《污染場(chǎng)地?fù)]發(fā)類(lèi)有機(jī)物多相傳輸擴(kuò)散建模與應(yīng)用技術(shù)指南（征求意見(jiàn)稿）》

1污染場(chǎng)地?fù)]發(fā)類(lèi)有機(jī)物多相傳輸擴(kuò)散建模與應(yīng)用技術(shù)指南1適用范圍本文件提出了包含非均質(zhì)多孔介質(zhì)及裂隙介質(zhì)在內(nèi)的復(fù)雜污染場(chǎng)地中，揮發(fā)性及半揮發(fā)性有機(jī)物多相態(tài)傳輸擴(kuò)散的時(shí)空演化數(shù)字建模方法，以及典型污染特征變量高效精準(zhǔn)預(yù)測(cè)的技術(shù)框架。針對(duì)不同應(yīng)用場(chǎng)景，文件闡述了的選擇依據(jù)與應(yīng)用策略。本文件適用于復(fù)雜介質(zhì)場(chǎng)地有機(jī)物多相態(tài)污染過(guò)程的可靠量化與高效預(yù)測(cè)。2規(guī)范性引用文件下列文件中的內(nèi)容通過(guò)文中的規(guī)范性引用而構(gòu)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(duì)應(yīng)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(chǎng)地環(huán)境調(diào)查技術(shù)導(dǎo)則》HJ25.1-2019《建設(shè)用地土壤污染狀況調(diào)查技術(shù)導(dǎo)則》HJ/T164《地下水環(huán)境監(jiān)測(cè)技術(shù)規(guī)范》HJ/T166《土壤環(huán)境監(jiān)測(cè)技術(shù)規(guī)范》HJ/T194《環(huán)境空氣質(zhì)量手工監(jiān)測(cè)技術(shù)規(guī)范》GB3095《環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)》GB50021《巖土工程勘查規(guī)范》HJ25.6《污染地塊地下水修復(fù)和風(fēng)險(xiǎn)管控技術(shù)導(dǎo)則》地下水污染模擬預(yù)測(cè)評(píng)估工作指南（環(huán)辦土壤函〔2019〕770號(hào)）3術(shù)語(yǔ)和定義下列術(shù)語(yǔ)和定義適用于本文件。3.1揮發(fā)類(lèi)有機(jī)污染物VolatileandSemi-VolatileOrganicPollutants(VSOPs)指具有揮發(fā)性或半揮發(fā)性的有機(jī)污染物，主要包括揮發(fā)性有機(jī)物（VolatileOrganicCompounds,VOCs）和半揮發(fā)性有機(jī)物（Semi-VolatileOrganicCompounds,SVOCs）。3.2復(fù)雜介質(zhì)場(chǎng)地SitewithComplexMedia主要指由非均質(zhì)多孔介質(zhì)、裂隙介質(zhì)或多介質(zhì)復(fù)合系統(tǒng)組成的場(chǎng)地，各介質(zhì)具有不同的水力特性和空間分布特征，導(dǎo)致場(chǎng)地水文地質(zhì)條件和污染物運(yùn)移行為表現(xiàn)出較強(qiáng)的空間異質(zhì)性。3.3數(shù)字模型DigitalModel利用數(shù)字化方法構(gòu)建的模型，涵蓋數(shù)學(xué)模型、統(tǒng)計(jì)模型、人工智能模型等所有與數(shù)字技術(shù)相關(guān)的模型類(lèi)型。數(shù)字模型可以通過(guò)機(jī)理驅(qū)動(dòng)（Mechanism-Driven）或數(shù)據(jù)驅(qū)動(dòng)（Data-Driven）的方式，描述、模擬或預(yù)測(cè)復(fù)雜系統(tǒng)的行為和特性。3.4替代模型SurrogateModel使用統(tǒng)計(jì)模型或人工智能模型來(lái)近似替代復(fù)雜的機(jī)理模型。替代模型通?；谝延械臄?shù)值模擬結(jié)果或觀測(cè)數(shù)據(jù)構(gòu)建，能夠在保證一定精度的基礎(chǔ)上實(shí)現(xiàn)快速響應(yīng)，適用于實(shí)時(shí)決策、優(yōu)化分析和不確定性量化等場(chǎng)景。3.5雙重介質(zhì)模型Dual-MediumModel一種描述裂隙巖體的概念模型，將介質(zhì)概化為裂隙系統(tǒng)和基質(zhì)系統(tǒng)，兩者具有不同的水力特性，其中裂隙系統(tǒng)主要提供導(dǎo)水通道，基質(zhì)系統(tǒng)主要作為儲(chǔ)水介質(zhì)，兩者通過(guò)交互作用實(shí)現(xiàn)水分與污染物的傳輸擴(kuò)散過(guò)程。3.6污染特征變量ContaminationCharacteristicVariable指用于表征污染物在特定介質(zhì)（如地下水、土壤、大氣）中時(shí)空演化過(guò)程的關(guān)鍵特征的變量。污染特征變量反映了污染物的遷移、擴(kuò)散、累積等關(guān)鍵動(dòng)態(tài)行為，為污染預(yù)測(cè)、評(píng)估、及控制提供定量化的數(shù)據(jù)支持和科學(xué)依據(jù)。4基本原則4.1目標(biāo)導(dǎo)向原則決策需求，實(shí)現(xiàn)建模根據(jù)場(chǎng)地污染預(yù)測(cè)、污染溯源、污染物傳輸擴(kuò)散過(guò)程科學(xué)研究、修復(fù)方案優(yōu)化等不同建模目標(biāo)和應(yīng)用場(chǎng)景，形成面向具體應(yīng)用需求的高效數(shù)字建模策略和技術(shù)路線。確保評(píng)估結(jié)果能夠直接、有效地支撐場(chǎng)地管理工作的實(shí)用價(jià)值。