基于神经网络的场地污染智能模拟和评估技术综述.pdf

收稿日期院2023-05-11基金项目院国家重点研发计划(2018YFC1800905).作者简介院朱华(1979-)袁男袁四川凉山人袁硕士袁主要从事物联网尧大数据平台等研究工作.0引言随着城市化进程加快以及产业结构调整袁冶炼尧焦化尧化工尧油气开采等重点行业场地及周边地区土壤污染物超标率 36.3%袁 与冶炼化工相关的工业废基于神经网络的场地污染智能模拟和评估技术综述朱华1,2,3袁陈倩1袁刘宏舒4袁孙大鹏5袁周慧1,2,3袁池辽1,2,3袁庞亮1,2,3(1.四川省地质工程勘察院集团有限公司袁四川成都610072曰2.四川省天晟源环保股份有限公司袁四川成都610072曰3.四川省天晟源信息技术有限公司袁四川成都610072曰4.鞍钢股份有限公司袁辽宁鞍山114033曰5.鞍山钢铁集团有限公司袁辽宁鞍山114033)摘要院近年来土壤和地下水污染时有发生袁然而传统的预测和评估方法有较大的弊端袁并且获取的污染样本数据结构关系复杂袁如何提取有价值的信息或模拟出污染扩散的范围等便成为了当前研究的热点遥神经网络渊NN冤具有很强的数据挖掘和分析能力袁加之引入了深度学习模型袁已在各个领域拥有较为成熟的发展遥为更好地推进神经网络在场地污染的智能模拟和评估方面的应用袁首先陈述了当前场地污染模拟和评估方面的现状及瓶颈袁其次介绍了神经网络的原理并列出了主流卷积神经网络模型的优缺点袁然后总结出了近两年来神经网络在环境污染预测和评估等方面的具体应用袁最后分析神经网络在相关领域的发展前景和需要关注的问题遥关键词院场地污染;神经网络;模拟评估;深度学习模型中图分类号押 X5文献标志码押 A文章编号押 1674-4829渊2023冤0源-0073-06Survey of Site Pollution Intelligent Simulation and Assessment TechnologyBased on Neural NetworkZHUHua1,2,3,CHENQian1,LIUHong-shu4,SUNDa-peng5,ZHOUHui1,2,3,CHI Liao1,2,3,PANGLiang1,2,3渊1.Sichuan Geological Engineering Survey Institute Group Co.,Ltd.,Chengdu 610072,China;2.Sichuan TianshengyuanEnvironmental Services Co.,Ltd.,Chengdu 610072,China;3.Sichuan Tianshengyuan Information Technology Co.,Ltd.,Chengdu 610072,China;4.Angang Steel Co.,Ltd.,Anshan 114033,China;5.Anshan Iron and Steel Group Co.,Ltd.,Anshan 114033,China)Abstract:In recent years,soil and groundwater pollution pollution has occurred from time to time in China.However,thetraditional prediction and assessment methods have great drawbacks,and the data structure of the obtained pollution samplesis complex.How to extract valuable information or simulate the range of pollution diffusion has become a current researchhotspot.Neural networks have strong data mining and analysis capabilities,coupled with the introduction of deep learningmodels,and have developed maturely in various fields.In order to better promote the application of neural network inintelligent simulation and assessment of site pollution,it first stated the current situation and difficulties of site pollutionsimulation and assessment,then introduced the principle of neural network and listed the advantages and disadvantages ofmainstream Convolutional neural network models,and then summarized the specific applications of neural network