長白山源頭區(qū)地下水質評價及監(jiān)測指標優(yōu)化

谷志琪,卞建民,王 宇*,馬麗欣,孫曉慶,阮冬梅

長白山源頭區(qū)地下水質評價及監(jiān)測指標優(yōu)化

谷志琪1,卞建民1,王 宇1*,馬麗欣2,孫曉慶1,阮冬梅1

(1.吉林大學新能源與環(huán)境學院,地下水資源與環(huán)境教育部重點實驗室,吉林 長春 130021；2.吉林省生態(tài)環(huán)境監(jiān)測中心,吉林 長春 130021)

以長白山源頭區(qū)-安圖縣作為研究區(qū),分析地下水化學特征及其形成過程,基于組合熵權的云模型評估地下水質量,并利用隨機森林聯(lián)合多元線性回歸構建水質指標優(yōu)化模型,確定地下水源保障監(jiān)測的關鍵指標.結果表明,研究區(qū)地下水水化學類型主要為HCO3-Mg·Na·Ca型,主要受巖石風化作用影響;地下水質量評價等級為Ⅰ～Ⅲ類的樣品數(shù)達到74%;最佳指標優(yōu)化模型的2和RMSE值分別為0.6333和0.726,優(yōu)化指標為F-、Na+、TDS、Cl-,作為該區(qū)地下水監(jiān)測的關鍵指標,能夠有效減少監(jiān)測費用,并為強化水源地安全保障提供科學依據(jù).

長白山優(yōu)質水源；云模型；隨機森林；水質評價；指標優(yōu)化；地下水

長白山天池水資源豐富,是該地區(qū)的重要水源[1],隨著經(jīng)濟的發(fā)展,人們對優(yōu)質水源的需求愈加迫切,對水資源的開發(fā)利用程度也逐漸增加,而水資源大量開發(fā)過程中容易對水源地水質造成影響[2].因此,加強優(yōu)質水源地保護,探究區(qū)域地下水水質現(xiàn)狀,構建合理的地下水監(jiān)測體系等工作亟待開展,對于保障優(yōu)質水資源的可持續(xù)利用,支撐社會經(jīng)濟和生態(tài)環(huán)境的協(xié)調發(fā)展具有重要意義.

目前我國針對優(yōu)質水源地已經(jīng)開展了水質適宜性分析[3]、構建水源評價指標體系[4]和決策供水水源模型[5]等一系列工作,但是部分水源地水質狀況仍不明確,沒有建立可靠的監(jiān)測保障體系.地下水質量評價涉及多個指標的不同決策,大量使用的Nemerow指數(shù)法[6]、模糊綜合評價法[7]、支持向量機[8]、主成分分析[9]和投影尋蹤法[10]等方法由于適用條件及評估標準的不同,當指標監(jiān)測值在水質分類標準閾值附近時具有一定的模糊性和隨機性[11],難以做出準確判斷進而導致評價結果的不確定性.針對這種不確定性,基于概率統(tǒng)計和模糊數(shù)學的正態(tài)云模型在定性概念與定量數(shù)值相互轉換過程中具有優(yōu)越性[12],還可以考慮評價標準的非線性和評價參數(shù)的多樣性,從而確保評價結果更加可靠.

基于不同類別的大量地下水監(jiān)測數(shù)據(jù)信息基本可以反映出當前環(huán)境下的水質狀況,但不同的監(jiān)測指標與水環(huán)境之間存在不匹配問題,長期處于符合標準范圍內的非重要指標容易減弱重要指標對水環(huán)境的影響[13],使水質評價結果出現(xiàn)一定的偏差,難以表征真實的水環(huán)境狀況,還會造成時間和人力物力上的浪費.目前對水環(huán)境監(jiān)測指標進行優(yōu)化的研究往往結合水質評價結果進行主觀篩選[14],依據(jù)不同指標間的相關性[15]以及構建水質指數(shù)模型[16]優(yōu)化關鍵指標等.隨機森林方法不但數(shù)據(jù)處理速度快,較其他同類算法準確率也更高,已經(jīng)在地下水潛力評估[17]、地下水水質評價[18]、地下水污染預測[19]等領域進行了應用[20],而根據(jù)隨機森林方法定量評價監(jiān)測指標對于水質類別的重要性,構建指標優(yōu)化模型的研究鮮見報道.因此,本文選取長白山源頭區(qū)安圖縣作為研究對象,進行地下水調查和樣品采集測試,分析研究區(qū)地下水水化學特征及其形成過程,在此基礎上結合熵權理論運用正態(tài)云模型評價地下水水質,驗證該方法可靠性的同時將其評價結果與隨機森林方法聯(lián)用,構建地下水監(jiān)測指標的優(yōu)化模型,篩選影響該地區(qū)地下水水質的關鍵指標,為了解區(qū)域地下水水質狀況和保護優(yōu)質水源地提供理論依據(jù).

