地下水硝酸盐污染的来源识别模型研究综述

地下水硝酸盐污染的来源识别模型研究综述地下水硝酸盐污染是全球范围内普遍存在的水环境问题，过量硝酸盐进入人体后会转化为亚硝酸盐，不仅会引发高铁血红蛋白症等急性疾病，长期暴露还会增加消化系统癌症的发病风险，同时也会对农田生态系统的土壤质量、作物品质造成不可逆的损害。随着工业化、农业集约化进程的加快，我国地下水硝酸盐污染呈现出污染源类型多样、污染范围持续扩张、浓度逐年攀升的特征，开展精准的污染源识别工作，是制定地下水污染防控方案、保障饮用水安全的核心前提。近年来，随着环境分析技术与数值模拟方法的不断迭代，污染源识别模型已从单一的统计分析模型，发展为多技术融合的复合识别体系，为复杂水文地质条件下的硝酸盐溯源提供了有力支撑。一、传统统计识别模型的应用与局限早期地下水硝酸盐来源识别主要依赖统计分析模型，这类模型通过建立硝酸盐浓度与潜在影响因子之间的关联关系，实现污染源的定性或半定量识别，其核心优势在于数据需求量小、计算流程简便，适合在水文地质资料匮乏的区域开展初步溯源工作。相关性分析是最基础的统计识别方法，研究者通常会分析硝酸盐与氯离子、钾离子、总氮等特征离子的相关关系，比如硝酸盐与氯离子显著正相关时，往往指示污染源与生活污水、畜禽养殖废水排放有关，因为这类污染物中同时含有高浓度的氯离子和硝酸盐；而硝酸盐与铵离子、总磷的正相关则更多指向农业面源污染中的化肥流失。主成分分析（PCA）则可以在多维水质指标中提取出主要的影响因子，通过因子载荷矩阵判断不同污染源的贡献特征，例如有研究在华北平原地下水硝酸盐溯源中，通过主成分分析提取出三个主因子，分别对应农业化肥源（方差贡献度42%）、生活污水源（方差贡献度28%）和工业污染源（方差贡献度17%），初步明确了区域污染的主导类型。但传统统计模型的局限性也十分突出：一方面，这类模型无法量化不同污染源的具体贡献比例，仅能实现定性判断，难以满足污染责任划分、减排目标制定的实际需求；另一方面，统计模型的结果高度依赖采样点的代表性，当区域内污染源类型复杂、水文地质条件异质性强时，容易出现因子解释模糊、关联关系误判的问题，例如在石灰岩地区，碳酸盐岩的风化会释放大量钙离子，会干扰硝酸盐与钙元素之间的关联关系，导致对农业化肥源的识别偏差。此外，统计模型无法反映硝酸盐在地下水中的迁移转化过程，无法区分“原位污染”与“迁移输入”的污染，对于跨区域的污染传输问题识别能力不足。二、同位素示踪模型的发展与技术突破同位素示踪技术的出现为硝酸盐来源识别提供了更精准的技术路径，其原理是不同来源的硝酸盐具有独特的氮、氧同位素组成特征：例如化学合成氮肥的δ¹⁵N值通常在-2‰+5‰之间，δ¹⁸O值在+17‰+25‰之间；畜禽粪便及生活污水源的δ¹⁵N值普遍高于+10‰，δ¹⁸O值在-5‰+10‰之间；土壤有机氮矿化产生的硝酸盐δ¹⁵N值在+2‰+8‰，δ¹⁸O值在-10‰~+10‰，通过对比水样中硝酸盐的同位素特征与已知污染源的同位素端元值，即可实现污染源的精准识别。早期同位素模型主要采用端元混合模型（EMMA），通过设定有限的同位素端元，计算不同端元的贡献比例，例如双同位素（δ¹⁵N-NO₃⁻、δ¹⁸O-NO₃⁻）端元混合模型最多可量化3种污染源的贡献比例，在污染源类型较少的区域应用效果良好。但随着研究的深入，研究者发现硝酸盐在地下水迁移过程中会发生反硝化作用，导致同位素发生分馏，剩余硝酸盐的δ¹⁵N和δ¹⁸O值会按约2:1的比例富集，直接使用端元混合模型会导致识别结果出现显著偏差。为解决这一问题，研究人员将分馏系数纳入模型，开发了考虑反硝化作用的修正端元混合模型，通过测定硝酸盐浓度与同位素值的协同变化，计算反硝化作用的反应程度，再对端元贡献比例进行校正，大幅提升了模型在生物地球化学作用活跃区域的适用性。