
北京师范大学地理科学学院卫星应用高级跨学科研究所，中国北京，100875
摘要
由于快速的城市化和工业化，地下水污染的威胁日益严重，这要求我们从静态的风险评估框架转向动态的评估框架。传统的评估方法（如DRASTIC）能够有效评估含水层的固有脆弱性；然而，这些方法在很大程度上忽视了人为污染源及其时空动态这一关键因素。为了解决这一差距，我们引入了一个新的综合框架。该框架结合了多源遥感、地理检测和机器学习技术，用于动态评估地下水污染风险（GPR）。我们创新性地重建了中国邯郸市22年（2001-2022年）的GPR时空演变情况。在此过程中使用了长短期记忆（LSTM）模型，该模型的性能优于其他算法（包括随机森林（RF）、支持向量机（SVM）和卷积神经网络（CNN）。结果验证表明，高风险区域主要集中在西部矿区和中部工业区。这些区域与人为污染负荷存在强烈的空间相关性，而不仅仅是与固有脆弱性相关。重要的是，Geodetector分析显示，诸如降水量×国内生产总值（GDP）和降水量×复合夜间光照指数（CNLI）这样的双因素交互作用，其解释能力显著高于任何单一因素。这揭示了驱动GPR的多源协同机制。时间分析进一步显示，GPR存在明显的周期性波动，这与降水模式密切相关。同时，由于城市扩张，GPR还呈现出显著的长期上升趋势（如CNLI所示）。本研究的主要创新之处在于成功地将静态快照转变为动态的高分辨率重建。这些发现为热点识别提供了强大的工具，并为有针对性的监测、可持续的地下水管理和早期预警系统提供了实际指导，最终有助于快速发展地区的生态安全。
引言
地下水是重要的饮用水来源，对于维持生态平衡和支持社会经济发展至关重要（Iqbal等人，2025；Sultan等人，2025）。全球约有25亿人完全依赖地下水资源来满足基本的日常用水需求（Arciniega-Esparza等人，2025）。然而，包括农业活动、城市发展、固体废物处理、废水处理、石油开采和精炼、采矿作业以及其他工业过程在内的人为活动正在加剧全球范围内的地下水污染（Alam等人，2025；Ayub等人，2024）。除了这些外部污染源外，地下水污染还受到含水层固有脆弱性的影响（M?nnik等人，2025；Zhu等人，2024）。因此，地下水污染受到地下水系统特征、人为污染源和地下水补给条件的强烈影响，从而表现出明显的时空动态（Nakagawa等人，2024；Qiao等人，2025）。这种时空动态不仅揭示了区域地下水质量的演变轨迹，还在更深层次上反映了相关人类健康风险的变化。因此，研究GPR的时空演变并描述其在不同时期的分布模式对于制定基于科学的区域发展战略和实施有针对性的措施以减轻地下水污染至关重要。
地下水脆弱性通常被用作地下水污染区域风险的代理指标（Lu等人，2025；Subbarayan等人，2024）。DRASTIC（深度、补给量、含水层介质、土壤介质、非饱和带影响、水力传导性）模型已成为最广泛采用的地下水污染评估模型（Aller等人，1987；Taghavi，2022）。该模型已被证明能够在干旱地区、沿海喀斯特地区、平原河流网络地区和快速城市化地区可靠地划定高风险区域，为地下水资源管理和污染预防决策提供了坚实的基础（Ganwer等人，2024；Patel等人，2022；Slessarev等人，2025）。最近的进展通过整合新兴技术进一步提高了DRASTIC模型的准确性。特别是，遥感技术提供了关于土地覆盖、土壤湿度和地形等关键地表变量的实时、高分辨率和成本效益高的数据（Aziz等人，2025；Khatun等人，2025）。当与基于GIS的叠加模型结合使用时，多源遥感指数能够快速识别污染渗透风险区域，尤其是在数据稀缺的地区，从而提高了地下水脆弱性评估的精确性和时效性（Hossin等人，2025；Saha和Mazumder，2025）。然而，DRASTIC模型主要反映了含水层的固有特征，没有考虑人为污染源的影响。这一限制显著限制了其在准确识别人为引起的地下水污染风险方面的有效性，尤其是在快速城市化和工业化的地区（Taghavi等人，2025）。为了解决这一问题，引入了GPR的概念，即由于环境因素和特定人类活动导致的地下水污染概率（Singh等人，2025）。尽管GPR评估已得到广泛应用，但人为因素驱动的GPR时空变化的机制仍不为人充分理解。解决这一知识空白需要能够区分水文地质条件和多样化人类活动对GPR相对贡献的分析方法。因此，已经采用了多种统计和空间分析方法来探索GPR与其驱动因素之间的关系，包括相关性分析、基于回归的模型和空间异质性检测方法。GPR通常是由流域的水文地质条件和人为因素共同作用的结果（Ashagrie等人，2025），包括农业活动、城市发展、固体废物处理、废水处理、石油开采和精炼、采矿作业以及其他工业过程（Alam等人，2025；Ayub等人，2024；Chen等人，2023）。与通常独立评估单个变量影响的传统相关性和线性回归技术相比（Gu等人，2018），Geodetector提供了一种强大且直接的方法来量化驱动因素及其相互作用（Kheyruri等人，2025；Shamuxi等人，2025；Wang和Xu，2017；Yang等人，2024），从而更全面和深入地理解地下水污染风险的空间异质性机制。