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

長白山地處我國東北部(東經(jīng)127°～132°,北緯39°～46°),是中國濕潤地區(qū)最大的火山臺地山脈,面積約19600km2,屬于東亞季風氣候區(qū),境內多年平均氣溫3.54℃,年平均降水量在 700～1400mm之間[21].區(qū)內總體地勢東南高西北低,地質構造復雜,以天池為中心形成了眾多環(huán)狀斷裂及放射狀斷裂,各種構造斷裂相互穿插、交切,為地下水提供了大量的循環(huán)及儲存空間[22].松花江、鴨綠江、圖們江三大江皆發(fā)源于長白山頂端天池,在流經(jīng)途中分叉形成眾多細小分散支流,形成流域面積超過20km2.

以長白山北側源頭區(qū)—安圖縣(127°48￠～ 129°08￠E,北緯42°01￠～43°24￠N)作為研究區(qū),該區(qū)域總面積約為7400km2,總人口約22萬,植被覆蓋率達87%以上,總體地勢南高北低,東高西低,呈階梯狀臺地展布,多年平均氣溫約為3.8℃,多年平均降水量約為752mm.區(qū)內地下水主要為玄武巖孔洞裂隙水,主要賦存于軍艦山組玄武巖地層中,其氣孔率一般為20%～30%,該含水層的補給來源包括大氣降水和凝結水[23],通過在山前谷地富集,排泄成泉,成為地表徑流的補給源.地表徑流中二道白河直接發(fā)源于長白山天池,與頭道白河、三道白河等均屬于松花江水系.

圖1 研究區(qū)位置及采樣點分布示意

1.2 數(shù)據(jù)來源

利用本課題組在研究區(qū)采集的35個點位的地下水樣品測試數(shù)據(jù),采樣點的布設結合了研究區(qū)地質及水文地質條件,并沿地下水流動路徑布置(圖1).樣品的采集、運輸和儲存工作嚴格遵守《地下水環(huán)境監(jiān)測技術規(guī)范》(HJ/T 164-2004),測試工作由吉林大學測試科學實驗中心承擔.檢測指標14項,測試方法見表1.

表1 地下水水化學組分測定方法

1.3 研究方法

1.3.1 正態(tài)云理論 正態(tài)分布是概率論中最重要的分布之一,根據(jù)正態(tài)分布曲線延伸出了鐘形隸屬函數(shù),在其基礎上發(fā)展了用于處理定性概念與定量描述的不確定轉換模型——正態(tài)云模型[24],其不確定性使用(、、)等數(shù)字特征進行確定,其計算方程如下:

(1):期望,云滴在論域空間分布的期望,代表云滴的定性概念.

式中:min、max分別為評價因子隸屬于某一水質等級的標準上下限值.

(2)En:熵,反映了代表定性概念云滴的離散程度和在論域空間可被概念接受的云滴的取值范圍.

(3)He:超熵,反映了云的離散程度.

式中:為常數(shù),根據(jù)系列的分布情況調整[25].耦合熵權法的正態(tài)云模型的流程如圖2所示.

圖2 耦合熵權的正態(tài)云模型流程

1.3.2 隨機森林方法 隨機森林(RF)利用裝袋重抽樣和特征隨機性來構建每棵單獨的決策樹,生成不相關的森林,其對每個決策結果進行投票表決的最終結果比任何單獨的樹更準確[26].該方法的一個突出特點是可以通過計算Mean Decreased Gini Coefficient(平均下降Gini指數(shù),MDG)來評價每個因素的相對重要性及其對預測輸出的影響[27].MDG是數(shù)據(jù)集中隨機索引被錯誤劃分的概率,用于指示節(jié)點的純度,MDG值越大,該指標的重要性就越大,其計算公式如下:

式中:(i,j)表示第個變量的第個指數(shù);表示回歸樹的節(jié)點編號.當節(jié)點分成兩個子節(jié)點時,兩個子節(jié)點處的基尼指數(shù)將趨于最小化,并將用作節(jié)點處基尼指數(shù)的最終值:

當節(jié)點被拆分為兩個子節(jié)點時,其子節(jié)點的基尼指數(shù)之和低于其父節(jié)點的基尼系數(shù)之和,并且減少的絕對值計算如下:

式中:Gini(l)是左側子節(jié)點的Gini指數(shù); Gini(r)是右側子節(jié)點的基尼指數(shù);l和r分別是左側和右側節(jié)點的樣本大小.

2 結果與討論

2.1 地下水化學特征及其形成過程

根據(jù)研究區(qū)地下水樣品指標檢出率情況,結合《地下水質量標準》(GB/T14848—2017)[28]選取14個水質指標進行描述性統(tǒng)計分析,并繪制Piper三線圖判別水化學類型.結果表明,研究區(qū)地下水普遍呈中性,pH值變化范圍為6.16～8;地下水以淡軟水類型為主,TDS變化范圍為96～2029.68mg/L, TH變化范圍為24.09～895.41mg/L,分別有約14.29%和11.43%的樣品超過了地下水Ⅲ類水閾值;其他指標除F-和TFe外,均未超過地下水Ⅲ類水閾值,其中F-在所有指標中超標率最高,為22.86%.經(jīng)分析,該地區(qū)F-含量較高的原因是受到地下水深循環(huán)影響,火山活動形成的大型斷裂中高溫熱水溶解花崗巖中的氟元素形成高氟水,補給到淺層地下水中使其中F-含量相對較高,與前人的研究結論吻合[29].TFe的超標率為14.28%,主要受到長白山噴發(fā)的火成巖鐵元素本底值高的影響.pH值的變異系數(shù)非常小,表明區(qū)內地下水pH值總體上分布均勻,除K+、F-和H2SiO3以外其余指標變異系數(shù)均大于1,在研究區(qū)范圍內空間分布存在一定的差異,TFe的變異系數(shù)最大,其形成受火山地質作用影響是其空間差異性的主要原因.研究區(qū)地下水主要陽離子是Na+和Ca2+,主要陰離子是HCO3-,地下水水化學類型主要為HCO3- Mg·Na·Ca型和HCO3-Na·Mg·Ca型(圖3).

圖3 研究區(qū)地下水piper三線圖

圖4 研究區(qū)地下水Gibbs圖

基于水化學數(shù)據(jù)繪制Gibbs圖,根據(jù)各點在 Gibbs圖中的位置,分析溶解于水中的化學成分的主要來源,判斷地下水的水化學成因.如圖4所示,大部分水樣點均落在Gibbs圖中間的巖石風化控制區(qū),少部分水樣點分布在蒸發(fā)濃縮作用控制區(qū),而在大氣降雨作用控制區(qū)沒有水樣點的分布.表明地下水化學成分的形成以巖石風化作用的影響為主,蒸發(fā)濃縮作用的影響為次,而大氣降雨作用幾乎沒有影響.個別水樣點落在Gibbs圖外,這表明還可能受到陽離子交換作用的影響.

2.2 地下水水質評價

考慮到地下水質量標準中K+、Ca2+、Mg2+、HCO3-、H2SiO3和pH值等指標沒有具體類別對應的標準閾值,故選擇Na+、SO42-、Cl-、TDS、TH、TFe、F-、和NO3-這8個指標,通過正態(tài)云模型理論耦合熵權法評價安圖縣地下水水質,了解地下水環(huán)境質量.

表2 各指標權重計算結果

圖5 水質評價結果對比圖

不同指標的熵權計算結果如表2所示,在確定各指標權重的基礎上,結合云模型參數(shù)得出水質綜合評價結果,并與內梅羅綜合計算結果進行比較(圖5).由圖5可知:研究區(qū)內地下水水質較好,大部分均為Ⅰ～Ⅲ類,基于組合熵權的正態(tài)云模型評價結果中等于或好于Ⅲ類水的樣品有26個,內梅羅評價結果中等于或好于Ⅲ類水的樣品有22個,兩種方法對于區(qū)域水質的綜合評價結果具有較好的一致性.內梅羅綜合評價結果中絕大部分樣品點屬于Ⅰ類或Ⅴ等邊緣水質類別,占比超過全部樣品的66%,而基于組合熵權的正態(tài)云模型評價結果中各級別樣品數(shù)量較為平均,不同類別樣品占比均小于35%.