決策需求，實(shí)現(xiàn)建模234.2分層遞進(jìn)原則應(yīng)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(jiǎn)化分析模型、用于復(fù)雜場(chǎng)地機(jī)理研究的高精度專(zhuān)業(yè)模型、滿(mǎn)足快速評(píng)估需求的智能替代模型等。隨著場(chǎng)地認(rèn)識(shí)的深入和數(shù)據(jù)的不斷積累，逐步提升模型的復(fù)雜度和精確度，實(shí)現(xiàn)模擬評(píng)估工作的持續(xù)優(yōu)化和完善。通過(guò)多層次模型的互相驗(yàn)證和補(bǔ)充，提供全面的決策支持。4.3創(chuàng)新融合原則積極推動(dòng)傳統(tǒng)數(shù)值模擬方法與新技術(shù)的深度融合，重點(diǎn)引入人工智能等先進(jìn)建模方法，發(fā)展機(jī)理過(guò)程與數(shù)據(jù)協(xié)同驅(qū)動(dòng)的創(chuàng)新數(shù)字模型。在保證模擬精度的基礎(chǔ)上，建立計(jì)算效率更高的智能替代模型。通過(guò)多模型集成方法，實(shí)現(xiàn)不同類(lèi)型模型的優(yōu)勢(shì)互補(bǔ)，拓展模型應(yīng)用的廣度和深度，為復(fù)雜場(chǎng)地污染物遷移行為的模擬預(yù)測(cè)提供更加全面和高效的技術(shù)手段。4.4可行易推原則始終立足工程應(yīng)用需求，在保證科學(xué)性的基礎(chǔ)上，充分注重建模方法的可操作性和時(shí)效性。建立模型精度與計(jì)算效率的平衡機(jī)制，確保模擬評(píng)估結(jié)果能夠及時(shí)有效地支撐工程實(shí)踐。通過(guò)系統(tǒng)的典型案例分析和應(yīng)用示范，提供清晰的技術(shù)路線指引，切實(shí)服務(wù)于場(chǎng)地污染防治決策，推動(dòng)建模技術(shù)在實(shí)踐中的廣泛應(yīng)用。5工作內(nèi)容與技術(shù)流程5.1工作內(nèi)容5.1.1定義數(shù)字建模目標(biāo)與應(yīng)用場(chǎng)景啟動(dòng)污染場(chǎng)地?fù)]發(fā)類(lèi)有機(jī)物多相傳輸擴(kuò)散建模工作前，需明確建模目標(biāo)與應(yīng)用場(chǎng)景。其目標(biāo)與應(yīng)用場(chǎng)景包括但不限于：污染物傳輸擴(kuò)散時(shí)空分布精準(zhǔn)預(yù)測(cè)、關(guān)鍵界面通量精準(zhǔn)預(yù)測(cè)、關(guān)鍵界面通量強(qiáng)度評(píng)估、場(chǎng)地污染程度與層級(jí)評(píng)估等。根據(jù)具體工作目標(biāo)與應(yīng)用場(chǎng)景確定模型模擬的精細(xì)程度與準(zhǔn)確度要求。5.1.2建立場(chǎng)地環(huán)境污染概念模型通過(guò)搜集分析相關(guān)資料，明確并概化污染場(chǎng)地介質(zhì)類(lèi)型、水文地質(zhì)框架、水文邊界、初始和瞬時(shí)條件、水力特性、特征污染物理化特征與賦存形態(tài)、污染物遷移轉(zhuǎn)化過(guò)程、污染源位置與源強(qiáng)等內(nèi)容，以建模目標(biāo)及應(yīng)用為導(dǎo)向，選擇適宜的時(shí)空維度與概化精細(xì)度4（尤其針對(duì)高度異質(zhì)性非均質(zhì)多孔介質(zhì)與復(fù)雜非連續(xù)性裂隙巖溶介質(zhì)），建立復(fù)雜介質(zhì)場(chǎng)地?fù)]發(fā)類(lèi)有機(jī)物環(huán)境污染概念模型。5.1.3篩選數(shù)字模型類(lèi)型根據(jù)場(chǎng)地水文地質(zhì)條件與污染特征，通過(guò)適當(dāng)簡(jiǎn)化和合理假設(shè)，選擇適當(dāng)?shù)那蠼夥绞綄⒏拍钅Ｐ娃D(zhuǎn)化為數(shù)學(xué)形式。數(shù)字模型類(lèi)型包括但不限于：數(shù)值模型、統(tǒng)計(jì)回歸模型、人工智能模型或其他分析技術(shù)。模型選擇需綜合考慮技術(shù)能力（時(shí)空維度、介質(zhì)特性、流動(dòng)特征、物質(zhì)傳輸轉(zhuǎn)化等）、應(yīng)用場(chǎng)景（長(zhǎng)期預(yù)測(cè)、應(yīng)急預(yù)警、修復(fù)決策等）、用戶(hù)類(lèi)型（技術(shù)人員、科研人員或行政人員等）和資源約束，可單獨(dú)使用或聯(lián)合應(yīng)用以實(shí)現(xiàn)精準(zhǔn)高效的建模目標(biāo)。5.1.4整理與分析建?；A(chǔ)數(shù)據(jù)數(shù)據(jù)收集與處理包括：搜集場(chǎng)地基礎(chǔ)背景、氣象條件、地質(zhì)水文、水資源利用、歷史監(jiān)測(cè)和污染源等資料，評(píng)估數(shù)據(jù)準(zhǔn)確性和時(shí)效性后進(jìn)行篩選清洗，量化參數(shù)不確定性范圍并評(píng)估尺度效應(yīng)。對(duì)數(shù)據(jù)覆蓋不足的區(qū)域，通過(guò)現(xiàn)場(chǎng)踏勘、人員訪談和補(bǔ)充采樣進(jìn)行調(diào)查；對(duì)于難以獲取的數(shù)據(jù)，采用經(jīng)驗(yàn)值或科學(xué)推導(dǎo)。最終將原始數(shù)據(jù)、處理數(shù)據(jù)和衍生數(shù)據(jù)整合成完整數(shù)據(jù)集，并標(biāo)注數(shù)據(jù)來(lái)源和可靠性等級(jí)，為后續(xù)分析提供支持。5.1.5數(shù)字模型的構(gòu)建、校準(zhǔn)與驗(yàn)證不同類(lèi)型的數(shù)字模型因其內(nèi)在機(jī)理和特征差異，無(wú)論采用單一模型還是集成模型，都需遵循相應(yīng)的構(gòu)建策略、校準(zhǔn)與驗(yàn)證方法。