尽管在识别GPR驱动机制方面取得了进展，但大多数现有评估方法仍然本质上是静态的。然而，传统的静态评估方法（如DRASTIC）难以捕捉快速工业化地区的风险动态。因此，迫切需要开发时空连续的重建方法，将GPR评估从静态映射扩展到动态分析，这已成为当前研究的关键焦点（Ozegin等人，2024；M?nnik等人，2025；Zhu等人，2024；Samadi，2022；Xu等人，2023）。然而，连续重建方法受到数据限制的严重阻碍，例如长期工业发展和水文地质数据集的稀缺，这些数据集通常只能获取一年（Akbar等人，2025）。为了解决这个问题，引入了机器学习算法来分析地理环境和人类活动对GPR的相对重要性，并重建其时空演变（Baalousha，2025；Ahmed等人，2024a，2024b；Zhou等人，2025）。包括随机森林（RF）、支持向量机（SVM）、卷积神经网络（CNN）和长短期记忆（LSTM）在内的多种机器学习和深度学习模型已广泛应用于地下水研究。通过有效学习代理指标与地下水响应之间的复杂非线性关系，这些模型可以作为地下水系统行为的替代表示，从而在数据有限的情况下实现基于替代的GPR时空重建。例如，结合空间特征提取的CNN和LSTM模型显著提高了预测性能，RMSE从0.29降至0.51至0.20–0.45（Karunanidhi等人，2025）。同时，RF和SVM分类器在地下水污染评估中表现出强大的区分能力，RF的总体准确率约为93%，并且比SVM具有更高的敏感性和特异性（Han等人，2025）。总体而言，这些发现表明，机器学习提供了一种强大的方法，通过利用代理变量将地下水污染风险评估从静态映射扩展到动态时空重建。
因此，本研究提出了一个基于机器学习的新型框架，用于预测GPR并识别其驱动机制。我们的工作通过首次进行22年（2001–2022年）的省级尺度GPR重建而开创了新天地，该方法结合了Geodetector驱动的因子交互作用量化与LSTM深度学习反向预测，用连续的CNLI/NDVI代理替换了历史排放清单，并通过2021–2023年的实地数据验证了预测结果的可靠性。在此基础上，本研究追求三个具体目标：（1）通过结合多个地下水脆弱性指标和污染源负荷来揭示GPR的空间分布和特征；（2）使用Geodetector量化并解析水文地质和人为因素对GPR空间异质性的单独和交互驱动机制；（3）使用先进的机器学习模型重建并分析2001至2022年GPR的历史时空演变，从而揭示长期趋势和周期性模式，以支持预测性管理。这些发现将有助于限制地下水污染并保护人类健康，通过明确可用长期时间序列数据与GPR之间的关联。这项工作因此支持了可持续地下水资源管理的改进决策。
研究区域
研究区域
研究区域（总面积12,066平方公里；平均海拔221.67米）位于河北省的南部（图1），西部为山区，东部为平原。西部主要为风化基岩地貌，而东部平原则覆盖着构成主要地下水储存区的第四纪沉积物。该地区具有温带大陆性季风气候，年平均
地下水脆弱性
通过对七个脆弱性指标（深度、补给量、含水层厚度、土壤介质、地形、非饱和带影响和水力传导性）进行加权求和，将地下水脆弱性分为低（<100）、中等（100–120）或高（>120）（图3a）。高脆弱性区域位于南部、中部和东北部，占总面积的5.2%；中等脆弱性区域占18.7%
GPR的时空动态、驱动机制和管理意义
快速的工业化和城市化显著加剧了地下水污染。因此，评估GPR并理解其动态演变对于实现水资源的可持续管理具有重要意义。由于缺乏长期监测数据，以往的研究主要采用静态“快照”评估方法。这种方法使得GPR的动态演变及其潜在驱动因素大部分未被探索，从而阻碍了污染的及时识别
结论
本研究提出了一个综合框架，通过结合基于DRASTIC的脆弱性评估、集成机器学习和Geodetector驱动的因子分析，成功重建了2001至2022年邯郸市地下水污染风险的时空演变。结果显示，在过去二十年里，地下水污染风险呈区域性上升趋势，热点区域持续集中在城市和工业区。在机器学习模型中
CRediT作者贡献声明
Jin Wu：方法论、调查、资金获取、数据管理、概念化。Mengran Wang：撰写——原始草稿、方法论。Jing Liu：撰写——原始草稿、方法论。Jiao Li：监督、资源。Guoqiang Wang：监督、资源。Baolin Xue：监督、资源。Yinglan A：监督、资源。Feng Hu：可视化。Jie Wu：可视化。Meng Zhang：可视化、监督。Qiao Wang：监督、资源。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金重大项目（编号：52595723、52595720）的财政支持。
