1污染場地揮發類有機物多相傳輸擴散建模與應用技術指南1適用范圍本文件提出了包含非均質多孔介質及裂隙介質在內的復雜污染場地中，揮發性及半揮發性有機物多相態傳輸擴散的時空演化數字建模方法，以及典型污染特征變量高效精準預測的技術框架。針對不同應用場景，文件闡述了的選擇依據與應用策略。本文件適用于復雜介質場地有機物多相態污染過程的可靠量化與高效預測。2規范性引用文件下列文件中的內容通過文中的規范性引用而構成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應的版本適用于本文件：不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。HJ25.1-2014《場地環境調查技術導則》HJ25.1-2019《建設用地土壤污染狀況調查技術導則》HJ/T164《地下水環境監測技術規范》HJ/T166《土壤環境監測技術規范》HJ/T194《環境空氣質量手工監測技術規范》GB3095《環境空氣質量標準》GB50021《巖土工程勘查規范》HJ25.6《污染地塊地下水修復和風險管控技術導則》地下水污染模擬預測評估工作指南（環辦土壤函〔2019〕770號）3術語和定義下列術語和定義適用于本文件。3.1揮發類有機污染物VolatileandSemi-VolatileOrganicPollutants(VSOPs)指具有揮發性或半揮發性的有機污染物，主要包括揮發性有機物（VolatileOrganicCompounds,VOCs）和半揮發性有機物（Semi-VolatileOrganicCompounds,SVOCs）。3.2復雜介質場地SitewithComplexMedia主要指由非均質多孔介質、裂隙介質或多介質復合系統組成的場地，各介質具有不同的水力特性和空間分布特征，導致場地水文地質條件和污染物運移行為表現出較強的空間異質性。3.3數字模型DigitalModel利用數字化方法構建的模型，涵蓋數學模型、統計模型、人工智能模型等所有與數字技術相關的模型類型。數字模型可以通過機理驅動（Mechanism-Driven）或數據驅動（Data-Driven）的方式，描述、模擬或預測復雜系統的行為和特性。3.4替代模型SurrogateModel使用統計模型或人工智能模型來近似替代復雜的機理模型。替代模型通常基于已有的數值模擬結果或觀測數據構建，能夠在保證一定精度的基礎上實現快速響應，適用于實時決策、優化分析和不確定性量化等場景。3.5雙重介質模型Dual-MediumModel一種描述裂隙巖體的概念模型，將介質概化為裂隙系統和基質系統，兩者具有不同的水力特性，其中裂隙系統主要提供導水通道，基質系統主要作為儲水介質，兩者通過交互作用實現水分與污染物的傳輸擴散過程。3.6污染特征變量ContaminationCharacteristicVariable指用于表征污染物在特定介質（如地下水、土壤、大氣）中時空演化過程的關鍵特征的變量。污染特征變量反映了污染物的遷移、擴散、累積等關鍵動態行為，為污染預測、評估、及控制提供定量化的數據支持和科學依據。4基本原則4.1目標導向原則決策需求，實現建模根據場地污染預測、污染溯源、污染物傳輸擴散過程科學研究、修復方案優化等不同建模目標和應用場景，形成面向具體應用需求的高效數字建模策略和技術路線。確保評估結果能夠直接、有效地支撐場地管理工作的實用價值。決策需求，實現建模234.2分層遞進原則應建立面向不同階段、不同需求的多層次模擬體系，包括適用于初步篩查階段的簡化分析模型、用于復雜場地機理研究的高精度專業模型、滿足快速評估需求的智能替代模型等。隨著場地認識的深入和數據的不斷積累，逐步提升模型的復雜度和精確度，實現模擬評估工作的持續優化和完善。通過多層次模型的互相驗證和補充，提供全面的決策支持。4.3創新融合原則積極推動傳統數值模擬方法與新技術的深度融合，重點引入人工智能等先進建模方法，發展機理過程與數據協同驅動的創新數字模型。在保證模擬精度的基礎上，建立計算效率更高的智能替代模型。通過多模型集成方法，實現不同類型模型的優勢互補，拓展模型應用的廣度和深度，為復雜場地污染物遷移行為的模擬預測提供更加全面和高效的技術手段。4.4可行易推原則始終立足工程應用需求，在保證科學性的基礎上，充分注重建模方法的可操作性和時效性。建立模型精度與計算效率的平衡機制，確保模擬評估結果能夠及時有效地支撐工程實踐。通過系統的典型案例分析和應用示范，提供清晰的技術路線指引，切實服務于場地污染防治決策，推動建模技術在實踐中的廣泛應用。5工作內容與技術流程5.1工作內容5.1.1定義數字建模目標與應用場景啟動污染場地揮發類有機物多相傳輸擴散建模工作前，需明確建模目標與應用場景。其目標與應用場景包括但不限于：污染物傳輸擴散時空分布精準預測、關鍵界面通量精準預測、關鍵界面通量強度評估、場地污染程度與層級評估等。根據具體工作目標與應用場景確定模型模擬的精細程度與準確度要求。5.1.2建立場地環境污染概念模型通過搜集分析相關資料，明確并概化污染場地介質類型、水文地質框架、水文邊界、初始和瞬時條件、水力特性、特征污染物理化特征與賦存形態、污染物遷移轉化過程、污染源位置與源強等內容，以建模目標及應用為導向，選擇適宜的時空維度與概化精細度4（尤其針對高度異質性非均質多孔介質與復雜非連續性裂隙巖溶介質），建立復雜介質場地揮發類有機物環境污染概念模型。5.1.3篩選數字模型類型根據場地水文地質條件與污染特征，通過適當簡化和合理假設，選擇適當的求解方式將概念模型轉化為數學形式。數字模型類型包括但不限于：數值模型、統計回歸模型、人工智能模型或其他分析技術。模型選擇需綜合考慮技術能力（時空維度、介質特性、流動特征、物質傳輸轉化等）、應用場景（長期預測、應急預警、修復決策等）、用戶類型（技術人員、科研人員或行政人員等）和資源約束，可單獨使用或聯合應用以實現精準高效的建模目標。5.1.4整理與分析建模基礎數據數據收集與處理包括：搜集場地基礎背景、氣象條件、地質水文、水資源利用、歷史監測和污染源等資料，評估數據準確性和時效性后進行篩選清洗，量化參數不確定性范圍并評估尺度效應。對數據覆蓋不足的區域，通過現場踏勘、人員訪談和補充采樣進行調查；對于難以獲取的數據，采用經驗值或科學推導。最終將原始數據、處理數據和衍生數據整合成完整數據集，并標注數據來源和可靠性等級，為后續分析提供支持。5.1.5數字模型的構建、校準與驗證不同類型的數字模型因其內在機理和特征差異，無論采用單一模型還是集成模型，都需遵循相應的構建策略、校準與驗證方法。構建過程中，數值模型注重控制方程表達、參數識別、邊界條件設定和數值求解實現，統計模型依賴數據預處理、變量選擇和模型結構設計，人工智能模型則側重模型類型選擇、結構設計和超參數調優；校準過程中，數值模型通過調整水文地質與污染物特征參數匹配觀測數據，而統計和人工智能模型直接基于現有數據優化模型本身的參數；模型驗證通常采用未參與模型構建和校準的第二組歷史現場數據，評估模型預測結果與這些獨立觀測數據的一致性，以確認模型的準確性和泛化能力。5.1.6特征變量的主控因子識別與模型的不確定性分析特征變量的主控因子識別，應根據模型類型結合具體問題和專業知識選擇合適的方法。如數值模型使用敏感性分析，統計模型采用相關性分析和逐步回歸，人工智能模型應用SHAP值等解釋方法，也可使用方差分析等通用方法。在應用這些方法時，需注意數據質量、多重共線性、過擬合風險等問題。為提高結果可靠性，建議在條件允許的情況下采用多種方法進行交叉驗證，從而全面評估特征變量的重要性并優化模型性能。