地下水污染风险区划方法研究综述

地下水污染风险区划方法研究综述一、地下水污染风险区划的核心内涵与理论基础地下水污染风险区划的核心是在空间尺度上量化人类活动与地质环境共同作用下，地下水系统遭受污染的可能性及污染后果的严重程度。国际水文地质学家协会（IAH）早在2004年就明确了其“双维度”属性：既包含天然水文地质条件决定的固有脆弱性，也叠加污染源荷载、污染物迁移转化规律等人为胁迫因素。与传统的地下水脆弱性评价相比，风险区划更强调“风险源-暴露路径-风险受体”的完整链路分析，其结果直接服务于国土空间规划、污染防治分区管控等行政决策，是环境管理从“末端治理”向“源头预防”转型的核心技术支撑。当前主流的理论框架建立在“压力-状态-响应”（PSR）模型的扩展之上，部分研究进一步纳入生态系统服务价值维度，形成了“脆弱性-污染源荷载-受体价值”的三维评价体系。其中固有脆弱性评价部分延续了DRASTIC模型的核心逻辑，即通过地下水位埋深、净补给量、含水层介质、土壤介质、地形坡度、包气带介质、水力传导系数7个参数的加权叠加评估天然防污性能，但近年来学者们针对不同区域的地质特征对参数体系进行了大量本土化修正：比如在岩溶发育区增加了岩溶发育强度、落水洞密度等参数，在冻土区加入了活动层厚度、冻土渗透性等指标，有效提升了传统模型在特殊地质单元的适配性。污染源荷载评价则从早期仅关注污染源类型、排放量，逐步发展到考虑污染物的生物毒性、降解性、迁移能力等属性，对工业污染源、农业面源、城镇生活源的差异化权重赋值也逐渐形成共识。二、主流区划方法的技术路径与适用场景2.1指数叠加法：传统区划的标准化工具指数叠加法是目前应用最广泛的区划方法，其核心思路是将评价体系拆解为多个独立指标，通过打分、标准化处理后赋予权重，最终叠加得到综合风险指数并划分等级。该方法的优势在于逻辑清晰、计算简便、结果易于解释，非常适合大尺度区域的初步风险筛查。农业农村部2022年发布的《全国地下水污染防治区划技术指南》中，就明确将指数叠加法作为县级以上行政区域风险区划的首选方法。权重确定是指数叠加法的核心环节，目前形成了主观赋权、客观赋权两大路径。主观赋权以层次分析法（AHP）、德尔菲法为代表，通过专家经验判断指标重要性，优势是能够结合区域实际问题调整权重导向，比如在工业园区密集区可以人为提高污染源荷载的权重，在饮用水源保护区可以提升受体价值的权重，但缺点是易受专家主观偏好影响。客观赋权以熵权法、CRITIC法为代表，通过指标数据的离散程度计算权重，避免了人为干扰，但可能出现与实际管理需求脱节的问题，比如当某区域所有监测点的地下水埋深差异很小时，熵权法会赋予该指标极低权重，而实际上地下水埋深是决定污染易发性的关键因素。近年来越来越多的研究采用组合赋权的方式，将主观经验与客观数据特征结合，一定程度上弥补了单一赋权的缺陷。2.2数值模拟法：高精度小尺度区划的核心技术对于场地尺度、工业园区周边等需要高精度结果的场景，数值模拟法逐渐成为主流。该方法通过建立地下水水流与溶质运移模型，模拟不同污染源情景下污染物的迁移扩散过程，定量计算污染物到达受体的时间、浓度峰值以及影响范围，从而实现风险的精准量化。比如针对某化工园区的风险区划，研究人员可以通过MODFLOW建立水流模型，结合MT3DMS模拟特征污染物硝基苯的迁移过程，计算未来30年污染物对下游5km处集中式饮用水源井的超标概率，以此作为风险等级划分的依据。数值模拟法的精度高度依赖水文地质勘察数据的丰富度，需要大量的钻孔数据、水位监测数据、水文地质试验参数作为支撑，因此实施成本高、周期长，并不适合省级以上大尺度区域的区划工作。近年来随着机器学习方法的发展，不少研究尝试用代理模型降低数值模拟的计算成本：即先通过少量数值模拟结果训练神经网络、随机森林等模型，再用代理模型完成大量情景的风险计算，在保证精度的同时将计算效率提升了1-2个数量级，为中等尺度区域的高精度区划提供了可能。2.3机器学习法：多源异构数据融合的新路径随着地下水监测网络的完善和多源异构数据的积累，机器学习方法在风险区划中的应用呈爆发式增长。与传统方法相比，机器学习能够自动挖掘指标与风险等级之间的非线性关系，无需预先设定指标权重，尤其适合处理指标间存在复杂交互作用的场景。目前应用较多的模型包括随机森林、支持向量机、极限梯度提升（XGBoost）、卷积神经网络（CNN）等，其中随机森林因具备良好的抗过拟合能力、能够输出指标重要性排名，成为最受青睐的模型。