構(gòu)建過(guò)程中，數(shù)值模型注重控制方程表達(dá)、參數(shù)識(shí)別、邊界條件設(shè)定和數(shù)值求解實(shí)現(xiàn)，統(tǒng)計(jì)模型依賴(lài)數(shù)據(jù)預(yù)處理、變量選擇和模型結(jié)構(gòu)設(shè)計(jì)，人工智能模型則側(cè)重模型類(lèi)型選擇、結(jié)構(gòu)設(shè)計(jì)和超參數(shù)調(diào)優(yōu)；校準(zhǔn)過(guò)程中，數(shù)值模型通過(guò)調(diào)整水文地質(zhì)與污染物特征參數(shù)匹配觀測(cè)數(shù)據(jù)，而統(tǒng)計(jì)和人工智能模型直接基于現(xiàn)有數(shù)據(jù)優(yōu)化模型本身的參數(shù)；模型驗(yàn)證通常采用未參與模型構(gòu)建和校準(zhǔn)的第二組歷史現(xiàn)場(chǎng)數(shù)據(jù)，評(píng)估模型預(yù)測(cè)結(jié)果與這些獨(dú)立觀測(cè)數(shù)據(jù)的一致性，以確認(rèn)模型的準(zhǔn)確性和泛化能力。5.1.6特征變量的主控因子識(shí)別與模型的不確定性分析特征變量的主控因子識(shí)別，應(yīng)根據(jù)模型類(lèi)型結(jié)合具體問(wèn)題和專(zhuān)業(yè)知識(shí)選擇合適的方法。如數(shù)值模型使用敏感性分析，統(tǒng)計(jì)模型采用相關(guān)性分析和逐步回歸，人工智能模型應(yīng)用SHAP值等解釋方法，也可使用方差分析等通用方法。在應(yīng)用這些方法時(shí)，需注意數(shù)據(jù)質(zhì)量、多重共線性、過(guò)擬合風(fēng)險(xiǎn)等問(wèn)題。為提高結(jié)果可靠性，建議在條件允許的情況下采用多種方法進(jìn)行交叉驗(yàn)證，從而全面評(píng)估特征變量的重要性并優(yōu)化模型性能。不確定性分析5中，區(qū)別不同模型類(lèi)型的不確定性主要來(lái)源，并采樣適合的方法評(píng)估和減少模型的不確定性。5.1.7模型長(zhǎng)期應(yīng)用的更新與調(diào)整模型長(zhǎng)期應(yīng)用的更新與調(diào)整涉及多個(gè)方面：采用適應(yīng)性管理策略，根據(jù)新數(shù)據(jù)動(dòng)態(tài)調(diào)整模型；整合新技術(shù)新方法，提高模型精度和效率；分析不確定性隨時(shí)間的演化；根據(jù)利益相關(guān)者的反饋和需求調(diào)整模型，平衡資源投入和預(yù)期收益。在關(guān)注模型精準(zhǔn)度和技術(shù)更新層面外，還需考慮社會(huì)、經(jīng)濟(jì)和管理因素，確保模型能持續(xù)為決策提供有價(jià)值的支持。應(yīng)根據(jù)模型的預(yù)期用途和應(yīng)用規(guī)模，靈活決定更新與調(diào)整的頻率和深度。5.1.8成果報(bào)告模型成果報(bào)告是傳達(dá)研究成果、記錄關(guān)鍵過(guò)程和假設(shè)、以及支持同行評(píng)審的重要文檔。全面而詳盡的報(bào)告應(yīng)使審閱者和決策者能夠獨(dú)立評(píng)估模型的可信度和適用性、支持其他研究者復(fù)現(xiàn)模型結(jié)果，確保研究的透明度和可重復(fù)性。成果報(bào)告應(yīng)描述本指南中概述的建模研究的所有方面。65.2技術(shù)流程圖1：污染場(chǎng)地?fù)]發(fā)類(lèi)有機(jī)物多相傳輸擴(kuò)散建模及應(yīng)用技術(shù)框架與流程6復(fù)雜介質(zhì)場(chǎng)地環(huán)境污染概念模型構(gòu)建6.1介質(zhì)類(lèi)型6.1.1非均質(zhì)多孔介質(zhì)概化6.1.1.1確定性方法適用于具有明顯分區(qū)特征的場(chǎng)地，如巖性相對(duì)均一的沉積盆地、河流階地，或存在明顯層狀結(jié)構(gòu)的含水層系統(tǒng)。應(yīng)將研究區(qū)域劃分為若干個(gè)相對(duì)均質(zhì)的子區(qū)域，采用平均參數(shù)值表征各子區(qū)域特征。76.1.1.2隨機(jī)場(chǎng)方法適用于介質(zhì)屬性在空間上呈現(xiàn)連續(xù)變化、難以明確分區(qū)的場(chǎng)地，如風(fēng)化強(qiáng)烈的巖土體或復(fù)雜的沖積-洪積扇地區(qū)。特別是在參數(shù)測(cè)量數(shù)據(jù)稀疏的情況下，可采用隨機(jī)場(chǎng)方法進(jìn)行空間插值和不確定性分析。6.1.2裂隙介質(zhì)概化6.1.2.1離散裂隙網(wǎng)絡(luò)模型適用于需精細(xì)刻畫(huà)單條裂隙特征的場(chǎng)地，通常忽略基質(zhì)滲透性，如堅(jiān)硬結(jié)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(dá)裂隙幾何形態(tài)和水力特性，假設(shè)流動(dòng)主要發(fā)生在相互連接的裂隙網(wǎng)絡(luò)中。6.1.2.2等效連續(xù)介質(zhì)模型適用于裂隙密集且分布均勻，整體表現(xiàn)出連續(xù)介質(zhì)特性的場(chǎng)地，如強(qiáng)風(fēng)化巖體或密集節(jié)理巖體。在典型單元體（REV）尺度上，可采用等效宏觀參數(shù)描述整體水力特性。6.1.2.3雙重介質(zhì)模型適用于基巖自身的裂隙系統(tǒng)與基質(zhì)系統(tǒng)都對(duì)流動(dòng)和儲(chǔ)存有顯著貢獻(xiàn)的情況。