不確定性分析5中，區別不同模型類型的不確定性主要來源，并采樣適合的方法評估和減少模型的不確定性。5.1.7模型長期應用的更新與調整模型長期應用的更新與調整涉及多個方面：采用適應性管理策略，根據新數據動態調整模型；整合新技術新方法，提高模型精度和效率；分析不確定性隨時間的演化；根據利益相關者的反饋和需求調整模型，平衡資源投入和預期收益。在關注模型精準度和技術更新層面外，還需考慮社會、經濟和管理因素，確保模型能持續為決策提供有價值的支持。應根據模型的預期用途和應用規模，靈活決定更新與調整的頻率和深度。5.1.8成果報告模型成果報告是傳達研究成果、記錄關鍵過程和假設、以及支持同行評審的重要文檔。全面而詳盡的報告應使審閱者和決策者能夠獨立評估模型的可信度和適用性、支持其他研究者復現模型結果，確保研究的透明度和可重復性。成果報告應描述本指南中概述的建模研究的所有方面。65.2技術流程圖1：污染場地揮發類有機物多相傳輸擴散建模及應用技術框架與流程6復雜介質場地環境污染概念模型構建6.1介質類型6.1.1非均質多孔介質概化6.1.1.1確定性方法適用于具有明顯分區特征的場地，如巖性相對均一的沉積盆地、河流階地，或存在明顯層狀結構的含水層系統。應將研究區域劃分為若干個相對均質的子區域，采用平均參數值表征各子區域特征。76.1.1.2隨機場方法適用于介質屬性在空間上呈現連續變化、難以明確分區的場地，如風化強烈的巖土體或復雜的沖積-洪積扇地區。特別是在參數測量數據稀疏的情況下，可采用隨機場方法進行空間插值和不確定性分析。6.1.2裂隙介質概化6.1.2.1離散裂隙網絡模型適用于需精細刻畫單條裂隙特征的場地，通常忽略基質滲透性，如堅硬結晶巖（花崗巖、片麻巖）、部分致密沉積巖以及碳酸鹽巖。該模型顯式表達裂隙幾何形態和水力特性，假設流動主要發生在相互連接的裂隙網絡中。6.1.2.2等效連續介質模型適用于裂隙密集且分布均勻，整體表現出連續介質特性的場地，如強風化巖體或密集節理巖體。在典型單元體（REV）尺度上，可采用等效宏觀參數描述整體水力特性。6.1.2.3雙重介質模型適用于基巖自身的裂隙系統與基質系統都對流動和儲存有顯著貢獻的情況。需分別表征裂隙網絡和巖石基質的水力參數，并考慮兩個系統間的交互作用，如某些滲透性基巖儲層。6.1.3多介質復合系統實際場地常呈現多種介質共存的復合特征，如多孔介質覆蓋的裂隙基巖場地，其中污染物遷移路徑需跨越土壤包氣帶、飽和帶和裂隙基巖系統。概念模型構建應著重表征不同介質之間的界面過程及參數差異，合理刻畫復雜地質條件下的水文地質結構特征和污染物遷移規律。6.2水文框架6.2.1含水層系統范圍確定研究區域的物理邊界和水文地質單元。6.2.2水文特征識別影響或控制地下水流動的關鍵水文要素，如補給區、排泄區、地表水體等。86.2.3水流系統邊界6.2.3.1給定水頭邊界（第一類邊界或Dir包括常水頭（如大型湖泊、水庫）和變水頭（如河流、季節性水體）邊界。6.2.3.2給定流量邊界（第二類邊界或Neumann邊界）包括零流量（不透水基巖、斷層粘土帶）、定流量（補給井、抽水井）和變流量（降雨入滲、蒸發區）邊界。6.2.3.3混合邊界（第三類邊界或Cauchy邊界）包括半滲透層、蒸發和排水等邊界條件，用于描述含水層系統與外界的復雜交互作用。6.2.3.4特殊邊界在某些特定情況下使用的、不屬于三類標準邊界的邊界條件，用于描述特定的水文地質現象，或者用于簡化復雜的水文地質系統。例如自由水面邊界（潛水含水層水面）、流出邊界（即零壓力邊界，如泉水出露點）和遠場邊界（大尺度模型中為簡化模型構建）等。6.3地質及水文地質框架6.3.1多孔介質系統主要描述含水層和隔水層的空間分布特征，包括水平延伸范圍和垂向分層結構。分析砂礫石層、砂層等含水層的巖性特征，如粒度、分選性、磨圓度、膠結程度等。闡明構造形態及其對地層分布的影響，研究地形地貌特征及土地利用類型對地表水下滲、含水層補給的影響，以及對有機污染物揮發擴散土氣界面邊界的制約。應提供厚度分布圖、頂底板等高線圖、巖性柱狀圖等分析成果，全面反映含水層系統的空間展布規律。6.3.2裂隙介質系統6.3.2.1基巖類型、分布及基質特性描述研究區內的主要基巖類型及其空間分布，分析基巖的巖性特征、風化程度和結構特征，評估基巖基質的物理和水力特性（包括基質礦物組成、基質孔隙度與滲透性等）。6.3.2.2裂隙特征分析裂隙的分組、密度、大小、走向、傾角、開度等特征，以及裂隙的連通性和填充情況。運用地統計學方法確定這些參數的分布函數，為后續建立裂隙網絡模型奠定基礎。6.3.2.3構造特征描述斷層、褶皺等主要構造形態，分析其對裂隙發育和地下水流動的影響。96.3.2.4基質-裂隙相互作用評估基質和裂隙系統之間的水力聯系和物質交換。6.3.2.5分析結果提供裂隙介質系統的綜合分析結果，包括基巖類型和基質特性分布圖、裂隙密度分布圖、主要裂隙走向玫瑰圖、構造平面圖、基質-裂隙系統概念模型。6.3.3多介質復合系統6.3.3.1多介質類型識別識別研究區內存在的多種介質類型，如多孔介質、裂隙介質、巖溶介質等。6.3.3.2介質空間分布描述不同介質類型的空間分布特征，包括水平和垂直方向的變化規律。6.3.3.3復合系統結構特征描述復合系統的整體結構特征，包括各介質在系統中的位置和作用。6.4水力特征6.4.1多孔介質水力特性確定孔隙度、滲透系數、比儲水率和給水度等參數及其空間分布特征。評估這些參數的空間分布特性，包括非均質性和各向異性。參數的現場測試和實驗室測量結果用于模型初始化設置及識別其他相關參數。6.4.2裂隙介質水力特性確定等效水力隙寬、滲透系數等參數，評估裂隙網絡連通性和優勢滲流路徑，并判斷裂隙內流體流態。分析基巖基質的儲水特性及其與裂隙的水力交換，評估不同尺度下參數轉換的適用性。測定基巖基質的孔隙度和滲透性，分析其儲水能力，評估基質與裂隙之間的水力交換特征。評估不同尺度下裂隙介質水力特性的變化規律，分析小尺度參數向大尺度模型轉換的適用性。通過現場測試和實驗室分析獲取水力參數數據，評估參數的變異性和不確定性。6.4.3復合介質系統水力特性綜合考慮多孔介質和裂隙介質的特征及相互作用，識別兩種介質的空間分布規律，評估它們之間的水力聯系和流體交換機制。對大尺度裂隙或斷層，需單獨描述其水力特性。確定等效參數時，考慮尺度效應，評估系統的整體滲透性和儲存特性。識別不同介質間的水力梯度差異和可能存在的優先流路徑，為后續模擬分析提供依據。6.5源和匯6.5.1水動力場的源和匯從復雜介質場地水動力條件對污染物遷移轉化的影響角度，識別自然補給源和人為補給源，確定自然排泄區和人為排水點。量化各類源和匯的強度及其時空變化特征，評估其對地下水流場的影響，重點關注水位波動對非均質多孔介質及裂隙介質中污染物多相遷移的影響。6.5.2水化學場的源和匯6.5.2.1主要污染源識別識別揮發性及半揮發性有機物的主要污染源類型（如地下儲罐泄漏、工業生產設施的跑冒滴漏、輸油管道破裂等）和歷史污染場地（如廢棄加油站、老舊工業園區等）。確定污染物在復雜介質中的空間輸入模式，為多相態污染物的遷移轉化提供初始條件。6.5.2.2多相態污染源評估識別飽和帶和非飽和帶中NAPL殘留體的空間分布及其長期釋放特性，評估NAPL與地下水接觸界面的溶解釋放。分析土壤和裂隙表面吸附污染物在水位波動等環境變化下的解吸過程，評估非飽和帶中NAPL的揮發及其在土壤氣中的擴散特征。6.5.2.3源強度量化針對不同相態確定定量指標，例如對NAPL殘留體估算其總質量、體積和飽和度，測定溶解相污染物濃度和釋放通量，評估吸附相的吸附容量和解吸速率。通過土壤取芯分析、地下水采樣分析等直接測量法，以及溶解羽流反推法、質量平衡法等間接估算法量化源強度，必要時利用示蹤試驗評估釋放特征。