這是因為內梅羅綜合評價根據(jù)計算F值進行分類,評價結果易受極大值影響,忽略水質較為適中的類別,而在大量云滴基礎上建立的正態(tài)云模型減少了極大值對評價結果的影響程度,同時與熵權法耦合,降低了評價過程中的模糊性,使得評價結果更能反映出地下水環(huán)境的真實情況.云模型結合不同權重方法應用于評價某地區(qū)的地下水水質的相關研究均得出了相似結論[30-31],也證明了本文結論的可靠性.

2.3 地下水監(jiān)測指標優(yōu)化

基于組合熵權的正態(tài)云模型的地下水質量評價結果,通過隨機森林定量評價水質指標對水質類別的特征重要性,結果表明,F-是對研究區(qū)地下水水質影響最大的指標,MDG值為3.08,Na+、TH、TDS、Cl-與SO42-的重要性差別較小,均在2.05～2.3范圍內,TFe和NO3-的重要性相對較低(圖6(a)),因此,可選擇F-、Na+、TH、TDS、Cl-與SO42-等指標構建優(yōu)化指標模型.

表3 優(yōu)化模型指標選擇及分析結果

同時,為確定構建優(yōu)化模型的最佳指標數(shù)量,本文采取十折交叉驗證法,計算不同指標數(shù)量下水質類別的擬合誤差(圖6(b)).結果表明,水質擬合誤差隨著選取指標數(shù)量的增加先增加,后減小,當選擇4個指標時,水質擬合的誤差最小,之后在選取指標數(shù)量增加的情況下,擬合誤差也趨于穩(wěn)定,因此,選擇4個指標構建優(yōu)化指標模型.此外,由于F-的相對重要性排序顯著高于其他指標(圖6(a)),因此,以F-作為優(yōu)化模型的基礎指標,分別加入Na+、TH、TDS、Cl-與SO42-構建10個優(yōu)化指標模型,通過多元線性回歸分析對地下水質量進行擬合,比較模擬結果與組合熵權的云模型評價結果間的擬合優(yōu)度(R2和RMSE值),判斷優(yōu)化模型的可行性.

各模型選擇的指標及模型的2、RMSE值如表3所示.結果表明,優(yōu)化模型3、4和5的2值顯著高于其他模型,分別為0.6312、0.6333、0.6344,且RMSE值也低于其他模型,分別為0.7393、0.7260、0.7371,其中,模型4的模擬誤差較模型5少1.53%,且擬合度較模型5僅低0.17%.另外,從圖7中可以看出,優(yōu)化模型4、5對Ⅱ、Ⅲ類水擬合效果均十分準確,而模型4對Ⅰ、Ⅳ類水的模擬效果較模型5更好,且由相似的模型7、8也可證明,選擇Cl-的模型較選擇SO42-的模型對Ⅰ、Ⅳ類水的模擬效果更準確.

由2.1節(jié)可知,F-、TDS是研究區(qū)內地下水超標率最高的兩個指標,可代表研究區(qū)內水質較差區(qū)域的主要監(jiān)測指標.Na+是地下水中陽離子的最主要的成分,與Cl-、SO42-共同作為研究區(qū)內未超標組分,可以表征高質量的地下水,通過前文分析可知,選擇Cl-的模型較選擇SO42-的模型擬合效果更好.因此,包含F(xiàn)-、Na+、TDS、Cl-這4個關鍵水質指標的優(yōu)化模型4可作為研究區(qū)監(jiān)測指標的最佳優(yōu)化模型,以上優(yōu)化指標可作為研究區(qū)地下水水質監(jiān)測及評價主要參考指標.

3 結論

3.1 研究區(qū)地下水普遍呈中性,以軟淡水類型為主,水化學類型主要為HCO3-Mg·Na·Ca型,超標組分主要包括F-、TFe、TDS和TH,地下水中主要離子來源于含鹽礦物的溶解,水化學特征主要受巖石風化作用控制.