需分別表征裂隙網(wǎng)絡(luò)和巖石基質(zhì)的水力參數(shù)，并考慮兩個(gè)系統(tǒng)間的交互作用，如某些滲透性基巖儲(chǔ)層。6.1.3多介質(zhì)復(fù)合系統(tǒng)實(shí)際場(chǎng)地常呈現(xiàn)多種介質(zhì)共存的復(fù)合特征，如多孔介質(zhì)覆蓋的裂隙基巖場(chǎng)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(tǒng)。概念模型構(gòu)建應(yīng)著重表征不同介質(zhì)之間的界面過(guò)程及參數(shù)差異，合理刻畫(huà)復(fù)雜地質(zhì)條件下的水文地質(zhì)結(jié)構(gòu)特征和污染物遷移規(guī)律。6.2水文框架6.2.1含水層系統(tǒng)范圍確定研究區(qū)域的物理邊界和水文地質(zhì)單元。6.2.2水文特征識(shí)別影響或控制地下水流動(dòng)的關(guān)鍵水文要素，如補(bǔ)給區(qū)、排泄區(qū)、地表水體等。86.2.3水流系統(tǒng)邊界6.2.3.1給定水頭邊界（第一類(lèi)邊界或Dir包括常水頭（如大型湖泊、水庫(kù)）和變水頭（如河流、季節(jié)性水體）邊界。6.2.3.2給定流量邊界（第二類(lèi)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(bǔ)給井、抽水井）和變流量（降雨入滲、蒸發(fā)區(qū)）邊界。6.2.3.3混合邊界（第三類(lèi)邊界或Cauchy邊界）包括半滲透層、蒸發(fā)和排水等邊界條件，用于描述含水層系統(tǒng)與外界的復(fù)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(lèi)標(biāo)準(zhǔn)邊界的邊界條件，用于描述特定的水文地質(zhì)現(xiàn)象，或者用于簡(jiǎn)化復(fù)雜的水文地質(zhì)系統(tǒng)。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(diǎn)）和遠(yuǎn)場(chǎng)邊界（大尺度模型中為簡(jiǎn)化模型構(gòu)建）等。6.3地質(zhì)及水文地質(zhì)框架6.3.1多孔介質(zhì)系統(tǒng)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(jié)構(gòu)。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(jié)程度等。闡明構(gòu)造形態(tài)及其對(duì)地層分布的影響，研究地形地貌特征及土地利用類(lèi)型對(duì)地表水下滲、含水層補(bǔ)給的影響，以及對(duì)有機(jī)污染物揮發(fā)擴(kuò)散土氣界面邊界的制約。應(yīng)提供厚度分布圖、頂?shù)装宓雀呔€圖、巖性柱狀圖等分析成果，全面反映含水層系統(tǒng)的空間展布規(guī)律。6.3.2裂隙介質(zhì)系統(tǒng)6.3.2.1基巖類(lèi)型、分布及基質(zhì)特性描述研究區(qū)內(nèi)的主要基巖類(lèi)型及其空間分布，分析基巖的巖性特征、風(fēng)化程度和結(jié)構(gòu)特征，評(píng)估基巖基質(zhì)的物理和水力特性（包括基質(zhì)礦物組成、基質(zhì)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(kāi)度等特征，以及裂隙的連通性和填充情況。運(yùn)用地統(tǒng)計(jì)學(xué)方法確定這些參數(shù)的分布函數(shù)，為后續(xù)建立裂隙網(wǎng)絡(luò)模型奠定基礎(chǔ)。6.3.2.3構(gòu)造特征描述斷層、褶皺等主要構(gòu)造形態(tài)，分析其對(duì)裂隙發(fā)育和地下水流動(dòng)的影響。96.3.2.4基質(zhì)-裂隙相互作用評(píng)估基質(zhì)和裂隙系統(tǒng)之間的水力聯(lián)系和物質(zhì)交換。6.3.2.5分析結(jié)果提供裂隙介質(zhì)系統(tǒng)的綜合分析結(jié)果，包括基巖類(lèi)型和基質(zhì)特性分布圖、裂隙密度分布圖、主要裂隙走向玫瑰圖、構(gòu)造平面圖、基質(zhì)-裂隙系統(tǒng)概念模型。6.3.3多介質(zhì)復(fù)合系統(tǒng)6.3.3.1多介質(zhì)類(lèi)型識(shí)別識(shí)別研究區(qū)內(nèi)存在的多種介質(zhì)類(lèi)型，如多孔介質(zhì)、裂隙介質(zhì)、巖溶介質(zhì)等。6.3.3.2介質(zhì)空間分布描述不同介質(zhì)類(lèi)型的空間分布特征，包括水平和垂直方向的變化規(guī)律。6.3.3.3復(fù)合系統(tǒng)結(jié)構(gòu)特征描述復(fù)合系統(tǒng)的整體結(jié)構(gòu)特征，包括各介質(zhì)在系統(tǒng)中的位置和作用。6.4水力特征6.4.1多孔介質(zhì)水力特性確定孔隙度、滲透系數(shù)、比儲(chǔ)水率和給水度等參數(shù)及其空間分布特征。評(píng)估這些參數(shù)的空間分布特性，包括非均質(zhì)性和各向異性。參數(shù)的現(xiàn)場(chǎng)測(cè)試和實(shí)驗(yàn)室測(cè)量結(jié)果用于模型初始化設(shè)置及識(shí)別其他相關(guān)參數(shù)。6.4.2裂隙介質(zhì)水力特性確定等效水力隙寬、滲透系數(shù)等參數(shù)，評(píng)估裂隙網(wǎng)絡(luò)連通性和優(yōu)勢(shì)滲流路徑，并判斷裂隙內(nèi)流體流態(tài)。分析基巖基質(zhì)的儲(chǔ)水特性及其與裂隙的水力交換，評(píng)估不同尺度下參數(shù)轉(zhuǎn)換的適用性。