進行長期監測以捕捉季節性和長期變化趨勢，分析水位波動、溫度變化等關鍵因素的影響，建立源強度與環境因素的相關性模型。6.5.2.4污染物匯過程識別生物降解和化學降解等自然衰減作為污染物"匯"的區域，評估不同環境條件下衰減強度。評估抽提處理、熱處理、化學氧化等原位修復技術對源的影響。量化復雜介質中溶解、吸附、揮發等相態轉化形成的匯，重點評估污染物通過土氣界面進入大氣的通量。關注水位波動導致的污染物在土壤中的吸附殘留，以及污染物的揮發擴散過程。6.6污染物的物理化學性質與遷移轉化過程6.6.1揮發類有機物理化性質揮發性有機物（VOCs）和半揮發性有機物（SVOCs）的物理化學性質決定了它們在環境中的行為和歸趨。在構建概念模型時，首先需要確定目標污染物的關鍵理化性質，包括密度、粘度、溶解度、辛醇-水分配系數、亨利常數、飽和蒸氣壓、有機碳吸附系數、擴散系數等參數。識別場地中污染物的主要相態分布，考慮污染物在多相之間的分配平衡和傳質過程，評估環境條件變化對相態分布的影響。常見污染物的理化參數可參考附錄A。6.6.2復雜介質場地揮發類有機物遷移轉化過程6.6.2.1非均質多孔介質場地中揮發類有機物遷移轉化過程針對非均質多孔介質場地，需考慮污染物的對流、彌散、吸附、揮發和溶解等主要遷移轉化過程。重點分析彌散的尺度效應，評估包氣帶中污染物受降水淋濾和水位波動影響的動態變化。關注土壤含水率、溫度等因素對揮發過程的影響，分析毛細帶對污染物遷移的阻滯作用，以及土壤有機質含量對降解過程的影響。6.6.2.2裂隙介質場地中揮發類有機物遷移轉化過程針對裂隙介質場地，關注裂隙網絡作為優勢滲流通道的特征，其中污染物遷移轉化過程以對流-彌散作用為主。分析污染物在裂隙與巖石基質間的擴散過程，評估非線性流的影響，以及裂隙表面礦物組成和風化程度對吸附-解吸過程的作用。區別于多孔介質，重點考慮裂隙幾何特征與網絡結構對彌散度的影響。7復雜介質場地污染物時空分布數字模型類型篩選7.1模型類型篩選標準7.1.1目標和應用場景適配性數值模型適用于需要精確刻畫物理化學過程和機理的情況。可完整模擬水動力水化學場，處理多尺度問題，靈活提取所需輸出參數，無需預先指定特定變量。統計模型通過監測數據建立污染物濃度與環境因素的關系，計算速度快，響應迅速。適用于場地初步調研、快速評估和短期趨勢預測等對精度要求相對較低的情景。人工智能模型擅長處理復雜非線性關系和多源數據整合，適用于實時濃度預測、智能預警系統構建，以及物理機制不明確或難以參數化的復雜污染問題。多模型聯合應用旨在結合不同模型類型的優勢，提供更全面、準確和可靠的污染物傳輸擴散分析結果。這種方法特別適用于復雜的場地條件和多階段的項目需求。例如，可在項目初期用統計模型或機器學習模型快速評估污染狀況，項目實施過程中利用數值模型深入分析關鍵區域的污染物行為，最后借助人工智能模型構建實時預警系統。還可以通過模型間的相互驗證提高預測的可信度，如利用數值模型的結果來訓練和優化人工智能模型，或者使用統計模型和人工智能模型的快速預測結果來指導數值模型的參數優化。這種方法能夠平衡計算效率、預測精度和模型適用性，為決策者提供更全面的信息支持。7.1.2數據相關考量數值模型對輸入數據的質量和完整性要求較高，需要詳細的地質、水文和污染物特性數據，完整的邊界條件和初始條件。對缺失數據敏感，通常需要結合地理統計學進行空間插值。統計模型需要充足的歷史監測數據建立統計關系，數據質量和代表性直接影響模型可靠性。適用于數據量較大且質量可控的場景。人工智能模型需要大量訓練數據，但對數據類型適應性強，可處理結構化和非結構化數據。對數據質量要求相對較低，能從噪聲數據中提取有用信息，在處理缺失數據方面表現出色。7.1.3模型復雜度和靈活性數值模型通常具有較高的復雜度，涉及大量的參數和復雜的數學方程。模型可根據具體問題進行調整，整合新的物理、化學過程，具有較高的靈活性。統計模型的復雜度相對較低，參數數量通常較少。模型結構相對固定，但可以通過添加或移除變量來調整。人工智能模型從簡單的機器學習算法到復雜的深度學習網絡，根據問題的復雜性選擇不同的算法和網絡架構。具有出色的整合新信息的能力，可以通過增量學習或遷移學習來適應新的數據和場景。7.1.4計算效率和資源需求數值模型通常計算時間較長，特別是對于復雜的三維模擬。對硬件要求較高，可能需要高性能計算機或計算集群。具有良好的并行計算潛力，可以通過并行處理提高效率。統計模型計算效率高，通常可以快速得出結果。硬件要求較低，一般的個人電腦就能滿足需求。人工智能模型訓練階段計算資源需求大，但預測階段速度快。硬件要求因模型復雜度而異，部分算法可充分利用GPU并行計算能力。訓練完成后適合實時應用，可以快速響應新的輸入數據。7.1.5精度和不確定性數值模型在物理過程明確時預測精度高，通過機理分析能較好量化不確定性，模型穩定性好，外推能力強。統計模型的預測精度依賴于歷史數據的質量和代表性。不確定性量化通常通過統計方法如置信區間來實現。模型穩定性受數據質量和樣本大小的影響。外推能力有限，主要適用于與歷史數據相似的情況。人工智能模型的預測精度可以非常高，特別是在有大量高質量訓練數據的情況下。模型穩定性可能受訓練數據代表性的影響和模型結構設計。外推能力取決于訓練數據的覆蓋范圍，在數據范圍之外的預測可能不可靠。7.1.6可解釋性和透明度數值模型具有高度的可解釋性和透明度。每個參數和過程都有明確的物理意義，便于理解和解釋結果。模型的工作原理清晰，可以追蹤每個計算步驟。這種透明度有助于增強決策者和利益相關者的信任。統計模型的可解釋性較好，通常可以清楚地看到各個變量對結果的影響。人工智能模型，特別是深度學習模型，通常被視為"黑箱"，可解釋性較低。雖然有一些技術如SHAP值和注意力機制可以提供一定程度的解釋，但整體上難以完全理解模型的決策過程。7.1.7使用難度和專業要求數值模型通常需要較高的專業知識，包括深入理解相關的水文地質、環境化學、數值方法、流體力學等。使用難度較高，需要專業的模型構建和參數校準技能。通常需要專門的培訓和經驗才能有效使用和解釋結果。統計模型的使用難度相對較低，通常只需要基本的統計知識。對于復雜問題可能需要結合相關專業知識。簡單的機器學習算法相對容易使用，而復雜的深度學習模型則需要較高的專業知識。需要理解機器學習原理、數據預處理技術和模型調優方法。對編程技能也有一定要求，特別是在模型開發階段。多模型聯合應用通常需要最高水平的專業知識，因為它要求使用者熟悉多種模型類型及其集成方法。需要具備跨學科的知識和技能，包括物理模型、統計分析和機器學習等。使用難度較高，但可以通過團隊協作來分擔不同方面的專業要求。7.1.8維護和更新數值模型的維護和更新是一個持續的過程，軟件更新可能涉及新物理過程的描述和響應數值計算方法的創新。統計模型的維護相對簡單，主要涉及定期更新數據集和重新進行統計分析。模型結構通常不需要頻繁更改，除非出現新的重要變量。人工智能模型需要定期的維護和更新，持續收集新數據并重新訓練模型。模型架構可能需要隨著新算法的出現而更新。7.1.9成本效益分析數值模型的初始開發成本較高，包括軟件購買、硬件投資和專業人員培訓。長期運行成本主要包括計算資源和專業人員薪酬。效益體現在高精度預測和全面的過程理解，適合大型、復雜或高風險項目。統計模型的成本相對較低，主要涉及數據收集和分析軟件的費用。人員培訓成本較低。運行成本很小，通常只需普通計算機即可。效益在于快速、經濟地提供初步評估和短期預測，適合預算有限或時間緊迫的項目。人工智能模型的初始成本可能較高，運行成本取決于模型復雜度。效益體現在處理復雜非線性問題的能力和快速響應時間，適合需要實時決策或處理大量數據的場景。