inenvironmental pollution prediction and assessment in the past two years,Finally,analyzed the development prospects andissues that need to be addressed of neural networks in related fields.Key words:Site pollution;Neural network;Simulation and evaluation;Deep learning models第36卷第4期圆园23年8月环 境 科 技耘灶增蚤则燥灶皂藻灶贼葬造 杂糟蚤藻灶糟藻 葬灶凿 栽藻糟澡灶燥造燥早赠灾燥造援36No.4Aug援圆园23环境科技2023 年 8 月弃地等场地所在的大面积土壤遭到污染遥 由于土壤中的污染物质向地下水中迁移造成地下水污染袁并且由于地下水的径流尧排泄以及地下水位的波动袁地下水中的污染物浸润土壤袁造成双重污染袁对周边居民食品和饮用水安全尧生态环境尧经济社会可持续发展带来了巨大危害1-2遥因此袁开展污染场地的污染监测响应尧调查评估尧风险预测管控和修复是十分急切和有必要的遥场地污染风险预测和管控首先要对待测场地的土壤和地下水的污染状况开展调查袁 接着需要采集相应的场地样本袁进行初步以及详细采样分析袁并从中获得大量的污染数据样本遥 通过物联网技术采集的数据的样本数量大尧监测项目多袁结构复杂包含大量的特征信息和关系信息3遥那么如何利用这些数据提取有价值的信息并应用于场地污染风险模拟和评估就成了一个极为重要的问题遥 目前采取的传统数据分析方法有主成分分析渊PCA冤尧因子分析渊FA冤尧判别分析渊DA冤袁层次聚类分析渊HCA冤等4-7遥 但由于这些数据分析方法在处理像污染场地数据这种复杂的大数据集时袁会有较大局限性袁且当数据结构不满足线性条件时袁这类数据分析方法结果可能会不准确遥近年来人们开始通过提高环境监测的监测精度尧优化数据分析方法来提高分析结果的准确性遥 SAHU等8将纳米材料尧电子器件和微流控系统的混合使用袁并进一步改进了设计袁使现场检测具有更高的灵敏度遥 至于数据分析方面袁夏文文等9利用内梅罗指数法和多元统计分析方法对洪泽湖水质情况水质进行评价分析遥随着计算机科学与技术的快速发展袁 神经网络渊NN冤 因为其拥有较高的准确性和客观性开始活跃于各个科研领域和实际应用中10-11遥由于神经网络在处理非线性问题时具有较大的优势袁 在处理场地污染等大量复杂关系数据时可利用神经网络模拟非线性工程问题来了解输入和输出特征间的关系遥 本文将在上述背景下袁 着重讨论神经网络在场地污染模拟和评估方面的应用遥1神经网络发展概述神经网络是对人脑若干基本特性的一种抽象和模拟的模型袁由大量神经元组成袁并且可以通过调整各神经元之间的关系来达到处理信息的目的遥 它具有良好的容错性与联想记忆功能袁 以及较强的自适应与自学习功能遥 1943 年 MCCULLOCH 等12将阈值函数作为计算神经元的主要特性袁 将逻辑演算作为神经计算架构袁 由此提出了神经网络的概念遥 近年来袁神经网络被广泛应用于各个领域之中遥神经网络一般由输入层尧隐含层尧输出层等多层节点组成13-15遥 输入特征信息由输入层进入袁通过隐含层的计算后进入到输出层袁 并且层与层之间通过权重和阈值来调节遥整个过程一般先将数据经过预处理袁然后将处理后的数据分为训练尧验证尧测试 3 个部分袁每个部分均根据需要设定一定的比例袁 并初始化阈值和权重袁 当训练数据从输入层通过隐含层至输出层之后袁计算网络预测值和目标值的误差16-17遥随着 HINTON 等18于 2006 年在叶Science曳上发文袁引出深度学习这一新的研究方向袁神经网络再次成为各大领域的研究热点遥 深度学习浅义上可解释为层数较多的人工神经网络袁 实质上是一种对数据资料进行表征学习的算法遥 深度学习便强调从结构中连续的层中进行学习数据资料的相关特征袁 进而完成学习任务遥 卷积神经网络渊CNN冤等模型则是其中学习效率很高的深度学习模型遥传统 CNN 结构包括输入层尧卷积层尧池化层尧全连接层和输出层袁结构见图 1遥图1卷积神经网络结构池化层输入层卷积层池化层输出层卷积层全连接层74第 猿6 卷第 4 期几种应用较广泛的卷积神经网络模型如下遥渊1冤LeNet-5LeNet-5 神经网络模型是最早出现的卷积神经网络模型之一袁 共有 7 层结构袁 并且使用多个卷积核袁 卷积核权值共享的方式既降低了网络中的连接数袁 又使得整个模型更加简洁和利于计算遥 通常来说袁LeNet-5 被应用于手写字符或者文档的识别遥传统 LeNet-5 的效率并不理想袁 单通道的网络结构在进行特征提取时袁 取得的结果并不完整且收敛速度达不到想要的效果遥针对这一问题袁YAO 等19提出了均匀忆阻器交叉阵列的制造来提网络的性能袁 还构建了一个基于五层忆阻器的 CNN 来用于MNIST 图像识别袁 该 CNN 系统比最先进的图形处理单元能够高出 2 个数量级以上袁 且拥有更强的拓展性遥渊2冤VGG-5VGG 模型主要是使用很小的卷积核渊3伊3冤构建各种深度的卷积神经网络结构袁 并对这些网络结构进行了评估袁最终证明 16 19 层的网络深度袁能够取得较好的识别精度遥 VGG 