測(cè)定基巖基質(zhì)的孔隙度和滲透性，分析其儲(chǔ)水能力，評(píng)估基質(zhì)與裂隙之間的水力交換特征。評(píng)估不同尺度下裂隙介質(zhì)水力特性的變化規(guī)律，分析小尺度參數(shù)向大尺度模型轉(zhuǎn)換的適用性。通過(guò)現(xiàn)場(chǎng)測(cè)試和實(shí)驗(yàn)室分析獲取水力參數(shù)數(shù)據(jù)，評(píng)估參數(shù)的變異性和不確定性。6.4.3復(fù)合介質(zhì)系統(tǒng)水力特性綜合考慮多孔介質(zhì)和裂隙介質(zhì)的特征及相互作用，識(shí)別兩種介質(zhì)的空間分布規(guī)律，評(píng)估它們之間的水力聯(lián)系和流體交換機(jī)制。對(duì)大尺度裂隙或斷層，需單獨(dú)描述其水力特性。確定等效參數(shù)時(shí)，考慮尺度效應(yīng)，評(píng)估系統(tǒng)的整體滲透性和儲(chǔ)存特性。識(shí)別不同介質(zhì)間的水力梯度差異和可能存在的優(yōu)先流路徑，為后續(xù)模擬分析提供依據(jù)。6.5源和匯6.5.1水動(dòng)力場(chǎng)的源和匯從復(fù)雜介質(zhì)場(chǎng)地水動(dòng)力條件對(duì)污染物遷移轉(zhuǎn)化的影響角度，識(shí)別自然補(bǔ)給源和人為補(bǔ)給源，確定自然排泄區(qū)和人為排水點(diǎn)。量化各類(lèi)源和匯的強(qiáng)度及其時(shí)空變化特征，評(píng)估其對(duì)地下水流場(chǎng)的影響，重點(diǎn)關(guān)注水位波動(dòng)對(duì)非均質(zhì)多孔介質(zhì)及裂隙介質(zhì)中污染物多相遷移的影響。6.5.2水化學(xué)場(chǎng)的源和匯6.5.2.1主要污染源識(shí)別識(shí)別揮發(fā)性及半揮發(fā)性有機(jī)物的主要污染源類(lèi)型（如地下儲(chǔ)罐泄漏、工業(yè)生產(chǎn)設(shè)施的跑冒滴漏、輸油管道破裂等）和歷史污染場(chǎng)地（如廢棄加油站、老舊工業(yè)園區(qū)等）。確定污染物在復(fù)雜介質(zhì)中的空間輸入模式，為多相態(tài)污染物的遷移轉(zhuǎn)化提供初始條件。6.5.2.2多相態(tài)污染源評(píng)估識(shí)別飽和帶和非飽和帶中NAPL殘留體的空間分布及其長(zhǎng)期釋放特性，評(píng)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(dòng)等環(huán)境變化下的解吸過(guò)程，評(píng)估非飽和帶中NAPL的揮發(fā)及其在土壤氣中的擴(kuò)散特征。6.5.2.3源強(qiáng)度量化針對(duì)不同相態(tài)確定定量指標(biāo)，例如對(duì)NAPL殘留體估算其總質(zhì)量、體積和飽和度，測(cè)定溶解相污染物濃度和釋放通量，評(píng)估吸附相的吸附容量和解吸速率。通過(guò)土壤取芯分析、地下水采樣分析等直接測(cè)量法，以及溶解羽流反推法、質(zhì)量平衡法等間接估算法量化源強(qiáng)度，必要時(shí)利用示蹤試驗(yàn)評(píng)估釋放特征。進(jìn)行長(zhǎng)期監(jiān)測(cè)以捕捉季節(jié)性和長(zhǎng)期變化趨勢(shì)，分析水位波動(dòng)、溫度變化等關(guān)鍵因素的影響，建立源強(qiáng)度與環(huán)境因素的相關(guān)性模型。6.5.2.4污染物匯過(guò)程識(shí)別生物降解和化學(xué)降解等自然衰減作為污染物"匯"的區(qū)域，評(píng)估不同環(huán)境條件下衰減強(qiáng)度。評(píng)估抽提處理、熱處理、化學(xué)氧化等原位修復(fù)技術(shù)對(duì)源的影響。量化復(fù)雜介質(zhì)中溶解、吸附、揮發(fā)等相態(tài)轉(zhuǎn)化形成的匯，重點(diǎn)評(píng)估污染物通過(guò)土氣界面進(jìn)入大氣的通量。關(guān)注水位波動(dòng)導(dǎo)致的污染物在土壤中的吸附殘留，以及污染物的揮發(fā)擴(kuò)散過(guò)程。6.6污染物的物理化學(xué)性質(zhì)與遷移轉(zhuǎn)化過(guò)程6.6.1揮發(fā)類(lèi)有機(jī)物理化性質(zhì)揮發(fā)性有機(jī)物（VOCs）和半揮發(fā)性有機(jī)物（SVOCs）的物理化學(xué)性質(zhì)決定了它們?cè)诃h(huán)境中的行為和歸趨。在構(gòu)建概念模型時(shí)，首先需要確定目標(biāo)污染物的關(guān)鍵理化性質(zhì)，包括密度、粘度、溶解度、辛醇-水分配系數(shù)、亨利常數(shù)、飽和蒸氣壓、有機(jī)碳吸附系數(shù)、擴(kuò)散系數(shù)等參數(shù)。識(shí)別場(chǎng)地中污染物的主要相態(tài)分布，考慮污染物在多相之間的分配平衡和傳質(zhì)過(guò)程，評(píng)估環(huán)境條件變化對(duì)相態(tài)分布的影響。常見(jiàn)污染物的理化參數(shù)可參考附錄A。6.6.2復(fù)雜介質(zhì)場(chǎng)地?fù)]發(fā)類(lèi)有機(jī)物遷移轉(zhuǎn)化過(guò)程6.6.2.1非均質(zhì)多孔介質(zhì)場(chǎng)地中揮發(fā)類(lèi)有機(jī)物遷移轉(zhuǎn)化過(guò)程針對(duì)非均質(zhì)多孔介質(zhì)場(chǎng)地，需考慮污染物的對(duì)流、彌散、吸附、揮發(fā)和溶解等主要遷移轉(zhuǎn)化過(guò)程。重點(diǎn)分析彌散的尺度效應(yīng)，評(píng)估包氣帶中污染物受降水淋濾和水位波動(dòng)影響的動(dòng)態(tài)變化。