結合了多種模型類型的開發和維護成本，尤其針對跨領域專家團隊的持續投入。其效益也最為全面，能夠在各種情況下提供最優的解決方案。適合大型復雜或跨學科項目、長期規劃和管理任務，支持復雜系統的全面分析和決策。7.2各類模型具體實現選擇7.2.1數值模型的軟件/代碼篩選原則7.2.1.1科學適用性在選擇數值模擬軟件或代碼時，重點評估軟件對物理過程的刻畫能力，包括支持的物理定律和控制方程、多介質處理能力、模型維度選擇、時空離散化方法和相態流態處理能力等關鍵特性。7.2.1.2數值方法和計算效率數值方法選擇關注軟件支持的離散化方法和求解器性能，包括線性/非線性方程組求解效率、迭代收斂性和大規模稀疏矩陣處理能力。計算效率評估重點考察并行計算支持（多核CPU、GPU加速、分布式計算）和自適應技術（網格細化、時間步長控制、誤差估計以在保證精度前提下優化計算資源配置和提升模擬效率。7.2.1.3模型構建和數據處理能力評估軟件的前處理功能（幾何建模、網格生成優化、參數空間化）和后處理能力（多維可視化、動態過程展示、數據導出轉換）。同時考察用戶界面友好性，包括GUI直觀性、操作便捷性和交互式功能支持，以提升建模效率和降低學習成本。7.2.1.4軟件綜合評估與長期可用性除技術性能外，需評估軟件的綜合實用性和可持續性，包括使用成本（購買、學習、維護、升級）、技術支持質量、開源性與二次開發能力，以及跨平臺兼容性等長期使用因7.2.2統計回歸模型的選擇7.2.2.1數據特性匹配原則考慮因變量分布類型（正態、二項、泊松）、變量關系性質（線性、非線性）和數據時間結構（橫截面、時間序列、面板數據）。如橫截面數據適用OLS回歸，時間序列數據選用ARIMA等相應模型等。7.2.2.2模型簡約性原則在滿足精度要求的前提下，優先選擇較為簡單的模型。避免過度擬合，平衡模型復雜度與解釋力。7.2.2.3診斷充分性利用殘差分析、多重共線性診斷等，以確保模型假設的合理性。7.2.2.4理論基礎一致性避免純粹依賴統計結果，應確保模型設定與理論知識相一致。7.2.3人工智能模型算法的篩選7.2.3.1任務適配性評估不同類型的算法（如神經網絡、決策樹、支持向量機等）是否適合處理特定的任務類型，如分類、回歸、聚類、序列預測等。7.2.3.2數據特征兼容性考慮算法對不同類型數據（如結構化數據、圖像、文本、時間序列等）的處理能力。評估算法在處理高維數據、不平衡數據集等特殊情況時的表現。7.2.3.3性能指標根據具體任務評估相關的性能指標，如準確率、精確度、召回率、F1分數、均方誤差等。考慮算法在不同數據集上的泛化能力。7.2.3.4計算資源需求評估算法的訓練和測試時間，以及在不同硬件平臺（如CPU、GPU、TPU）上的優化程度。考慮算法的可擴展性，特別是在處理大規模數據集時的表現。7.2.3.5可解釋性與透明度考慮算法決策過程的可解釋性，評估算法提供的特征重要性分析、決策路徑可視化等工具。如SHAP值分析、隨機森林的特征重要性、深度學習的Grad-CAM等方法可提供全局和局部解釋，增強模型的可理解性和可信度。8復雜介質場地污染物時空分布建模基礎數據準備8.1搜集和整理與污染場地相關的歷史資料8.1.1場地基礎背景資料搜集包括地理位置、面積邊界、歷史用途、土地利用類型、地形特征及周邊敏感受體。揮發性污染場地需重點關注周邊敏感區域分布，并根據建模目標確定合適的時空數據范圍。8.1.2氣象、水文條件數據收集氣溫、降水、風向風速、氣壓和地表水文等長時間序列數據，因其對污染物揮發和遷移行為影響顯著。8.1.3地質與水文地質資料8.1.3.1多孔介質收集土壤巖性組成、粒度、孔隙度、滲透系數等參數。確定性建模需整理子區域平均值，隨機場方法則需分析參數空間分布特征和統計參數。8.1.3.2裂隙介質對于裂隙介質，除了收集基巖類型及其空間分布、基巖基質的物理和水力特性（如基質孔隙度、基質滲透性、礦物組成、吸附性能等）外，還需特別關注裂隙特征的獲取。這些裂隙數據（如密度、走向、開度等）主要通過巖心分析、露頭觀測、井下攝像和聲波測井等方法獲得。8.1.4水資源開發利用情況搜集有關地下水和地表水的開采量、開采位置、開采深度以及用途等信息，場地內水井分布、類型（如民用井、農業灌溉井、工業用水井、監測井等）、及使用情況。8.1.5地下水及地表空氣質量歷史監測數據這些數據應包括污染物種類、濃度、空間分布以及時間變化趨勢。8.1.6污染源調查資料包括污染源的類型（如點源、面源或線源）、位置、規模、污染物種類及其理化性質。同時，應調查污染物的排放歷史、排放方式（如連續排放或間歇排放）以及排放量的時間變化。8.2數據評估與篩選8.2.1相關性原則評估所收集的數據是否與建模目標直接相關。8.2.2準確性原則評估數據的準確性和可靠性。優先選擇來源可靠、采集方法規范的數據。對于存疑的數據，應進行交叉驗證或實地核實。8.2.3時效性原則對于快速變化的參數優先選用最新的數據，同時保留歷史數據以分析長期變化趨勢。8.2.4尺度適配原則確保數據的空間和時間分辨率與模型需求相匹配，并充分考慮參數的尺度效應。8.2.5代表性原則選擇能夠代表場地特征的典型數據。對于高度變異的參數（如裂隙特征），應確保采樣點具有足夠的代表性。8.2.6一致性原則檢查不同來源的數據之間是否存在矛盾或不一致，并通過專業判斷或額外調查來解決這些問題。對于時間序列數據，應特別注意歷史數據與新數據的一致性。可能需要進行趨勢分析和異常值檢測，以確保長期數據的連貫性。在必要時，可考慮使用數據同化技術，如卡爾曼濾波，來整合不同時期的觀測數據。8.2.7不確定性評估評估數據的不確定性程度，并進行合理量化表征。尤其對于復雜裂隙系統，應結合地統計學方法，如變異函數分析、克里金插值等，來確定這些參數的分布函數，并通過蒙托卡羅模擬等方法評估參數的不確定性。8.2.8可獲取性及成本效益在確保數據質量前提下，優先選擇便于獲取和更新的數據源。在有限的資源條件下，權衡數據收集成本與模型精度提升效果，以優化采集策略。8.3數據覆蓋度評估與補充調查評估時間序列連續性和空間覆蓋全面性，確保關鍵參數數據完整。數據不足時制定補充調查計劃，優先考慮模型敏感參數和區域，可通過現場采樣、增設監測井等方式擴大覆蓋。必要時可采用插值或數據同化方法填補空白，但需評估其不確定性。8.4數據整合對于數據不足情況，除直接采樣監測數據外，可根據場地特征和模型需求，通過空間插值、經驗公式、統計回歸等方法生成衍生數據。整合過程中需區分不同數據來源的權重和可信度，通過交叉驗證評估系統性差異并建立校正關系。9復雜介質場地污染物時空分布數字模型構建9.1數值模型構建9.1.1非均質多孔介質場地9.1.1.1模型范圍確定根據研究目標和水文地質條件確定模擬區域水平和垂向邊界。9.1.1.2地質單元劃分基于鉆孔數據地球物理勘探結果和地質圖件劃分不同的水文地質單元，如場地內有關鍵地質構造（斷層、巖脈等）應特別標注這些構造的位置和特征。9.1.1.3網格設置根據場地特征選擇結構化或非結構化網格，水平網格應匹配水文地質單元分布，關鍵區域適當加密。垂向劃分依據地層分布和污染物位置確定。通過網格質量控制和分辨率影響分析，在計算效率和模擬精度間權衡確定最優方案。9.1.1.4參數場構建為每個劃分的水文地質單元分配代表性參數值（如滲透系數、孔隙度）。對于隨機場模型，在進行空間相關性分析后選擇合適的隨機場生成算法生成多個參數場實現，通過與現場測量值的對比和條件模擬確定最終參數場。9.1.1.5邊界條件設置常規水力和溶質邊界條件外，揮發性有機污染場地需設置大氣壓力邊界并考慮地表封閉對氣體擴散影響；含NAPL相時，需分別設置水相、NAPL相和氣相邊界條件。