整个网络由卷积层和全连接层叠加而成袁和 AlexNet 不同的是袁VGG 中使用的都是小尺寸的卷积核遥 VGG 模型虽然具有更简单的结构袁 但 GPU 数少的情况下可能会需要训练很久袁以及其由于权重过多导致文件体积过大遥渊3冤GoogleNetGoogLeNet 拥有网络小尧参数较少袁性能相对优越等优势袁GoogLeNet 使用的是 Inception 网络结构袁通常要提升 CNN 的性能袁 一般会选择增大网络袁但这种方式会导致过拟合的概率增加且计算量会变大袁 而 GoogleNet 引入的 Inception 模块则可避免这些问题袁 既可以维持网络稀疏性又可以减少参数保证高计算性能袁同时还能提升网络的宽度和深度遥渊4冤DenseNet密集卷积网络渊DenseNet冤的特点在于密集卷积块袁 不同密集卷积块则用卷积层和池化层连接袁该稠密连接方式由于采取的不是特征相加而是特征拼接袁加强了特征和梯度的传递袁采用全局平均池化层来降低参数袁 最终再用线性分类器来进行分类遥 在密集卷积块中袁当前层之前的所有层的输出都会参与到该层的输入袁 通过该方法可以有效的利用之前层的所有信息袁 同时缩短了前层和后层之间的连接袁 有效地解决了随着网络的加深而产生的梯度消失问题遥主流的几种经典卷积网络模型的优尧 缺点对比结果见表 1遥表1各类卷积网络模型对比2场地污染结合神经网络的应用现状通常情况下袁 场地是否受到污染需要根据污染评估来判定袁但通过传统方法成本较高袁且拥有一定的滞后性遥 近年来袁在环境污染评估和预测领域袁相关专家和学者开始把神经网络中的各种模型投入到环境评估和预测的实际应用中袁 相较于传统的方法有了更强的准确性和时效性遥 下面将从以下几个角度分别综述神经网络在场地污染领域中的发展现状和趋势遥2.1土壤质量评价土壤质量评价是改善土壤生态环境质量尧 完善管理体系尧保持土壤生产力可持续发展的有效途径遥SHAO 等20提出了基于 BP 神经网络的土壤质量综合评价 SHM-BP 模型袁将土壤样品中的重金属浓度输入经训练和验证的 SHM-BP 模型袁得到土壤样本的分类结果袁该模型的准确率超过 97%遥 KEBONYE等21将自组织映射神经网络渊SeOM-ANNs冤与条件高斯模拟相结合来识别漫滩土壤中的潜在有毒元素渊PTE冤热点遥 利用其将包含 PTE 和土壤要素的 158个土壤样本进行可视化分类袁 对其用 k-means 进一步分类袁该聚类产生了总共 5 个聚类遥随后结合 CGS来可视化研究区域的 PTE 浓度袁最终对研究区域的土壤质量进行评价遥神经网络在土壤质量评价方面取得了较好的效果袁相较于传统的评价手段时间更短袁准确率更高袁可以有效的促进土地的评估和监测遥2.2土壤重金属含量预测由于各种工业活动产生的废气尧 废液和废渣排放及泄漏导致大量重金属进入土壤环境袁 造成土壤污染袁并且重金属具有性质稳定尧难降解和毒性强的特点袁容易被土壤吸附并不断累积袁进而威胁人类健康22遥 土壤中重金属含量与土壤污染的控制直接相关袁 但由于人力物力的限制袁 很难对其进行详细检模型LeNet-5VGGGoogleNetDenseNet特点卷积核权值共享3x3 的卷积袁层数变深引入 Inception 模块以前馈的方式将各层与其他层连接优点结构简单泛化性能好稀疏性袁模块化参数更少袁特征重用缺点识别率低易过拟合袁参数量大占用资源大特征提取效率还有待提高朱华等基于神经网络的场地污染智能模拟和评估技术综述75环境科技2023 年 8 月测袁 因此通常需要根据现有数据预测未知区域的土壤重金属含量袁 所以近年来各种神经网络模型被用于解决该类问题遥郭飞等23首先用主成分分析法提取高光谱数据中的主成分作为特征变量袁然后选择 ANN 模型以及其他三个模型构建经筛选过后的特征变量和 Cd 含量的关系袁接着再用决定系数尧均方根误差和 RPD评价模型的拟合精度遥结果表明袁该神经网络模型取得了较好的拟合效果遥 同样利用高光谱遥感结合神经网络模型的还有王雪梅等24袁以不同变换处理下的特征波段反射率作为自变量袁 土壤铬含量为因变量袁采用多元线性逐步回归尧偏最小二乘回归尧BP 神经网络和随机森林回归方法构建土壤重金属铬含量的高光谱估测模型袁 并对最优估测结果进行克里格空间插值遥 在该研究中袁通过与其余模型进行对比袁经处理后的 BP 神经网络模型估测精度和稳定性高于其他模型袁 可作为研究区土壤重金属铬含量的最优估测模型遥任加国等25将研究区域选择在某金属加工厂中受到污染侵蚀的场地袁 运用多元统计方法分析土壤样品中重金属和多环芳烃之间的关联性袁 并以此为基础袁利用已知数据样本训练 BP 神经网络模型袁预测缺失土壤样本中重金属和 PAHs 的含量遥 结果显示袁 区域的土壤重金属和 PAHs 含量有一定的超标现象袁 该研究建立的 BP 神经网络模型对污染物浓度预测结果获得较为理想的数值袁 再次证明了 BP神经网络对土壤中重金属含量预测效果较好遥在土壤重金属含量预测方面袁 神经网络模型依旧表现出了较好的效果袁 拥有较强的稳定性和预测精度遥不足之处在于对于训练数据集的要求较高遥综合上述文献袁 整理相应的改进神经网络模型对土壤重金属含量估测结果见表 2遥表2文献中模型估测结果2.3地下水污染评价地下水系统作为一个开放系统袁 