關(guān)注土壤含水率、溫度等因素對(duì)揮發(fā)過(guò)程的影響，分析毛細(xì)帶對(duì)污染物遷移的阻滯作用，以及土壤有機(jī)質(zhì)含量對(duì)降解過(guò)程的影響。6.6.2.2裂隙介質(zhì)場(chǎng)地中揮發(fā)類(lèi)有機(jī)物遷移轉(zhuǎn)化過(guò)程針對(duì)裂隙介質(zhì)場(chǎng)地，關(guān)注裂隙網(wǎng)絡(luò)作為優(yōu)勢(shì)滲流通道的特征，其中污染物遷移轉(zhuǎn)化過(guò)程以對(duì)流-彌散作用為主。分析污染物在裂隙與巖石基質(zhì)間的擴(kuò)散過(guò)程，評(píng)估非線性流的影響，以及裂隙表面礦物組成和風(fēng)化程度對(duì)吸附-解吸過(guò)程的作用。區(qū)別于多孔介質(zhì)，重點(diǎn)考慮裂隙幾何特征與網(wǎng)絡(luò)結(jié)構(gòu)對(duì)彌散度的影響。7復(fù)雜介質(zhì)場(chǎng)地污染物時(shí)空分布數(shù)字模型類(lèi)型篩選7.1模型類(lèi)型篩選標(biāo)準(zhǔn)7.1.1目標(biāo)和應(yīng)用場(chǎng)景適配性數(shù)值模型適用于需要精確刻畫(huà)物理化學(xué)過(guò)程和機(jī)理的情況?？赏暾M水動(dòng)力水化學(xué)場(chǎng)，處理多尺度問(wèn)題，靈活提取所需輸出參數(shù)，無(wú)需預(yù)先指定特定變量。統(tǒng)計(jì)模型通過(guò)監(jiān)測(cè)數(shù)據(jù)建立污染物濃度與環(huán)境因素的關(guān)系，計(jì)算速度快，響應(yīng)迅速。適用于場(chǎng)地初步調(diào)研、快速評(píng)估和短期趨勢(shì)預(yù)測(cè)等對(duì)精度要求相對(duì)較低的情景。人工智能模型擅長(zhǎng)處理復(fù)雜非線性關(guān)系和多源數(shù)據(jù)整合，適用于實(shí)時(shí)濃度預(yù)測(cè)、智能預(yù)警系統(tǒng)構(gòu)建，以及物理機(jī)制不明確或難以參數(shù)化的復(fù)雜污染問(wèn)題。多模型聯(lián)合應(yīng)用旨在結(jié)合不同模型類(lèi)型的優(yōu)勢(shì)，提供更全面、準(zhǔn)確和可靠的污染物傳輸擴(kuò)散分析結(jié)果。這種方法特別適用于復(fù)雜的場(chǎng)地條件和多階段的項(xiàng)目需求。例如，可在項(xiàng)目初期用統(tǒng)計(jì)模型或機(jī)器學(xué)習(xí)模型快速評(píng)估污染狀況，項(xiàng)目實(shí)施過(guò)程中利用數(shù)值模型深入分析關(guān)鍵區(qū)域的污染物行為，最后借助人工智能模型構(gòu)建實(shí)時(shí)預(yù)警系統(tǒng)。還可以通過(guò)模型間的相互驗(yàn)證提高預(yù)測(cè)的可信度，如利用數(shù)值模型的結(jié)果來(lái)訓(xùn)練和優(yōu)化人工智能模型，或者使用統(tǒng)計(jì)模型和人工智能模型的快速預(yù)測(cè)結(jié)果來(lái)指導(dǎo)數(shù)值模型的參數(shù)優(yōu)化。這種方法能夠平衡計(jì)算效率、預(yù)測(cè)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(shù)據(jù)相關(guān)考量數(shù)值模型對(duì)輸入數(shù)據(jù)的質(zhì)量和完整性要求較高，需要詳細(xì)的地質(zhì)、水文和污染物特性數(shù)據(jù)，完整的邊界條件和初始條件。對(duì)缺失數(shù)據(jù)敏感，通常需要結(jié)合地理統(tǒng)計(jì)學(xué)進(jìn)行空間插值。統(tǒng)計(jì)模型需要充足的歷史監(jiān)測(cè)數(shù)據(jù)建立統(tǒng)計(jì)關(guān)系，數(shù)據(jù)質(zhì)量和代表性直接影響模型可靠性。適用于數(shù)據(jù)量較大且質(zhì)量可控的場(chǎng)景。人工智能模型需要大量訓(xùn)練數(shù)據(jù)，但對(duì)數(shù)據(jù)類(lèi)型適應(yīng)性強(qiáng)，可處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。對(duì)數(shù)據(jù)質(zhì)量要求相對(duì)較低，能從噪聲數(shù)據(jù)中提取有用信息，在處理缺失數(shù)據(jù)方面表現(xiàn)出色。7.1.3模型復(fù)雜度和靈活性數(shù)值模型通常具有較高的復(fù)雜度，涉及大量的參數(shù)和復(fù)雜的數(shù)學(xué)方程。模型可根據(jù)具體問(wèn)題進(jìn)行調(diào)整，整合新的物理、化學(xué)過(guò)程，具有較高的靈活性。統(tǒng)計(jì)模型的復(fù)雜度相對(duì)較低，參數(shù)數(shù)量通常較少。模型結(jié)構(gòu)相對(duì)固定，但可以通過(guò)添加或移除變量來(lái)調(diào)整。人工智能模型從簡(jiǎn)單的機(jī)器學(xué)習(xí)算法到復(fù)雜的深度學(xué)習(xí)網(wǎng)絡(luò)，根據(jù)問(wèn)題的復(fù)雜性選擇不同的算法和網(wǎng)絡(luò)架構(gòu)。具有出色的整合新信息的能力，可以通過(guò)增量學(xué)習(xí)或遷移學(xué)習(xí)來(lái)適應(yīng)新的數(shù)據(jù)和場(chǎng)景。7.1.4計(jì)算效率和資源需求數(shù)值模型通常計(jì)算時(shí)間較長(zhǎng)，特別是對(duì)于復(fù)雜的三維模擬。對(duì)硬件要求較高，可能需要高性能計(jì)算機(jī)或計(jì)算集群。具有良好的并行計(jì)算潛力，可以通過(guò)并行處理提高效率。