基于地理信息智能（GeoAI）的工业污染土壤中多环芳烃（PAHs）三维空间分布建模

《Environmental Pollution》：GeoAI-based 3D spatial distribution modeling of PAHs in industrial contaminated soils

　　本研究提出基于GeoAI的三维深度克吕格金网络（3D-DKNN）模型，整合深度学习与地统计学原理，提升工业遗留场地PAHs三维分布建模精度。对比3D-OK和IDW方法，3D-DKNN在RMSE和MAE上分别降低36%-80%，相关系数提高19%以上，有效识别制造与仓库区域的污染热点，为精准修复提供依据。

　　
工业遗址土壤污染的三维空间建模方法研究

土壤污染作为全球性环境问题，其精准建模与风险评估直接影响污染治理效率和生态修复效果。近年来，随着工业遗址数量激增和污染物复杂性提升，传统空间分析方法在应对三维异质性数据时逐渐暴露局限性。本研究针对典型工业遗址中多环芳烃（PAHs）污染特征，提出融合深度学习与地统计学原理的三维空间建模方法，为复杂污染场地治理提供技术支撑。

在污染特征分析方面，研究聚焦于苯并[a]芘（BaP）和苯并[b]萤光烃（BbF）等强致癌性PAHs。数据显示，这些污染物在垂直方向呈现明显分层特征，表层土壤因人工填埋含有较高有机质，而深层土壤则因沉积作用形成特殊结构。空间分布上，制造车间、原料仓库等工业活动核心区浓度显著高于周边区域，最大超标倍数达96倍，凸显三维建模的必要性。

传统建模方法面临双重挑战：地统计学方法基于平稳性假设，难以准确刻画工业活动引起的空间异质性。以普通克里金法（3D-OK）为例，其依赖半变异函数描述空间自相关，但在污染物迁移路径不连续区域（如建筑基座与道路交界处）出现明显偏差。反距离加权法（IDW）虽能灵活处理不规则分布，但其加权参数设置直接影响精度，在三维空间中垂直方向的权重分配缺乏理论依据。研究显示，IDW模型在深部土壤预测中误差率高达42%，远超地表层精度。

为突破传统方法瓶颈，研究创新性地构建了三维深度克里金神经网络（3D-DKNN）。该模型整合了深度学习的特征提取能力与地统计学的空间关联机制，形成"双引擎驱动"的技术框架。在工业遗址污染建模中，3D-DKNN展现出显著优势：首先，通过多层卷积神经网络自动学习污染物的空间频率特征，有效捕捉传统克里金法忽略的微观异质性；其次，引入三维地质统计约束条件，在垂直方向建立分层递进模型，解决传统二维插值导致的深层污染低估问题；最后，通过动态权重调整机制，在采样密集区采用克里金法优化精度，在稀疏区启用神经网络预测，实现方法鲁棒性提升。

方法验证部分采用严格的三维交叉验证体系。研究区域共设置236个监测点，覆盖0.28平方公里三维空间，采样深度从0.5米延伸至12米。实验数据显示，3D-DKNN模型在PAHs浓度预测中表现出卓越性能：均方根误差（RMSE）较传统方法降低36%-80%，平均绝对误差（MAE）减少40%-58%，空间相关系数提升19.3%以上。特别在识别制造车间与原料仓库的污染热点时，三维模型成功捕捉到污染物在建筑结构下的聚集效应，预测区域误差率控制在8%以内，而二维模型因忽略垂直分层特征，误差率高达25%。

技术突破体现在三个关键创新点：其一，构建三维地质统计学约束的神经网络架构，通过嵌入三维协方差矩阵约束网络训练过程，确保预测结果符合地质沉积规律；其二，开发动态空间权重算法，根据采样点密度自动调整克里金法与神经网络的组合比例，在低密度区域启用神经网络预测，高密度区采用克里金法优化，整体精度提升达37%；其三，建立污染迁移路径数字孪生系统，将工业活动历史数据（如原料运输路线、废水排放路径）作为输入特征，有效提高模型对污染扩散机制的模拟精度。

应用案例显示，该方法在典型钢铁工业遗址治理中取得显著成效。通过三维建模准确识别出制造车间下方3-5米土层存在PAHs富集带，这与实际污染羽厚度监测数据高度吻合。模型输出的风险热力图进一步揭示，原料暂存区与运输通道交汇处污染浓度峰值达场地平均值的8.6倍，为优先修复区域提供科学依据。工程实践表明，基于该模型制定的分阶段治理方案，使土壤修复成本降低28%，治理周期缩短至传统方法的1/3。

当前研究仍存在若干改进空间：在数据采集方面，建议采用无人机搭载多光谱传感器进行大范围三维扫描，结合钻探取样实现数据互补；模型优化可引入迁移学习机制，将其他工业遗址建模经验通过预训练网络快速适配新场地；在应用层面，需开发配套的污染风险动态评估系统，实时更新环境治理效果。这些改进方向为后续研究提供重要参考。

该研究标志着环境地统计学进入智能化新阶段，其提出的GeoAI框架具有广泛的迁移应用价值。除工业遗址污染建模外，该方法可拓展至重金属污染、有机污染物等复杂污染场地的三维评估，为智慧环境治理提供关键技术支撑。随着数字孪生技术的快速发展，深度学习与地统计学的深度融合将催生新一代环境监测决策系统，推动土壤污染治理从经验驱动向数据驱动转变。