与外界因素有着密切而复杂的关系袁特别是在污染迁移过程中袁土壤中的污染物质向地下水中迁移袁造成地下水污染遥并且由于地下水的径流尧排泄以及地下水位的波动袁污染物质又反过来浸润土壤遥因此袁地下水污染风险评价是一个复杂的问题袁 同时地下水污染风险模拟是防治地下水污染的重要手段遥 开展地下水污染评价袁 不仅可以全面探讨地下水污染与人类社会实践的关系袁还可以及时确定地下水污染的重点区域袁能够为地下水资源的管理和保护提供科学依据26遥在地下水污染评价这方面袁袁瑞强等27采用综合指数法尧主成分分析渊PCA冤法和 BP 神经网络法对地下水雨尧旱季水质进行了综合评价袁结果表明袁BP神经网络法适合整体水质评价袁 评价结果最合理遥GAD 等28在多元分析尧人工神经网络模型和地理信息系统技术的支持下袁使用指数化方法渊如饮用水质量指数渊DWQI冤和健康指数渊HI冤冤袁对 El Kharga 绿洲努比亚砂岩含水层渊SSA冤的地下水质量进行了评估遥结果显示袁ANN-SC-13 是最准确的评估模型袁因为它显示了其特性与 DWQI 之间最强的相关性袁该模型的 13 个特征对于评估 DWQI 非常重要遥2.4地下水污染溯源和迁移模拟地下水污染对饮用水安全和生态环境构成威胁遥由于地下水污染的隐蔽性和复杂性袁地下水修复方案的设计尧风险评估和污染责任识别非常困难遥因此袁 研究地下水污染源的反演识别和地下水污染的扩散预测具有重要意义遥 同样有很多学者利用神经网络模型进行了地下水污染的溯源和模拟遥PAN 等29以抚顺市某煤矸石堆放场为研究区,根据研究区的实际条件建立地下水污染质运移模拟模型袁模拟地下水污染质未来时空变化特征袁对地下水污染源源强及场地的渗透系数进行反演识别遥 研究表明袁 应用 BP 神经网络方法建立替代模型的输出结果平均相对误差为 1.5%袁 利用 BP 神经网络模型对污染源源强和渗透系数进行同步识别精度可以满足实际需求遥ALKINDI 等30使用贝叶斯方法渊如贝叶斯广义线性模型渊BGLM冤和贝叶斯岭回归渊BRR冤冤来模拟地下水硝酸盐污染袁用 11 个地下水硝酸盐调节因子来作为模型的输入参数遥结果表明袁该研究的地下水硝酸盐模型比其他模型更有效袁 并且钾在模型中的重要性最高袁其次是降雨量尧海拔尧地下水深度和距居民区的距离遥 该研究结果可为控制和减少硝酸盐污染源提供决策支持遥3结论近年来袁 神经网络结合环境污染模拟和评估进行数据分析的研究成为热点袁 神经网络模型在土壤质量评价尧土壤重金属含量预测尧地下水污染评价尧模型PCA-ANNlg(1/R)爷-BPNNBPNNR20.6120.8520.960RMSE0.1926.3990.032RPD2.092.35-MAE-0.022备注估测土壤重金属铬估测土壤重金属铬估测重金属铅76第 猿6 卷第 4 期地下水污染源溯源和扩散模拟等多领域中展示出超强的数据挖掘和分析能力袁 能够在保证数据精度的同时袁减少相应的实验成本袁并且拥有较为理想的模拟精度和污染评估效果遥 本文首先对神经网络原理和应用较为广泛的几个模型进行了介绍袁 然后着重从各应用方面对神经网络在场地污染的模拟和评估领域的相关改进模型的应用进行了介绍遥 神经网络在场地污染领域或者更大环境污染的模拟和评估领域还有巨大的开发和应用空间袁 目前可以总结为以下几个方面院渊1冤在使用神经网络模型对地下水污染进行反演识别时袁随着变量灵敏度的增加袁精确度也随之受到影响而增加遥 并且观测井的位置对地下水反演识别的精度也有一定的影响袁 在以后的反演识别研究应重点关注位置对于检测精度的影响遥渊2冤目前各文献均显示神经网络模型在场地污染领域取得了较好的效果袁 但是如果模型受到外界环境因素干扰的话袁 或者获取的污染样本不太理想的话袁均会导致模型精度不高遥 因此袁用相关模型去处理实际的应用问题还存在一定的差距袁 即神经网络泛化能力还有所欠缺袁 今后可从该方面展开相关研究遥渊3冤目前改进神经网络模型的角度均着眼于拓展模型深度和宽度袁 但如果局限于具体的污染评估需求时袁则不能取得理想的效果袁未来的研究方向可以针对污染物的特征做区分的模块化结构袁 构建更加符合实际需求的模型遥参考文献1 郭琼泽,施小清,王慧婷,等.井间分溶示踪估计重非水相污染物残留量的影响因素数值分析J.水文地质工程地质,2019,46(6):165-172.2 骆永明.中国污染场地修复的研究进展尧问题与展望J.环境监测管理与技术,2011(3):1-6.3 金民.基于物联网的大气,水,土壤污染治理监控系统研究J.环境科学与管理,2021,46(4):146-150.4 TAO H,LIAO X,ZHAO D,et al.Delineation of soilcontaminant plumes at a co-contaminated site using BP neuralnetworks and geostatisticsJ.Geoderma,2019,354:113878.5 安永龙,黄勇,孙朝,等.北京通州某改造区土壤中PAHs 的来源分析及风险评价J.水文地质工程地质,2017,44(5):112-120.6 陈洁袁施维林袁张一梅袁等.电镀厂遗留场地污染分析及健康风险空间分布评价J.环境工程,2018,36(4):153-159.7 王玉玲,王蒙,闫岩袁等.基于聚类算法的 ERT 污染区域识别方法J.