潜水地下水动态成因类型的综合判别方法——以三江平原松花江流域为例

传统地下水动态类型的判别方法存在受人为主观因素影响大、易产生多解性等问题。为提高地下水动态成因类型判断的可靠性,本文提出了基于水文地质条件定性分析与实测数据定量分析相结合的综合判别方法。根据研究区的气象、水文及水文地质条件等,将地下水各补给项及排泄项对地下水动态的影响进行定量化,对动态数据进行相关分析及逻辑判断,辨识出对地下水位动态贡献最大的补给项和排泄项,并依此确定地下水动态的成因类型。基于该方法,以三江平原松花江流域2011年及2015年相同的57个地下水观测点为例,结合地下水位埋深、地下水位、河水位、降水量、观测井距河流的距离、包气带岩性等资料,将研究区地下水动态成因类型共划分为水文型、降水入渗型、降水入渗-蒸发型、降水入渗-径流型、降水入渗-开采型和人工开采型6种类型;对比2011年及2015年研究区地下水动态类型的变化,降水入渗型、降水入渗-径流型等天然地下水动态成因类型占比减少,而受人类活动影响的地下水动态成因类型占比增加,表明人工开采活动对地下水动态的影响日益增强。相比根据地下水动态曲线特征确定动态成因类型的传统定性分析方法,本研究提出的综合判别方法能够在充分考虑水文地质...     

基于机器学习方法的地下水氨氮时空分布规律

氨氮是地下水中的主要无机污染物之一,其主要来自农业、工业和生活污染。过量的氨氮会危害人类健康。氨氮时空分布受气象、水文、水文地质和土地利用类型等因素的影响,因此,基于有限采样点的地下水氨氮分析会产生很大的不确定性。本研究以三江平原松花江流域为例,选取土壤有机质质量分数、土壤全氮质量分数、土壤阳离子交换容量(CEC)、土壤pH值、地下水埋深、包气带黏土层厚度和土地利用类型作为潜在的影响因素,建立拟合氨氮质量浓度的机器学习模型;在此基础上使用解释机器学习模型的SHAP(shapley additive explanations)方法识别显著的影响因素,并据此建立机器学习预测模型,对研究区地下水氨氮质量浓度进行数据插补,分析其时空变化规律。研究结果表明：地下水埋深、土地利用类型、CEC和土壤有机质质量分数是研究区地下水氨氮的主要影响因素;2011—2018年期间,研究区地下水氨氮处于Ⅰ—Ⅲ类水质级别的面积呈现增加趋势,面积占比从31%增加到87%,Ⅳ—Ⅴ类水的面积呈现减少趋势,面积占比从69%减少到13%,水质整体向好。