統(tǒng)計(jì)模型計(jì)算效率高，通?？梢钥焖俚贸鼋Y(jié)果。硬件要求較低，一般的個(gè)人電腦就能滿(mǎn)足需求。人工智能模型訓(xùn)練階段計(jì)算資源需求大，但預(yù)測(cè)階段速度快。硬件要求因模型復(fù)雜度而異，部分算法可充分利用GPU并行計(jì)算能力。訓(xùn)練完成后適合實(shí)時(shí)應(yīng)用，可以快速響應(yīng)新的輸入數(shù)據(jù)。7.1.5精度和不確定性數(shù)值模型在物理過(guò)程明確時(shí)預(yù)測(cè)精度高，通過(guò)機(jī)理分析能較好量化不確定性，模型穩(wěn)定性好，外推能力強(qiáng)。統(tǒng)計(jì)模型的預(yù)測(cè)精度依賴(lài)于歷史數(shù)據(jù)的質(zhì)量和代表性。不確定性量化通常通過(guò)統(tǒng)計(jì)方法如置信區(qū)間來(lái)實(shí)現(xiàn)。模型穩(wěn)定性受數(shù)據(jù)質(zhì)量和樣本大小的影響。外推能力有限，主要適用于與歷史數(shù)據(jù)相似的情況。人工智能模型的預(yù)測(cè)精度可以非常高，特別是在有大量高質(zhì)量訓(xùn)練數(shù)據(jù)的情況下。模型穩(wěn)定性可能受訓(xùn)練數(shù)據(jù)代表性的影響和模型結(jié)構(gòu)設(shè)計(jì)。外推能力取決于訓(xùn)練數(shù)據(jù)的覆蓋范圍，在數(shù)據(jù)范圍之外的預(yù)測(cè)可能不可靠。7.1.6可解釋性和透明度數(shù)值模型具有高度的可解釋性和透明度。每個(gè)參數(shù)和過(guò)程都有明確的物理意義，便于理解和解釋結(jié)果。模型的工作原理清晰，可以追蹤每個(gè)計(jì)算步驟。這種透明度有助于增強(qiáng)決策者和利益相關(guān)者的信任。統(tǒng)計(jì)模型的可解釋性較好，通?？梢郧宄乜吹礁鱾€(gè)變量對(duì)結(jié)果的影響。人工智能模型，特別是深度學(xué)習(xí)模型，通常被視為"黑箱"，可解釋性較低。雖然有一些技術(shù)如SHAP值和注意力機(jī)制可以提供一定程度的解釋?zhuān)w上難以完全理解模型的決策過(guò)程。7.1.7使用難度和專(zhuān)業(yè)要求數(shù)值模型通常需要較高的專(zhuān)業(yè)知識(shí)，包括深入理解相關(guān)的水文地質(zhì)、環(huán)境化學(xué)、數(shù)值方法、流體力學(xué)等。使用難度較高，需要專(zhuān)業(yè)的模型構(gòu)建和參數(shù)校準(zhǔn)技能。通常需要專(zhuān)門(mén)的培訓(xùn)和經(jīng)驗(yàn)才能有效使用和解釋結(jié)果。統(tǒng)計(jì)模型的使用難度相對(duì)較低，通常只需要基本的統(tǒng)計(jì)知識(shí)。對(duì)于復(fù)雜問(wèn)題可能需要結(jié)合相關(guān)專(zhuān)業(yè)知識(shí)。簡(jiǎn)單的機(jī)器學(xué)習(xí)算法相對(duì)容易使用，而復(fù)雜的深度學(xué)習(xí)模型則需要較高的專(zhuān)業(yè)知識(shí)。需要理解機(jī)器學(xué)習(xí)原理、數(shù)據(jù)預(yù)處理技術(shù)和模型調(diào)優(yōu)方法。對(duì)編程技能也有一定要求，特別是在模型開(kāi)發(fā)階段。多模型聯(lián)合應(yīng)用通常需要最高水平的專(zhuān)業(yè)知識(shí)，因?yàn)樗笫褂谜呤煜ざ喾N模型類(lèi)型及其集成方法。需要具備跨學(xué)科的知識(shí)和技能，包括物理模型、統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)等。使用難度較高，但可以通過(guò)團(tuán)隊(duì)協(xié)作來(lái)分擔(dān)不同方面的專(zhuān)業(yè)要求。7.1.8維護(hù)和更新數(shù)值模型的維護(hù)和更新是一個(gè)持續(xù)的過(guò)程，軟件更新可能涉及新物理過(guò)程的描述和響應(yīng)數(shù)值計(jì)算方法的創(chuàng)新。統(tǒng)計(jì)模型的維護(hù)相對(duì)簡(jiǎn)單，主要涉及定期更新數(shù)據(jù)集和重新進(jìn)行統(tǒng)計(jì)分析。模型結(jié)構(gòu)通常不需要頻繁更改，除非出現(xiàn)新的重要變量。人工智能模型需要定期的維護(hù)和更新，持續(xù)收集新數(shù)據(jù)并重新訓(xùn)練模型。模型架構(gòu)可能需要隨著新算法的出現(xiàn)而更新。7.1.9成本效益分析數(shù)值模型的初始開(kāi)發(fā)成本較高，包括軟件購(gòu)買(mǎi)、硬件投資和專(zhuān)業(yè)人員培訓(xùn)。長(zhǎng)期運(yùn)行成本主要包括計(jì)算資源和專(zhuān)業(yè)人員薪酬。效益體現(xiàn)在高精度預(yù)測(cè)和全面的過(guò)程理解，適合大型、復(fù)雜或高風(fēng)險(xiǎn)項(xiàng)目。統(tǒng)計(jì)模型的成本相對(duì)較低，主要涉及數(shù)據(jù)收集和分析軟件的費(fèi)用。人員培訓(xùn)成本較低。運(yùn)行成本很小，通常只需普通計(jì)算機(jī)即可。效益在于快速、經(jīng)濟(jì)地提供初步評(píng)估和短期預(yù)測(cè)，適合預(yù)算有限或時(shí)間緊迫的項(xiàng)目。人工智能模型的初始成本可能較高，運(yùn)行成本取決于模型復(fù)雜度。效益體現(xiàn)在處理復(fù)雜非線性問(wèn)題的能力和快速響應(yīng)時(shí)間，適合需要實(shí)時(shí)決策或處理大量數(shù)據(jù)的場(chǎng)景。