9.1.1.6初始條件定義設置背景濃度或導入已知的污染物濃度分布，對于歷史污染，可能需要進行反演模擬確定初始濃度場。9.1.1.7源匯項設置除常規的污染物源匯項設置外，對于揮發類有機污染場地應特別考慮：（1）多相態污染源：除定義溶解態污染源外，還需模擬NAPL源區，包括殘留態和游離態NAPL。考慮多組分VOCs的組成比例及其在不同相間的分配。（2）相間傳質過程：定義氣-水、NAPL-水、NAPL-氣之間的質量傳遞系數，并考慮溫度和壓力對這些傳質過程的影響。（3）揮發損失：模擬地表或淺層土壤中VOCs向大氣的揮發過程是揮發性有機污染場地特有的損失機制。（4）非線性吸附：由于VOCs往往表現出非線性吸附特征，應使用更復雜的吸附模型（如Freundlich模型），并考慮土壤有機質含量對吸附過程的影響。（5）特殊降解過程：除考慮常規的生物降解外，還需關注VOCs特有的降解途徑，如厭氧條件下的脫氯反應。這些反應可能產生毒性更強或更持久的中間產物。9.1.1.8數值求解參數配置選擇適合多相流和多組分傳輸的數值方法。設置時間步長控制參數，確保VOCs快速遷移和相變過程的數值穩定性。配置適宜的迭代求解器和收斂準則，適應污染物多相傳輸擴散過程。合理設置自適應網格細化參數，以更好地捕捉多相界面濃度變化。9.1.1.9運行模擬執行初始化運行，確保初始條件的合理性。監控關鍵參數的變化，根據需要調整求解參數，確保模擬的準確性和效率。9.1.1.10結果后處理與分析針對不同相態進行專門可視化分析：NAPL相繪制飽和度分布圖以識別殘留區和游離區，氣相生成VOCs濃度剖面圖和通量等值圖，吸附相展示土壤顆粒吸附質量分布圖，用于評估污染源特征。9.1.2裂隙介質場地9.1.2.1一般性模型構建步驟除裂隙骨架和基質構建過程外，裂隙介質場地模擬的其他步驟，如邊界條件設置、初始條件定義、數值求解方法選擇等，與多孔介質模擬基本相同。9.1.2.2離散裂隙網絡生成（1）固定結構生成方法對仿真某些實驗室物理模型試驗或研究幾何參數對多相污染物遷移轉化過程影響，往往采用固定結構的裂隙生成方法。根據每個裂隙的位置、產狀、大小、隙寬等參數構建裂隙幾何形體，建立裂隙之間連接關系，并賦予每個裂隙相應的水力特性。（2）隨機裂隙網絡生成方法這種方法適用于大尺度場地，其中裂隙數量眾多，無法逐一描述每個裂隙。其主要步驟包括：利用地理統計方法分析裂隙統計特征，基于這些特征使用蒙特卡洛模擬隨機生成裂隙，然后分析網絡連通性并剔除孤立裂隙。利用野外示蹤試驗、抽水試驗等進行網絡結構校準、驗證與優化。9.1.2.3等效連續介質等效連續介質方法將裂隙介質等效為具有各向異性的多孔介質。其構建過程包括代表單元體（REA）確定、等效滲透張量等關鍵參數計算。9.1.2.4雙重介質模型通過雙節點法表示裂隙與基質系統，采用有限元-有限體積混合離散化方法，以分別捕捉快速流動和慢速擴散過程。需要特別注意裂隙和基質接觸面上的網格匹配、裂隙-基質間的質量交換項參數設定等。由于裂隙中的流動通常比基質中快得多，因此需要謹慎選擇時間步長，以平衡計算效率和數值精度。9.2統計模型構建9.2.1基于已有場地數據直接構建9.2.1.1變量選擇與預處理確定輸入特征參數（如滲透系數、水力梯度、裂隙密度、污染物理化參數等等）和輸出變量（污染物界面通量、污染羽穩定時間、污染物遷移最大距離等）。通過數據清洗、異常值識別、特征轉換和標準化處理，確保數據集質量及參數可比性。9.2.1.2數據特征分析通過描述性統計分析了解數據集中趨勢和離散程度，使用相關系數評估變量關系并識別多重共線性，結合散點圖、箱線圖等可視化技術展示數據分布特征。9.2.1.3統計回歸模型構建采用多元線性回歸和非線性回歸方法構建模型，通過最小二乘法估計回歸系數，利用逐步回歸等方法進行變量篩選。9.2.1.4統計回歸模型結果評估通過決定系數（R2)評估解釋力，均方根誤差（RMSE）和平均絕對誤差（MAE）評估精度，結合殘差分析、顯著性檢驗和交叉驗證，全面評估模型性能和預測能力。9.2.2統計替代模型9.2.2.1替代策略統計替代模型是基于機理模型構建的簡化模型，旨在提高計算效率同時保持一定的精度。為了得到精準的結果，一般建議采用數值模型。9.2.2.2機理模型參數組合設計參數選取和模型參數組合設計直接影響后續統計分析的質量和應用范圍。以下是具體設計指導原則和注意事項：（1）參數篩選基于敏感性分析、極差分析、方差分析等識別對模型輸出影響顯著的關鍵參數。考慮參數之間的相關性，避免選擇高度相關的參數組合。結合專業知識，選擇在實際工程中易于獲得和量化的參數。（2）參數范圍確定根據實際工程經驗、文獻資料和本次建模應用情景，確定各參數的合理變化范圍。考慮參數的物理意義，避免超出實際可能的范圍。對于不確定性大的參數，可適當擴大其變化范圍。（3）模型參數組合設計方法模型參數組合設計主要包括系統性設計方法（如正交試驗、均勻設計、中心復合設計、Box-Behnken設計等）、隨機抽樣方法（如蒙特卡羅模擬、拉丁超立方抽樣、重要性抽樣等）以及全面枚舉的排列組合法。根據具體問題特點和計算資源，選擇合適的設計方法以平衡計算效率與精度。（4）參數水平取值可以采用等間距或對數間距等方式確定參數水平，以覆蓋整個參數空間。對于非線性敏感的參數，可在敏感區域增加取值密度。正交試驗通常選3-5個水平，蒙特卡羅模擬則可能需要更多樣本點，連續型參數也可采用連續采樣。應結合參數特性、模型敏感性和計算資源確定合適的取值策略。9.2.2.3機理模型模擬按照9.2.2.2中設計的參數組合，逐個情景進行模擬。9.2.2.4統計分析與統計替代模型構建參照9.2.1.3的統計回歸模型構建方法。9.2.2.5模型驗證與優化通過獨立數據集驗證模型預測能力，分析誤差分布，評估敏感性，確定適用范圍，并進行必要的優化調整。最后，量化模型預測的不確定性，并詳細記錄整個過程，以確保模型的可靠性和實用性。9.3人工智能（機器學習）模型9.3.1基于已有場地數據直接構建9.3.1.1數據預處理與特征工程數據常規預處理參照9.2.1.1中相關內容。對于復雜場地有機污染問題，可考慮機器學習種的特征工程。基于專業知識創建新參數組合，提取關鍵水文地質和污染物理化因素，運用降維技術如主成分分析，提升模型對污染物遷移轉化的表征能力。9.3.1.2數據集劃分根據數據量采用適當的劃分策略：數據量少時可用K折交叉驗證或留一法，數據充足時通常劃分為訓練集（70%~80%）、驗證集（10%~15%）和測試集（10%~15%），具體比例應根據數據總量和問題復雜度調整，確保數據劃分合理性。并評估不同劃分方式下模型性能的穩定性。9.3.1.3模型選擇與架構設計對于較簡單的問題，可考慮傳統機器學習方法如支持向量機（SVM）或隨機森林（RF）。對于復雜的非線性關系，可選用人工神經網絡（ANN）或深度學習模型（如CNN、RNN、LSTM、Transformer等）。針對選定模型設計合適架構，包括層數、節點數、激活函數、卷積核大小、池化方式等，并根據問題特點、數據特征和計算資源進行優化調整。9.3.1.4模型訓練與優化使用訓練數據集對模型進行訓練，選擇合適的損失函數和優化算法。采用交叉驗證等技術調整超參數，防止過擬合。考慮使用正則化、dropout等技術提高模型泛化能力。9.3.1.5模型評估與解釋評估模型性能，使用均方根誤差（RMSE）、決定系數（R2)等指標。采用局部依賴圖、SHAP值等方法解釋模型預測，分析特征重要性。9.3.2人工智能（機器學習）替代模型9.3.2.1替代策略同9.2.2.1中統計替代模型策略。9.3.2.2機理模型參數組合設計參考9.2.2.2中參數組合設計。