中国环境科学,2019,39(3):1 315-1 322.8 SAHU S,ROY R,ANAND R.Harnessing the potential ofbiological recognition elements for water pollution monitoringJ.ACS sensors,2022,7(3):704-715.9 夏文文,姜瑞雪,王劲龄.基于多元统计分析的洪泽湖水质评价及时空特征分析J.环境科技,2022,35(4):53-58.10 GE G,SHI Z J,ZHU Y J,et al.Land use/cover classificationin an arid desert-oasis mosaic landscape of China usingremote sensed imagery:performance assessment of fourmachine learning algorithmsJ.Global ecology and conse-rvation,2020,22:e00971.11 FAE A,MAE B,AHE C.An enhanced productivityprediction model of active solar still using artificial neuralnetwork and Harris Hawks optimizer J.Applied thermalengineering,2020,170,115020.12 MCCULLOCH W S,PITTS W.A Logical Calculus of theIdeas Immanent in Nervous Activity J.The bulletin ofmathematical biophysics,1943,5:115-133.13 LECUN Y,BOTTOU L.Gradient-based learning applied todocument recognitionJ.Proceedings of the IEEE,1998,86(11):2 278-2 324.14 RUMELHART D E,HINTON G E,WILLIAMS R J.Learningrepresentations by back propagating errors J.Nature,1986,323:533-536.15 HOPFIELD J.Neurons with graded response have collectivecomputational properties like those of two-state neuronsJ.Proceedings of the national academy of sciences,1984,81(10):3 088-3 092.16 HEBB D O.The organization of behavior:a neuropsy-chological theoryM.New York:Psychology press,2002.17 ROSENBLATT F.The perceptron:a probabilistic model forinformation storage and organization in the brainJ.Psychol-ogical review,1958,65(6):386-408.18 HINTON G E,SALAKHUTDINOV R R.Reducing thedimensionality of data with neural networks J.Science,2006,313(5 789):504-507.19 YAO P,WU H,GAO B,et al.Fully hardware-implementedmemristor convolutional neural networkJ.Nature.2020,577(7 792):641-646.20 SHAO W,GUAN Q,TAN Z,et al.Application of BP-ANNmodel in evaluation of soil quality in the arid area,northwestChinaJ.Soil and tillage research.2021,208(2):104907.21 KEBONYE N M,EZE P N,JOHN K,et al.Self-Organizingmap artificial neural networks and sequential gaussiansimulation technique for mapping potentially toxic elementhotspots in polluted mining soilsJ.Journal of geochemicalexploration,2021,222:106680.朱华等基于神经网络的场地污染智能模拟和评估技术综述77环境科技2023 年 8 月特性的模拟研究J.中国环境科学,2013,33(10):1 736-1 740.34 赵宇,吴灿,王益倩,等.中国长三角背景点冬季大气棕碳污染特征及来源解析J.