基于BP神经网络的粤北某地区地下水脆弱性评价及其风险管控

作者：张涛; 王夏晖; 毕二平; 黄国鑫^*; 杨瑞杰

来源：环境工程, 2023, 1-9.

• DRASTIC模型
• 地下水脆弱性
• 机器学习
• 参数权重

针对传统DRASTIC模型在参数权重确定过程中主观性强问题，以粤北某地区浅层地下水为研究对象，利用采集的地下水相关数据，新增土地利用类型参数，在优化BP神经网络算法和构建DRASTICL模型基础上，借助地下水NO3-浓度进行模型验证，建立起耦合BP神经网络算法的BP-DRASTICL模型，进而根据地下水脆弱性空间分布特点提出了地下水污染风险管控对策。结果表明：训练函数为trainlm、学习率为0.1、隐含层神经元节点数为6时，BP神经网络算法效果最好，相应地获得的最优BP-DRASTICL模型参数权重依次是0.1420(地下水埋深，D)、0.1151(净补给量，R)、0.0791(含水层介质，A)、0.1833(土壤介质，S)、0.0908(地形，T)、0.1574(包气带介质影响，I)、0.0891(渗透系数，C)和0.1433(土地利用类型，L)。D、S、T和L对评价结果的影响最大。与DRASTICL模型、DRASTICL模型相比，BP-DRASTICL模型的Pearson和Spearman相关系数最高，分别达到0.615和0.656，表明硝酸盐浓度与脆弱性指数之间具有很高的线性相关关系。研究区地下水脆弱性总体属于极低脆弱性和低脆弱性，高脆弱性和极高脆弱性地区主要分布在研究区中部。针对研究区脆弱性的空间分布特征，差异化提出了地下水污染风险管控对策。利用BP神经网络算法确定DRASTICL模型参数权重，因减少了人为主观性的影响，比传统专家打分法更准确。

• 单位
  中国地质大学（北京）