9.3.2.3機理模型模擬與人工智能替代模型構建選擇適宜的機理模型模擬，使用機理模型生成的數據并選擇適當的人工智能算法構建替代模型9.3.2.4模型驗證與優化參考9.3.1.4與9.3.1.5中相關模型優化與性能評估方法。10特征變量的主控因子識別與模型的不確定性分析10.1特征變量的主控因子識別10.1.1數值模型的主控因子識別10.1.1.1局部敏感性分析通過在基準參數值附近進行小范圍變化，計算參數變化對模型輸出的影響程度。該方法操作簡單直觀，適合快速初步評估，但難以反映參數間的交互作用和非線性效應。10.1.1.2全局敏感性分析全局敏感性分析評估整個參數空間內輸入參數對模型輸出的影響，主要包括方差分解法（如Sobol方法）、Morris篩選法和FAST（傅立葉幅度敏感性測試）。其中方差分解法可捕捉參數交互但計算成本高，Morris篩選法適用于計算密集型模型且運行次數少，FAST方法則適合處理非線性和非單調模型。選擇分析方法時需權衡模型復雜性和計算資源。10.1.1.3參數擾動分析應系統地改變單個或多個輸入參數，觀察模型輸出的相對變化。這種方法直觀但可能忽視復雜的參數交互。在應用時，建議設計合理的擾動范圍，并考慮參數間的可能相關性。結果分析應結合專業知識，確保得出的結論具有實際意義。10.1.2統計模型的主控因子識別10.1.2.1相關性分析進行相關性分析時，應根據數據特性選擇適當的相關系數，如Pearson相關系數（線性關系）或Spearman等級相關系數（非線性關系）。注意相關性不等同于因果關系，解釋結果時應謹慎。10.1.2.2逐步回歸設置合適的入模和出模標準，如p值閾值或信息準則。并注意多重比較問題和過擬合風險，建議結合交叉驗證來評估模型的穩定性和泛化能力。10.1.2.3正則化方法使用正則化方法如Lasso回歸、嶺回歸時，應通過交叉驗證選擇最優的正則化參數。Lasso回歸有助于特征選擇，而嶺回歸適用于處理多重共線性。10.1.2.4主成分分析（PCA）對數據進行標準化處理后，利用累積解釋方差比例或碎石圖選擇適當數量的主成分。通過分析原始變量的載荷，為每個主成分賦予合理的物理意義。主成分分析結果可用于數據降維，也可作為后續回歸分析的輸入變量。10.1.2.5方差分析應用方差分析時，需檢查數據是否滿足正態性、方差齊性等假設。對于單因素ANOVA，計算組間方差與組內方差的比值（F統計量）。對于多因素ANOVA，還需考慮因素間的交互作用。結果解釋應包括F值、p值和效應量。對于顯著結果，建議進行事后多重比較。10.1.2.6極差分析進行極差分析時，計算每個因素水平下響應變量的最大值和最小值之差。這種方法簡單直觀，特別適用于實驗設計和質量控制。然而，極差分析可能對極端值敏感，建議結合箱線圖等可視化方法來識別異常值。對于復雜系統，極差分析可作為初步篩選工具，但應與其他方法結合使用。10.1.3人工智能（機器學習）模型的主控因子識別10.1.3.1SHAP值分析SHAP提供了多種工具用于主控因子識別。可使用SHAP特征重要度圖評估全局特征重要性，通過特征密度散點圖（Beeswarm）展示特征對模型輸出的具體影響，利用SHAP摘要圖快速概覽所有特征的影響，并通過SHAP依賴圖深入分析單個特征與預測結果的關系。使用這些工具時，最重要的是結合領域專業知識對結果進行解釋，確保分析的實際意義。同時，應注意綜合使用多種圖表，考慮特征間相關性，并確保樣本的代表性，以獲得全面且可靠的因子重要性評估。10.1.3.2隨機森林的特征重要性在隨機森林中，可使用平均不純度減少（MDI）或平均精度減少（MDA）來評估特征重要性。MDI計算每個特征在決策樹節點上的平均不純度減少，而MDA通過隨機置換特征值來評估其重要性。在解釋結果時，應考慮特征之間的相關性，高度相關的特征可能會相互掩蓋重要性。10.1.3.3深度學習的解釋性方法對于復雜介質場地污染物時空分布的深度學習模型，可使用梯度加權類激活映射（Grad-CAM）來可視化模型關注的區域，特別適用于污染物擴散圖像分析任務。層wise相關傳播（LRP）方法可用于追蹤網絡中污染物特征的相關性傳播。在應用這些方法時，應注意不同層次的解釋可能有所不同，建議結合多層次的分析結果，并與場地特征和污染物性質等專業知識相結合。10.1.3.4其他方法除上述方法外，還可考慮使用局部依賴圖（PDP）和個體條件期望（ICE）圖來可視化特征對污染物分布預測的影響。這些方法有助于理解場地特征與污染物時空分布之間的非線性關系。LIME（LocalInterpretableModel-agnosticExplanations）方法可用于提供局部可解釋性，特別適用于復雜污染場地模型的單點預測解釋。10.2模型不確定性分析10.2.1數值模型不確定性分析10.2.1.1不確定性來源（1）參數不確定性針對復雜介質場地，需要關注水文地質、污染物特性等參數的空間異質性、尺度效應、測量誤差、環境因素影響以及非線性效應等。如彌散度具有顯著的尺度效應；吸附系數、降解速率、溶解度和分配系數等受PH、溫度、有機質含量等環境因素影響顯著，且在某些情況下可能表現出非線性行為。（2）初始條件和邊界條件不確定性污染源的強度、位置和釋放模式往往因歷史信息不完整而存在較大不確定性。多源污染問題更增加了源項表征的復雜性。邊界條件方面，地下水流場的時空變化、地表水體與地下水的交互作用、以及大尺度水文地質單元的邊界特征都可能存在顯著不確定性。（3）數值方法引起的誤差這些誤差主要來源于空間離散化和時間離散化過程。空間離散化可能導致數值擴散，特別是在污染物鋒面附近；而時間步長的選擇影響計算穩定性和精度，不當的選擇可能導致誤差累積。高階數值格式雖然可以減少數值擴散，但可能引入數值振蕩。在處理強非線性問題（如多相流、密度驅動流）時，求解器的收斂性和穩定性也是潛在的誤差來源。此外，復雜地質構造（如斷層、高滲透性通道）的數值表達也可能引入額外的誤差。（4）模型簡化模型簡化是復雜介質場地模擬中不可避免卻又引入重要不確定性的步驟。地質構造的簡化表達可能忽略重要的小尺度特征，如優先流路徑或局部高滲透性區域。多相流動、熱力學過程、生物地球化學反應等復雜過程的簡化處理可能導致模型無法準確捕捉關鍵的物理、化學或生物學過程。在模型簡化過程中，需要權衡計算效率和模型精度，找到合適的復雜度水平。10.2.1.2量化、評估和減少不確定性方法（1）參數敏感性分析通過局部和全局敏感性分析方法評估參數對模型輸出的影響程度。方法具體內容參考10.1.1。（2）蒙托卡羅模擬基于參數概率分布進行隨機抽樣，生成大量模型實現。這種方法可量化由參數不確定性導致的模型輸出的不確定性范圍，提供污染物濃度預測結果的概率分布，為風險評估提供依據。（3）區間估計對關鍵參數進行區間估計，計算模型輸出的可能范圍。構建置信區間和容差區間，表達預測結果的不確定性。結合區間數學或模糊集理論，快速評估不確定性影響。進行最壞情況分析，評估污染物遷移的最大可能范圍。區間估計方法直觀表達不確定性，為決策提供清晰的風險范圍，但需注意避免過于保守的估計。（4）網格收斂性分析通過逐步細化網格分辨率，評估空間離散化對模型結果的影響。這有助于確定最佳的網格分辨率，平衡計算精度和效率，減少數值方法引起的誤差。（5）數據同化利用觀測數據動態更新模型狀態和參數。如集合卡爾曼濾波（EnKF）可同時更新模型狀態和參數，減少初始條件、邊界條件和參數的不確定性。（6）地質統計學方法利用克里金法等空間插值技術估計參數的空間分布，應用條件模擬生成多個等可能的參數場景，以表征地質和參數的空間異質性。（7）尺度轉換技術開發和應用尺度轉換方法，如均質化技術、多尺度方法等，以減少由于尺度效應引起的不確定性。