3.2 區(qū)內約43%的地下水采樣點水質為Ⅰ、Ⅱ類水,基于組合熵權的正態(tài)云模型評價結果與內梅羅綜合評價法對區(qū)域水質的整體判斷具有較好的一致性,而組合熵權的云模型對水質類別的劃分更為細致.

3.3 基于隨機森林計算的相對重要性排序為F-、Na+、TH、TDS、Cl-、SO42-、TFe、NO3-,構建優(yōu)化模型的最佳指標數(shù)量為4個,優(yōu)化的關鍵指標為F-、Na+、TDS、Cl-,可作為研究區(qū)地下水水質監(jiān)測及評價主要參考指標,使得減少監(jiān)測費用的同時能夠有效保障優(yōu)質水源地安全.

[1] 呂 琳.吉林省礦泉水區(qū)域與非礦泉水區(qū)域環(huán)境中礦物質元素含量分析 [D]. 長春:吉林大學, 2015. Lu L. Research on the environmental mineral elements contents of the mineral water area and the non-mineral water area in Jilin Provinoe [D]. Changchun: Jilin University, 2015.

[2] 汪明武,周天龍,葉 暉,等.基于聯(lián)系云的地下水水質可拓評價模型 [J]. 中國環(huán)境科學, 2018,38(8):3035-3041. Wang M W, Zhou T L, Ye H, et al. A novel extension evaluation model of groundwater quality based on connection cloud model [J]. China Environmental Science, 2018,38(8):3035-3041.

[3] 朱 琴,左麗明,彭錦添,等.河北省近岸海域海水淡化取水水質適宜性分析 [J]. 海洋開發(fā)與管理, 2017,34(7):60-66. Zhu Q, Zuo L M, Peng J T, et al. Analysis on optimal water quality sources for seawater desalination in Hebei Coastal Waters [J]. Ocean Development and Management, 2017,34(7):60-66.

[4] 沈 強,胡 俊,胡菊香.浙江省綠色水源地評價體系研究 [J]. 環(huán)境工程, 2014,32(1):847-851,859. Shen Q, Hu J, Hu J X. Study on assessment system for green water-source in Zhejiang province [J]. Environmental Engineering, 2014,32(1):847-851,859.

[5] 于 冰,梁國華,何 斌,等.城市供水系統(tǒng)多水源聯(lián)合調度模型及應用 [J]. 水科學進展, 2015,26(6):874-884. Yu B, Liang G H, He B, et al. Modeling of joint operation for urban water-supply system with multi-water sources and its application [J]. Advances in Water Science, 2015,26(6):874-884.

[6] Yang Q, Zhang J, Hou Z, et al. Shallow groundwater quality assessment: Use of the improved Nemerow pollution index, wavelet transform and neural networks [J]. Journal of Hydroinformatics, 2017, 19(5):784-794.

[7] Wang A F, Yang X T, Gu X B. The risk assessment of rockburst intensity in the highway tunnel based on the variable fuzzy sets theory [J]. Scientific reports, 2023,13(1):4755.

[8] Gu Z Q, Bian J M, Wu J J, et al. Effects of anthropogenic activities on hydrochemical characteristics of ground water of Da'an irrigation area in Western of Jilin Province [J]. Environ Sci Pollut Res Int, 2021, 29(14):20479-20495.

[9] 劉 瀟,薛 瑩,紀毓鵬,等.基于主成分分析法的黃河口及其鄰近水域水質評價[J]. 中國環(huán)境科學, 2015,35(10):3187-3192. Liu X, Xue Y, Ji Y P, et al. An assessment of water quality in the Yellow River estuary and its adjacent waters based on principal component analysis [J]. China Environmental Science, 2015,35(10): 3187-3192.

[10] Jia Z, Bian J M, Wang Y, et al. Assessment and validation of groundwater vulnerability to nitrate in porous aquifers based on a DRASTIC method modified by projection pursuit dynamic clustering model [J]. Journal of Contaminant Hydrology, 2019,226:103522.

[11] 高玉琴,賴麗娟,姚 敏,等.基于正態(tài)云-模糊可變耦合模型的水環(huán)境質量評價 [J]. 水資源與水工程學報, 2018,29(5):1-7. Gao Y Q, Lai L J, Yao M, et al. Water environment quality assessment based on normal cloud-fuzzy variable coupling model [J]. Journal of Water Resources and Water Engineering, 2018,29(5):1-7.