机器学习方法的应用目前存在三个突出问题：一是对样本量的要求较高，通常需要上百个已有的污染案例或监测点数据作为训练集，在监测数据匮乏的区域难以应用；二是“黑箱”属性导致结果解释性差，难以说明风险等级划分的具体依据，不利于后续的环境管理决策；三是模型泛化能力不足，在某一区域训练的模型往往无法直接迁移到其他地质单元使用。针对这些问题，近年来学者们开始探索可解释人工智能（XAI）与水文地质专业知识结合的路径，比如通过SHAP值解释机器学习模型的决策过程，明确各个指标对风险等级的贡献度，在保持模型精度的同时提升结果的可解释性，为该方法的管理应用扫清障碍。三、方法应用中的关键争议与优化方向3.1时空尺度适配性的争议当前地下水污染风险区划的尺度效应问题尚未形成统一共识。不同空间尺度下，指标的敏感性存在显著差异：在全国尺度的区划中，年降水量、含水层类型等宏观参数的解释度更高，而在区县尺度，包气带岩性、局部污染源分布等精细化指标的作用更为突出。部分研究直接将小尺度的指标体系套用到大尺度区划中，导致结果出现明显的空间异质性不足问题，无法反映区域风险的实际差异。时间尺度的选择同样存在争议：传统区划通常采用多年平均数据计算静态风险，但农业面源污染、季节性河流补给等因素具有明显的年际、年内波动特征，静态区划结果无法反映风险的动态变化，比如北方灌区在施肥期的地下水污染风险明显高于非施肥期，而基于年均值的区划结果无法体现这种季节性差异。针对尺度适配性问题，近年来“多尺度嵌套区划”成为重要的优化方向：即先通过大尺度粗分辨率区划识别高风险区域，再针对高风险区开展小尺度高精度区划，既节约了调查成本，又保证了重点区域的精度。动态风险区划也逐步得到应用，通过融合实时气象数据、污染源排放数据、地下水动态监测数据，按季度更新风险区划结果，为污染过程的精准管控提供支撑。3.2不确定性的量化与控制地下水污染风险区划的全流程存在多重不确定性：水文地质参数的空间变异带来的输入不确定性、模型结构选择带来的方法不确定性、权重和阈值选取带来的参数不确定性，这些不确定性往往会导致最终的区划结果出现偏差，甚至出现高风险区漏判的问题。传统研究通常仅给出单一的风险等级划分结果，很少对不确定性进行量化，导致管理决策面临潜在的风险。目前不确定性控制的方法主要包括三类：一是通过增加采样密度、采用地质统计学方法进行参数空间插值，降低输入数据的不确定性；二是开展多方法对比研究，比如同时用指数叠加法和随机森林法进行区划，取两种方法结果的交集作为高风险区的最终划定范围，降低方法选择的不确定性；三是采用蒙特卡洛模拟方法，通过随机抽样计算不同参数组合下的风险值分布，给出风险等级的概率区间，比如某区域被划分为高风险的概率为85%，以此反映结果的不确定性程度，帮助管理者制定更具弹性的管控方案。3.3与管理需求的衔接不足当前大量研究的区划结果仅停留在“风险等级划分”层面，与后续的环境管理需求衔接不足。最突出的问题是风险等级的阈值划分缺乏统一标准，多数研究采用自然断点法、等间距法等统计方法划分风险等级，没有考虑不同等级对应的管控措施差异，导致区划结果无法直接纳入环境管理体系。比如部分研究将风险划分为5个等级，但地方环境管理部门通常只需要“优先防控区、重点防控区、一般防控区”三类管控单元，两者难以匹配。此外，多数区划仅关注地下水水质污染风险，没有考虑污染对供水安全、生态系统、人体健康的差异化影响，无法支撑“一地一策”的精细化管控需求。针对这一问题，近年来“管控导向”的区划方法逐渐成为发展趋势。学者们开始将管控需求嵌入区划的全流程：在指标体系构建阶段就征求环境管理部门的意见，将管控成本、管控可行性等因素纳入评价维度；在阈值划分阶段，结合不同等级对应的管控措施确定分界标准，比如将集中式饮用水源保护区、污染源周边1km范围等法定需要重点管控的区域直接划分为优先防控区，实现区划结果与现有管理制度的无缝衔接。部分研究进一步在区划结果中加入风险管控建议清单，针对不同风险区的特征提出产业准入负面清单、污染源头防控措施、监测网络优化方案等配套内容，大大提升了区划成果的实用价值。四、未来研究的重点发展方向未来地下水污染风险区划研究将朝着“多学科交叉、多数据融合、多场景应用”的方向发展。首先是多技术融合的区划方法体系构建，将水文地质数值模拟的物理机制、机器学习的大数据分析能力、传统指数法的可解释性优势结合，形成适用不同尺度、不同数据条件的方法工具箱，解决单一方法的局限性问题。其次是面向新型污染物的风险区划技