（8）貝葉斯推斷結合先驗知識和觀測數據，更新參數的概率分布。馬爾可夫鏈蒙特卡洛（MCMC）方法可用于參數后驗分布采樣，有助于減少參數不確定性并量化剩余不確定性。（9）不確定性可視化使用概率密度函數、累積分布函數、箱線圖等圖形方法直觀展示不確定性。這有助于決策者理解和評估模型預測的可靠性。10.2.2統計和人工智能（機器學習）模型不確定性分析10.2.2.1不確定性來源除參數、初始條件和邊界條件的不確定性外，還需要考慮如下不確定性來源：（1）模型選擇造成的不確定性不同的統計和機器學習模型（如線性回歸、隨機森林、神經網絡等）可能對同一數據集給出不同的預測結果。模型結構和復雜度的選擇直接影響預測結果的準確性和可靠性。（2）特征選擇不確定性在高維數據集中，特征選擇過程可能引入不確定性。不同的特征選擇方法可能導致模型關注不同的變量，從而影響預測結果。（3）數據質量和代表性不確定性統計和機器學習模型嚴重依賴于訓練數據的質量和代表性。數據質量方面，測量誤差、缺失值、異常值和數據一致性問題可能影響模型性能。數據分布方面，采樣偏差、類別不平衡、時空分布不均勻等因素可能導致模型無法準確表征整個研究對象。（4）模型解釋性不確定性許多機器學習模型（如深度神經網絡）被認為是"黑箱"模型，其預測機制難以解釋。這種不確定性可能影響模型在實際應用中的可信度和決策支持能力。（5）預測與外推能力不確定性在評估統計和機器學習模型的不確定性時，需要同時考慮預測和外推能力。應注意，即便在訓練數據覆蓋范圍內，模型也可能因數據噪聲、復雜度不當或過擬合等因素產生預測偏差。更重要的是，當模型應用于時間、空間或參數范圍以外時，其表現通常會顯著下降，可能導致預測結果與實際情況嚴重偏離。應用這些模型時，須審慎評估其預測準確性和外推能力的局限性。10.2.2.2量化、評估和減少不確定性方法（1）交叉驗證和模型集成使用k折交叉驗證等方法評估不同模型的泛化能力。采用集成方法（如bagging、boosting）結合多個模型的預測結果，減少單一模型的偏差。（2）特征重要性分析和穩定性選擇利用隨機森林等模型的特征重要性指標進行特征篩選。通過重采樣技術評估特征選擇的穩定性，選擇最穩定和重要的特征。（3）數據增強和主動學習數據增強方法包括生成合成數據、利用物理模型模擬、數據變換和遷移學習等，旨在擴充訓練集并增加樣本多樣性。主動學習則通過設計優化的采樣策略，如不確定性采樣、代表性采樣和多目標優化等，提高數據的代表性和信息量。（4）貝葉斯方法和集成學習通過引入參數的先驗分布，能夠直接估計預測的不確定性，提供預測的概率分布。集成學習則通過組合多個基礎模型的預測結果，有效降低單一模型的偏差和方差，可利用預測的方差量化不確定性。1附錄A部分揮發類有機污染物理化性質參數序號中文名CAS編號H’數據來源Dacm2/s數據來源Dwcm2/s數據來源Koccm3/g數據來源Koa數據來源Kow數據來源mg/L數據來源KsaVP(mmH25°C)數據來源密度(g/cm3)(20℃)Dv(mPa·s)(251硝基苯98-95-39.81E-04EPI6.81E-02WT99.45E-06WT92.26E+02EPI72443.60EPI70.79EPI2.09E+03EPI3.010.24EPIg/mLat25°C(lit.)2丙酮67-64-11.43E-03EPI1.06E-01WT91.15E-05WT92.36E+00EPI204.17EPI0.58EPI1.00E+06EPI2.552.32E+02EPI0.7850.323丙烷598-77-61.30E-02EPI5.72E-02WT99.17E-06WT99.49E+01EPI20892.96EPI269.EPI1.90E+03EPI93.1EPI0.78-0.9541,2,3-三氯丙烷96-18-41.40E-02EPI5.75E-02WT99.24E-06WT91.16E+02EPI13182.57EPI21EPI1.75E+03EPI53.69EPIg/mLat25°C(lit.)0.97-5氯乙烷,79-34-51.50E-02EPI4.89E-02WT99.29E-06WT99.49E+01EPI14454.40EPI245.47EPI2.83E+03EPI75.74EPI1.586g/mLat25°C(lit.)0.9-61,2-二溴93-42.66E-02EPI4.30E-02WT91.04E-05WT93.96E+01EPI3467.37EPI91.20EPI3.91E+03EPI82EPI2.18g/mLat25°C(lit.)0.977二溴氯甲烷48-13.20E-02EPI3.66E-02WT91.06E-05WT93.18E+01EPI3890.45EPI54EPI2.70E+03EPI365EPI2.451g/mLat25°C(lit.0.982序號中文名CAS編號H’數據來源Dacm2/s數據來源Dwcm2/s數據來源Koccm3/g數據來源Koa數據來源Kow數據來源mg/L數據來源KsaVP(mmH25°C)數據來源密度(g/cm3)(20℃)Dv(mPa·s)(25)879-00-53.37E-02EPI6.69E-02WT91.00E-05WT96.07E+01EPI2511.89EPI77.62EPI4.59E+03EPI123EPIg/mLat25°C(lit.)0.991,2-二氯06-24.82E-02EPI8.57E-02WT91.10E-05WT93.96E+01EPI602.56EPI30.20EPI8.60E+03EPI78.9EPI1.2521g/cm3(Temp:204°C)0.89一溴二氯75-27-48.67E-02EPI5.63E-02WT91.07E-05WT93.18E+01EPI1148.15EPI00EPI3.03E+03EPI657.35EPI2.0130.921,4-二氯苯46-79.85E-02EPI5.50E-02WT98.68E-06WT93.75E+02EPI28840.32EPI2754EPI8.13E+01EPI24EPIg/mLat25°C(lit.)氯乙烷,630-20-61.02E-01EPI4.82E-02WT99.10E-06WT98.60E+01EPI8317.64EPI851.EPI1.07E+03EPI0.99EPIg/mLat25°C(lit.)0.88苯乙烯42-51.12E-01EPI7.11E-02WT98.78E-06WT94.46E+02EPI7943.28EPI891.25EPI3.10E+02EPI0.956.4EPI0.906g/mLat25°C0.891,2-二氯丙烷78-87-51.15E-01EPI7.33E-02WT99.73E-06WT96.07E+01EPI912.01EPI95.50EPI2.80E+03EPI0.9853.3EPI1.156g/mLat25°C(lit.)0.93氯苯90-71.27E-01EPI7.21E-02WT99.48E-06WT92.34E+02EPI2041.74EPI691.EPI4.98E+02EPI0.47EPIg/mLat25°C(lit.)0.943序號中文名CAS編號H’數據來源Dacm2/s數據來源Dwcm2/s數據來源Koccm3/g數據來源Koa數據來源Kow數據來源mg/L數據來源KsaVP(mmH25°C)數據來源密度(g/cm3)(20℃)Dv(mPa·s)(25二氯甲烷75-9-21.33E-01EPI9.99E-02WT91.25E-05WT92.17E+01EPI186