近年来，多同位素联合示踪成为该领域的研究热点，除了传统的氮、氧同位素外，研究者还引入了硼同位素、锶同位素、水的氢氧同位素等辅助标记：硼同位素可以有效区分生活污水与畜禽粪便源，因为人类排泄物中含有大量来自清洁剂的硼，其δ¹¹B值显著高于畜禽粪便；水的氢氧同位素可以指示地下水的补给来源，帮助区分不同含水层之间的污染传输；锶同位素则可以识别工业废渣淋滤源的硝酸盐污染。多同位素联合模型的端元区分能力大幅提升，最多可同时量化5~6种不同污染源的贡献比例，识别误差可控制在10%以内。目前，高分辨质谱与同位素检测技术的结合进一步推动了该领域的发展，纳米二次离子质谱（NanoSIMS）可以实现单个硝酸盐分子的同位素测定，为微尺度下的硝酸盐迁移转化过程识别提供了可能。三、数值模拟模型的应用与多场景适配数值模拟模型基于地下水水流与溶质运移理论，通过构建研究区的水文地质概念模型，模拟硝酸盐在地下水中的对流、弥散、吸附、生物降解等过程，结合实际监测的浓度、同位素数据反演污染源的位置、排放强度与排放历史，这类模型的核心优势是可以实现污染源的时空动态识别，不仅能回答“污染来自哪里”，还能回答“污染什么时候排放、扩散范围有多大”的问题，为污染修复方案的制定提供全周期的数据支撑。MODFLOW与MT3DMS是早期应用最广泛的地下水溶质运移模拟软件，研究者通过设定不同的污染排放情景，对比模拟结果与实际监测数据的拟合度，筛选出最可能的污染源组合。但这类模型的参数率定依赖大量的监测数据，在资料匮乏的区域应用难度较大，且传统的试错法参数率定效率极低，难以应对多污染源、多参数的复杂反演问题。随着优化算法的发展，模拟模型与智能优化算法的结合成为主流研究方向：遗传算法、模拟退火算法、粒子群算法等全局优化算法被引入到模型参数反演中，通过迭代寻优自动匹配最优的污染源参数，大幅提升了反演效率与精度。例如有研究将MODFLOW与遗传算法结合，对某化工园区的地下水硝酸盐污染进行溯源，成功识别出3个未知的泄漏点位置，排放强度的反演误差低于8%，识别耗时较传统试错法缩短了70%。针对不同应用场景的特性，研究者开发了一系列定制化的数值模拟模型：针对农业面源污染的随机性特征，开发了分布式水文模型与地下水溶质运移模型的耦合模型（如SWAT-MODFLOW耦合模型），可以将地表的化肥施用、灌溉、降雨径流等过程与地下水中的硝酸盐迁移过程结合，模拟不同农业管理措施下硝酸盐的入渗负荷与时空分布；针对岩溶含水层的非均质性特征，开发了双重介质、三重介质溶质运移模型，考虑岩溶管道与基质孔隙之间的溶质交换过程，解决了传统模型在岩溶区模拟结果偏差大的问题；针对污染场地的快速识别需求，开发了简化的解析元素模型，在不需要构建复杂三维地质模型的情况下，可快速实现中小型场地的污染源定位，适合应急污染事件的快速溯源。数值模拟模型的不确定性问题是当前研究的重点方向，模型输入参数（如渗透系数、孔隙度、弥散度）的不确定性、水文地质结构的概化误差、监测数据的误差都会影响溯源结果的可靠性。目前研究者通常采用蒙特卡洛模拟、贝叶斯估计等方法对模型不确定性进行量化，给出污染源参数的置信区间，为决策提供更科学的依据。例如贝叶斯反演模型可以结合先验信息（如区域污染源调查数据、水文地质试验结果）与监测数据，计算不同污染源情景的后验概率，不仅能给出最可能的污染源参数，还能量化结果的可靠性程度，在数据量有限的区域也能获得相对稳定的识别结果。四、机器学习识别模型的兴起与技术优势随着大数据技术的发展，机器学习模型逐渐被应用到地下水硝酸盐来源识别领域，这类模型通过对大量已知污染源样本的学习，自动提取不同污染源的特征模式，无需预先构建复杂的水文地质概念模型，也不需要考虑生物地球化学过程的反应机制，在高维、非线性、大样本量的识别场景中具有显著的技术优势。随机森林、支持向量机、人工神经网络是目前应用最广泛的三类机器学习识别模型。随机森林模型通过构建多棵决策树对水质指标、同位素数据、土地利用类型、水文地质参数等多源特征进行分类，不仅可以输出污染源的类型与贡献比例，还能通过特征重要性评分，识别出对污染来源影响最大的关键因子，帮助研究者简化后续监测指标体系。