基于随机森林模型识别浅层地下水TDS异常的方法研究

摘要

准确识别人类活动引起的地下水水化学异常对于确定地下水水化学组分的背景值，合理开展地下水污染评价至关重要。溶解性总固体(TDS)作为地下水水化学的综合指标，其值的高低直接反映了地下水水质的好坏。目前，水化学图法在地下水TDS的异常值识别中取得了较好的效果，但是，其基本原理是基于主要离子组分构成的水化学类型异常必然导致TDS异常的假设，而进行的反向异常识别，可能存在过度识别的情况。为此，本文以沙颍河流域浅层地下水为研究对象，从TDS成因机制出发，提出了采用随机森林模型结合数理统计的正向识别方法，对研究区内浅层地下水TDS的异常值进行识别，并开展了多种方法异常值识别效果的对比研究。结果表明，机器学习法能够有效地识别出地下水TDS异常值，其识别出的地下水TDS阈值与其他方法较为一致。但相比之下，机器学习法从TDS成因机制角度识别异常，能够有效避免水化学图存在的过度识别问题，而且能够区分高、低异常，为TDS异常识别提供了另外一种有效的思路和方法，丰富了地下水环境背景值的研究思路。

关键词

地下水环境背景值 / TDS / 异常值 / 机器学习法 / 沙颍河流域