.21EPI8EPI1.30E+04EPI24.35E+02EPI0.41氯仿(三氯甲烷)67-66-31.50E-01EPI7.69E-02WT91.09E-05WT93.18E+01EPI630.96EPI93.33EPI7.95E+03EPI0.837E+02EPI0.561,2-順式-二氯乙烯59-21.67E-01EPI8.84E-02WT91.13E-05WT93.96E+01EPI363.08EPI72.44EPI6.41E+03EPI0.72.00E+02EPIg/mLat25°C(lit.)0.77鄰二甲苯95-47-62.12E-01EPI6.89E-02WT98.53E-06WT93.83E+02EPI8128.31EPIEPI1.78E+02EPI0.796.61EPI0.879g/mLat20°C(lit.)0.6520苯71-43-22.27E-01EPI8.95E-02WT91.03E-05WT91.46E+02EPI602.56EPI90EPI1.79E+03EPI0.6594.8EPI0.874g/mLat25°C(lit.)0.652175-34-32.30E-01EPI8.36E-02WT91.06E-05WT93.18E+01EPI257.04EPI61.66EPI5.04E+03EPI0.622.27E+02EPI0.4422二甲苯20-72.71E-01EPI6.85E-02WT98.46E-06WT93.83E+02EPI5370.32EPIEPI1.06E+02EPI0.577.99EPI0.86g/mLat25°C(lit.)0.892388-32.71E-01EPI7.78E-02WT99.20E-06WT92.34E+02EPI2041.74EPI537.03EPI5.26E+02EPI0.5828.4EPI0.8670.6224對二甲苯2.82E-EPI6.82E-WT8.42E-WT3.75E+0EPI6165.95EPEP1.62E+EP0.68.8EP0.8610.66序號中文名CAS編號H’數據來源Dacm2/s數據來源Dwcm2/s數據來源Koccm3/g數據來源Koa數據來源Kow數據來源mg/L數據來源KsaVP(mmH25°C)數據來源密度(g/cm3)(20℃)Dv(mPa·s)(2542-3010290692II02I44Ig/mLat20°C(lit.)25間二甲苯38-32.94E-01EPI6.84E-02WT98.44E-06WT93.75E+02EPI6025.60EPIEPI1.61E+02EPI0.588.29EPI0.868g/mLat25°C(lit.)0.662641-43.22E-01EPI6.85E-02WT98.46E-06WT94.46E+02EPI5495.41EPIEPI1.69E+02EPI0.599.6EPI0.867g/mLat25°C(lit.)0.6427氯甲烷74-87-33.61E-01EPI1.24E-01WT91.36E-05WT91.32E+01EPI24.55EPI8.13EPI5.32E+03EPI0.484.30E+03EPI0.915g/mLat25°C(lit.)0.41281,2-反式-二氯乙烯60-53.83E-01EPI8.76E-02WT91.12E-05WT93.96E+01EPI323.59EPI03EPI4.52E+03EPI0.423.3+02EPIg/mLat25°C(lit0.7929三氯乙烯79-01-064.03E-01EPI6.87E-02WT91.02E-05WT96.07E+01EPI977.24EPI263.03EPI1.28E+03EPI0.5769EPI0.893071-55-67.03E-01EPI6.48E-02WT99.60E-06WT94.39E+01EPI501.19EPI309.03EPI1.29E+03EPI0.214E+02EPI1.33760.3231四氯乙烯7.24E-01EPI5.05E-02WT99.46E-06WT99.49E+01EPI3019.95EPI2511EPI2.06E+02EPI0.085EPIg/mLat25°C(lit.)0.893275-35-41.07E+00EPI8.63E-02WT91.10E-05WT93.18E+01EPI104.71EPI90EPI2.42E+03EPI-0.16.00EEPI0.4845序號中文名CAS編號H’數據來源Dacm2/s數據來源Dwcm2/s數據來源Koccm3/g數據來源Koa數據來源Kow數據來源mg/L數據來源KsaVP(mmH25°C)數據來源密度(g/cm3)(20℃)Dv(mPa·s)(251+0233四氯化碳56-23-51.13E+00EPI5.71E-02WT99.78E-06WT94.39E+01EPI616.60EPI676.08EPI7.93E+02EPI-0.045E+02EPI0.934氯乙烯75-01-41.14E+00EPI1.07E-01WT91.20E-052.17E+01EPI100.00EPI28.84EPI8.80E+03EPI0.542.9+03EPI0.911g/mLat25°C(lit0.8935草甘膦83-68.59E-EPI6.21E-02WT97.26E-06WT92.10E+03ARS23988329190194.90EPI0.00EPI1.05E+04EPI789.80E-08EPIg/cm3(20°C)0.89363,3-二氯聯苯胺91-94-11.16E-09R3694.75E-02WT95.55E-06WT93.19E+03EPI177827941.00EPI3235EPI3.11E+00EPI4.744.106EPI1.38E+001.50E+0037樂果60-51-59.93E-09EPI2.61E-02WT96.74E-06WT91.28E+01EPI602559586.07EPI6.03EPI2.33E+04EPI88E-05EPI3.238阿特拉津24-99.65E-08EPI2.65E-02WT96.84E-06WT92.25E+02EPI3981071705.53EPI407.38EPI3.47E+01EPI6.992.89E-07EPI1.19E+001.50E+0039五氯酚87-86-51.00E-06EPI2.95E-02WT98.01E-06WT95.92E+02EPI1174897554.94EPI25.67EPI87-86-5EPI3.950E-04EPI1.978g/mLat25°C(lit.)0.9-水)1.3(有機溶劑)402,4-二硝2.21E-EPI3.75E-WT7.90E-WT5.76E+0EPI436515EP95.5EP2.00E+EP5.67.1EP1.52E+06序號中文名CAS編號H’數據來源Dacm2/s數據來源Dwcm2/s數據來源Koccm3/g數據來源Koa數據來源Kow數據來源mg/L數據來源KsaVP(mmH25°C)數據來源密度(g/cm3)(20℃)Dv(mPa·s)(25基甲苯06029069283.22I0I02I69E-04I0412,4-二硝基酚51-28-53.52E-06EPI4.07E-02WT99.08E-06WT94.61E+02EPI25118864315.10EPI46.77EPI2.79E+03EPI8.7305EPI3.542二苯并(a,h)蒽53-70-35.76E-06EPI4.46E-02WT95.21E-06WT9