[12] 李德毅,孟海軍,史雪梅.隸屬云和隸屬云發(fā)生器 [J]. 計算機研究與發(fā)展, 1995:15-20. Li D Y, Meng H J, Shi X M. Membership clouds and membership cloud generators [J]. Journal of Computer Research and Development, 1995:15-20.

[13] 姜厚竹.松花江流域省界緩沖區(qū)水質監(jiān)測指標與斷面優(yōu)化 [D]. 哈爾濱:東北林業(yè)大學, 2017. Jiang H Z. Water quality monitoring index and section optimization of provincial buffer zone in Songhua River basin [D]. Harbin: Northeast Forestry University, 2017.

[14] 曲茉莉.黑龍江水系干流監(jiān)測水質指標與斷面優(yōu)化研究 [D]. 哈爾濱:哈爾濱工業(yè)大學, 2012. Qu M L. Study on monitoring indexes and monitoring sections optimization of the main stream of Heilongjiang River [D]. Harbin: Harbin Institute of Technology, 2012.

[15] 侯佳均.北京市平谷區(qū)地下水污染監(jiān)控指標優(yōu)化研究[D]. 成都:成都理工大學, 2020. Hou J J. Study on optimization of groundwater pollution monitoring index in Pinggu District of Beijing [D]. Chengdu: Chengdu University of Technolog, 2020.

[16] Naghibi Seyed A K, Daneshi Alireza. Application of support vector machine, random forest, and genetic algorithm optimized random forest models in groundwater potential mapping [J]. Water Resources Management, 2017,31(9):2761-2775.

[17] Naghibi Seyed A K, Daneshi Alireza. Application of support vector machine, random forest, and genetic algorithm optimized random forest models in groundwater potential mapping [J]. Water Resources Management, 2017,31(9):2761-2775.

[18] 許力文,卞建民,孫曉慶,等.灌區(qū)退水對區(qū)域地下水質影響與健康風險評估 [J/OL]. 中國環(huán)境科學:1-10[2023-02-22].DOI:10.19674/ j.cnki.issn1000-6923.20221117.017. Xu L W, Bian J M, Sun X Q, et al. The influence and health risk assessment of groundwater quality in irrigated area [J/OL]. China Environmental Science: 1-10[2023-02-22].DOI:10.19674/j.cnki. issn1000-6923.20221117.017.

[19] He S, W J H, Wang D, et al. Predictive modeling of groundwater nitrate pollution and evaluating its main impact factors using random forest [J]. Chemosphere, 2022,290.

[20] 杜尚海,古成科,張文靜.隨機森林理論及其在水文地質領域的研究進展 [J]. 中國環(huán)境科學, 2022,42(9):4285-4295. Du S H, Gu C K, Zhang W J. A review on the progresses in random forests theory and its applications in hydrogeology [J]. China Environmental Science, 2022,42(9):4285-4295.

[21] Xu T T, Zheng J Q, Han S J, et al. Responses of soil nitrogen transformation to long-term nitrogen fertilization and precipitation changes in a broad-leaved Korean pine forest in Changbai Mountains, China [J]. The journal of applied ecology, 2018,29(9):2797-2807.

[22] 張文卿,王文鳳,劉淑芹,等.長白山礦泉水補給徑流與排泄關系 [J]. 河海大學學報(自然科學版), 2019,47(2):108-113. Zhang W Q, Wang W F, Liu S Q, et al. Relationship of recharge runoff and drainage for the mineral water in the Changbai Mountain [J] Journal of Hohai University (Natural Sciences), 2019,47(2):108-113.

[23] 馬于曦.安圖縣礦泉水水源涵養(yǎng)能力評估與生態(tài)紅線劃定 [D]. 長春:吉林大學, 2021. Ma Y X. Assessment of water conservation capacity and delineation of ecological red line of mineral water in Antu County [D]. Changchun: Jilin University, 2021.

[24] Liu, Q Y, Wang M W, Zhou T L, et al. A connection cloud model coupled with extenics for water eutrophication evaluation [J]. Earth Science Informatics, 2019,12(4):659-669.

[25] 雷麗萍.基于云模型的水質評價方法優(yōu)化研究 [D]. 成都:南交通大學, 2019. Lei L P. Research on optimization of water quality assessment method based on cloud model [D]. Chengdu: Southwest Jiaotong University, 2019.