有研究在我国长江三角洲地区开展的硝酸盐溯源工作中，采用随机森林模型对1200组地下水样品的24项指标进行分析，模型的污染源分类准确率达到92%，优于传统的同位素端元混合模型，同时识别出δ¹⁵N、土地利用类型、地下水埋深、氯离子浓度是影响识别结果的四个最重要特征，为区域监测网络优化提供了参考。深度学习模型的出现进一步提升了复杂场景下的识别精度，卷积神经网络（CNN）可以对区域的空间分布数据（如污染物浓度空间插值图、土地利用图、水文地质参数分布图）进行特征提取，捕捉污染源的空间分布规律；循环神经网络（RNN）和长短期记忆网络（LSTM）可以处理长时间序列的监测数据，识别硝酸盐污染的时间变化特征，反演污染源的排放历史。针对监测数据不足的问题，研究者采用迁移学习技术，将在数据丰富区域训练好的模型迁移到资料匮乏的研究区，通过少量的本地样本微调模型参数，即可获得较好的识别效果，大幅降低了模型对本地样本量的需求。例如有研究将在华北平原训练好的硝酸盐识别模型迁移到西北干旱区的类似农业种植区，仅用30组本地样本进行微调，模型识别准确率就达到了85%，远高于传统模型在相同数据量下的表现。当前机器学习模型的发展方向主要集中在多源数据融合与模型可解释性提升两个方面：通过融合卫星遥感数据、物联网实时监测数据、污染源普查数据、公民科学监测数据等多源数据，进一步扩大模型的输入信息维度，提升识别精度；通过引入可解释人工智能（XAI）技术，破解机器学习“黑箱”问题，明确模型识别结果的决策依据，提升模型在环境管理应用中的可信度。目前已有研究将SHAP（SHapleyAdditiveexPlanations）方法应用到随机森林识别模型的解释中，量化每个输入特征对单个样本识别结果的贡献，为识别结果的验证与调整提供了明确的依据。五、多模型耦合识别体系的构建与应用实践单一类型的识别模型往往存在各自的适用局限：统计模型难以量化贡献比例，同位素模型难以反映时空动态过程，数值模拟模型对数据需求量大，机器学习模型的可解释性不足。近年来，研究者越来越倾向于构建多模型耦合的识别体系，充分发挥不同模型的技术优势，实现优势互补，提升复杂条件下的识别精度与可靠性。“同位素示踪+数值模拟”是目前应用最成熟的耦合模式，一方面，同位素示踪的结果可以为数值模型提供污染源的初始端元信息，减少模型的不确定参数数量，大幅提升反演效率；另一方面，数值模拟可以模拟硝酸盐的迁移转化过程，对同位素示踪的结果进行验证，修正反硝化作用等生物地球化学过程导致的同位素分馏偏差。例如在华北某农业面源污染防控区的研究中，研究者首先通过氮氧双同位素识别出区域硝酸盐主要来自化肥源（贡献62%）、生活污水源（贡献23%）和土壤有机氮矿化（贡献15%），然后将该结果作为约束条件加入到SWAT-MODFLOW耦合模型中，反演出不同乡镇的化肥流失负荷与生活污水排放强度，模拟结果与实际监测数据的纳什效率系数达到0.87，远高于未加同位素约束的模型结果（0.63）。“机器学习+数值模拟”的耦合模式则同时兼顾了效率与精度，首先利用机器学习模型对大量监测数据进行快速筛选，初步识别出潜在的污染区域与污染源类型，缩小数值模拟的反演范围，然后针对重点区域构建高精度的数值模拟模型，开展精细化的污染源参数反演，既避免了机器学习模型结果的不确定性，又解决了传统数值模拟反演范围大、计算效率低的问题。在某流域尺度的硝酸盐污染溯源项目中，研究者首先用随机森林模型对整个流域的500个监测点数据进行分类，快速识别出2个高污染风险子区域，然后仅针对这两个子区域构建三维数值模拟模型开展反演，整个溯源工作的耗时较传统全流域模拟缩短了60%，识别精度提升了15%。随着智慧水务平台的建设，多模型耦合识别体系正逐渐向实时化、动态化方向发展，通过与地下水自动监测网络对接，系统可以实时获取最新的水质、水位监测数据，自动更新模型参数，动态调