环境科学,2021,42(7):3 127-3 135.35 BUDISULISTIORINI S H,RIVA M,WILLIAMS M,et al.Light-absorbing brown carbon aerosol constituents fromcombustion of Indonesian peat and biomassJ.Environmen-tal science&technology,2017,51(8):4 415-4 423.36 QIN Y M,TAN H B,LI Y J,et al.Chemical characteristics ofbrown carbon in atmospheric particles at a suburban sitenearGuangzhou,ChinaJ.Atmosphericchemistryandphysics,2018,18(22):16 409-16 418.37 LIN P,AIONA P K,LI Y,et al.Molecular characterization ofbrown carbon in biomass burning aerosol particles J.Environmental science&technology,2016,50(21):11 815-11 824.38 ZHONG M,JANG M.Dynamic light absorption of biomass-burning organic carbon photochemically aged under naturalsunlightJ.Atmospheric chemistry and physics,2014,14(3):1 517-1 525.39 SLADE J H,KNOPF D A.Multiphase OH oxidation kineticsof organic aerosol:the role of particle phase state and relativehumidityJ.Geophysical research letters,2014,41(14):5297-5 306.40 单龙,郭振东,徐凌秋,等.2019 年 耀 2021 年沿海城市PM2.5污染特征尧来源和典型污染过程解析J.环境科技,2023,36(1):60-65.(责任编辑臧玲凤冤22 林正.增效淋洗工艺修复粘土中砷,铅污染效果研究要要要以上海市某工业污染场地为例J.环境科技,2023,36(1):5.23 郭飞,许镇,马宏宏,等.基于 PCA 的土壤 Cd 含量高光谱反演模型对比研究J.光谱学与光谱分析,2021,41(5):6.24 王雪梅,玉米提 窑 买明,毛东雷,等.干旱区绿洲耕层土壤重金属铬含量的高光谱估测J.生态环境学报,2021,30(10):2 076-2 084.25 任加国,龚克,马福俊.基于 BP 神经网络的污染场地土壤重金属和 PAHs 含量预测J.环境科学研究,2021,34(9):11.26 MASCIOPINTO C,VURRO M,PALMISANO V N,et al.Asuitable tool for sustainable groundwater management J.Water resources management.2017,31(13):4 133-4 147.27 袁瑞强,钟钰翔,龙西亭.洞庭湖上游平原浅层地下水水质综合评价J.水资源保护,2021,37(6):121-127.28 GAD M,GAAGAI A,EID M H,et al.Groundwater qualityand health risk assessment using indexing approaches,multivariate statistical analysis,artificial neural networks,and GIS techniques in El Kharga Oasis,EgyptJ.Water,2023,15(6):1 216.29 PAN Z,LU W,FAN Y,et al.Identification of groundwatercontamination sources and hydraulic parameters based onbayesian regularization deep neural networkJ.Environme-ntal science and pollution research,2021,28(13):1-13.30 ALKINDI K,MUKHERJEE K,PANDEY M,et al.Predictionof groundwater nitrate concentration in a semiarid regionusing hybrid Bayesian artificial intelligence approachesJ.Environmental science and pollution research international,2021,29(14):1-16.渊责任编辑李文浩冤渊上接第 72 页冤冤78