[26] 楊明悅,毛獻忠.基于變量重要性評分-隨機森林的溶解氧預測模型——以深圳灣為例 [J]. 中國環(huán)境科學, 2022,42(8):3876-3881. Yang M Y, Mao X Z. Dissolved oxygen prediction model based on variable importance measures and random forest: A case study of Shenzhen Bay [J]. China Environmental Science, 2022,42(8):3876- 3381.

[27] Cutler D R, Edwards Jr T C, Beard K H, et al. Random forests for classification in ecology [J]. Ecology, 2007,88(11):2783-2792.

[28] GB/T 14848-2017 地下水質量標準 [S]. GB/T 14848-2017 Groundwater quality standard [S].

[29] 曹玉和,齊佳偉,熊紹禮.吉林省氟中毒病區(qū)水文質地特征及防氟改水對策 [J]. 中國地質, 2010:690-695. Cao Y H, Qi J W, Xiong S L. Hydrogeological characteristics of endemic fluorine disease areas of Jilin Province and water source project countermeasures for fluorine prevention [J] Geology in China, 2010:690-695.

[30] 侯炳江.基于組合賦權的水質綜合評價云模型及其應用 [J]. 水電能源科學, 2016,34(8):24-27. Hou B J. Water quality evaluation based on combination weight- normal cloud model and its application [J]. Water Resources and Power, 2016,34(8):24-27.

[31] 趙夢婷,黃顯峰,金國裕,等.基于改進云模型的區(qū)域水質評價研究[J]. 安徽農業(yè)大學學報, 2020,47(5):778-783.Zhao M T, Huang X F, Jin G Y, et al. Study on regional water quality evaluation based on improved cloud model [J]. Journal of Anhui Agricultural University, 2020,47(5):778-783.

Groundwater quality assessment and index optimization of water quality monitoring in the water source area of Changbai Mountain.

GU Zhi-qi1, BIAN Jian-min1, WANG Yu1*, MA Li-xin2, SUN Xiao-qing1, RUAN Dong-mei1

(1.Key Laboratory of Groundwater Resources and Environment, Ministry of Education, College of New Energy and Environment, Jilin University, Changchun 130021, China；2.Jilin Ecological Environment Monitoring Center, Changchun 130021, China)., 2023,43(10)：5257～5264

This study chose Antu County, the water source area of Changbai Mountain as the study area. the hydrochemical characteristics and formation mechanism of groundwater in the study area was analyzed. The cloud model based on entropy weight was used to evaluate the groundwater quality. Furthermore, an optimization model of water quality index was constructed by coupling random forest and stepwise multiple linear regression analysis to determine the key indicators of groundwater source security monitoring. The results showed that the primary water chemistry type of groundwater in the study area was HCO3-Mg·Na·Ca type, which was mainly controlled by the rock weathering and dissolution effects. About 74% of groundwater samples were classified as Class Ⅰ-Ⅲ. The2and RMSE values of the best index optimization model were 0.6333 and 0.726, respectively. F-, Na+, TDS and Cl-were identified as the key indicators of groundwater quality monitoring in the study area. This optimized water quality index can effectively reduce monitoring costs and provide scientific basis for guaranteeing the safety of water sources.

high-quality water source in Changbai Mountain；cloud model；random forest；water quality evaluation；index optimization；groundwater

X824

A

1000-6923(2023)10-5257-08

2023-02-24

吉林省環(huán)保廳環(huán)境保護科研項目(吉環(huán)科字第2022-10號);吉林省科技廳重大科技專項(20230303007SF)

* 責任作者, 副教授, chair19881224@126.com

谷志琪(1997-),男,吉林長春人,吉林大學博士研究生,主要從事地下水資源評價與承載力研究.發(fā)表論文2篇.lh2568@163.com.

谷志琪,卞建民,王 宇,等.長白山源頭區(qū)地下水質評價及監(jiān)測指標優(yōu)化 [J]. 中國環(huán)境科學, 2023,43(10):5257-5264.

Gu Z Q, Bian J M, Wang Y, et al. Groundwater quality assessment and index optimization of water quality monitoring in the water source area of Changbai Mountain [J]. China Environmental Science, 2023,43(10):5257-5264.