結(jié)合了多種模型類(lèi)型的開(kāi)發(fā)和維護(hù)成本，尤其針對(duì)跨領(lǐng)域?qū)＜覉F(tuán)隊(duì)的持續(xù)投入。其效益也最為全面，能夠在各種情況下提供最優(yōu)的解決方案。適合大型復(fù)雜或跨學(xué)科項(xiàng)目、長(zhǎng)期規(guī)劃和管理任務(wù)，支持復(fù)雜系統(tǒng)的全面分析和決策。7.2各類(lèi)模型具體實(shí)現(xiàn)選擇7.2.1數(shù)值模型的軟件/代碼篩選原則7.2.1.1科學(xué)適用性在選擇數(shù)值模擬軟件或代碼時(shí)，重點(diǎn)評(píng)估軟件對(duì)物理過(guò)程的刻畫(huà)能力，包括支持的物理定律和控制方程、多介質(zhì)處理能力、模型維度選擇、時(shí)空離散化方法和相態(tài)流態(tài)處理能力等關(guān)鍵特性。7.2.1.2數(shù)值方法和計(jì)算效率數(shù)值方法選擇關(guān)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(guī)模稀疏矩陣處理能力。計(jì)算效率評(píng)估重點(diǎn)考察并行計(jì)算支持（多核CPU、GPU加速、分布式計(jì)算）和自適應(yīng)技術(shù)（網(wǎng)格細(xì)化、時(shí)間步長(zhǎng)控制、誤差估計(jì)以在保證精度前提下優(yōu)化計(jì)算資源配置和提升模擬效率。7.2.1.3模型構(gòu)建和數(shù)據(jù)處理能力評(píng)估軟件的前處理功能（幾何建模、網(wǎng)格生成優(yōu)化、參數(shù)空間化）和后處理能力（多維可視化、動(dòng)態(tài)過(guò)程展示、數(shù)據(jù)導(dǎo)出轉(zhuǎn)換）。同時(shí)考察用戶(hù)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(xué)習(xí)成本。7.2.1.4軟件綜合評(píng)估與長(zhǎng)期可用性除技術(shù)性能外，需評(píng)估軟件的綜合實(shí)用性和可持續(xù)性，包括使用成本（購(gòu)買(mǎi)、學(xué)習(xí)、維護(hù)、升級(jí)）、技術(shù)支持質(zhì)量、開(kāi)源性與二次開(kāi)發(fā)能力，以及跨平臺(tái)兼容性等長(zhǎng)期使用因7.2.2統(tǒng)計(jì)回歸模型的選擇7.2.2.1數(shù)據(jù)特性匹配原則考慮因變量分布類(lèi)型（正態(tài)、二項(xiàng)、泊松）、變量關(guān)系性質(zhì)（線性、非線性）和數(shù)據(jù)時(shí)間結(jié)構(gòu)（橫截面、時(shí)間序列、面板數(shù)據(jù)）。如橫截面數(shù)據(jù)適用OLS回歸，時(shí)間序列數(shù)據(jù)選用ARIMA等相應(yīng)模型等。7.2.2.2模型簡(jiǎn)約性原則在滿(mǎn)足精度要求的前提下，優(yōu)先選擇較為簡(jiǎn)單的模型。避免過(guò)度擬合，平衡模型復(fù)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(shè)的合理性。7.2.2.4理論基礎(chǔ)一致性避免純粹依賴(lài)統(tǒng)計(jì)結(jié)果，應(yīng)確保模型設(shè)定與理論知識(shí)相一致。7.2.3人工智能模型算法的篩選7.2.3.1任務(wù)適配性評(píng)估不同類(lèi)型的算法（如神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、支持向量機(jī)等）是否適合處理特定的任務(wù)類(lèi)型，如分類(lèi)、回歸、聚類(lèi)、序列預(yù)測(cè)等。7.2.3.2數(shù)據(jù)特征兼容性考慮算法對(duì)不同類(lèi)型數(shù)據(jù)（如結(jié)構(gòu)化數(shù)據(jù)、圖像、文本、時(shí)間序列等）的處理能力。評(píng)估算法在處理高維數(shù)據(jù)、不平衡數(shù)據(jù)集等特殊情況時(shí)的表現(xiàn)。7.2.3.3性能指標(biāo)根據(jù)具體任務(wù)評(píng)估相關(guān)的性能指標(biāo)，如準(zhǔn)確率、精確度、召回率、F1分?jǐn)?shù)、均方誤差等。考慮算法在不同數(shù)據(jù)集上的泛化能力。7.2.3.4計(jì)算資源需求評(píng)估算法的訓(xùn)練和測(cè)試時(shí)間，以及在不同硬件平臺(tái)（如CPU、GPU、TPU）上的優(yōu)化程度?？紤]算法的可擴(kuò)展性，特別是在處理大規(guī)模數(shù)據(jù)集時(shí)的表現(xiàn)。7.2.3.5可解釋性與透明度考慮算法決策過(guò)程的可解釋性，評(píng)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(jī)森林的特征重要性、深度學(xué)習(xí)的Grad-CAM等方法可提供全局和局部解釋?zhuān)鰪?qiáng)模型的可理解性和可信度。8復(fù)雜介質(zhì)場(chǎng)地污染物時(shí)空分布建?；A(chǔ)數(shù)據(jù)準(zhǔn)備8.1搜集和整理與污染場(chǎng)地相關(guān)的歷史資料8.1.1場(chǎng)地基礎(chǔ)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(lèi)型、地形特征及周邊敏感受體。揮發(fā)性污染場(chǎng)地需重點(diǎn)關(guān)注周邊敏感區(qū)域分布，并根據(jù)建模目標(biāo)確定合適的時(shí)空數(shù)據(jù)范圍。8.1.2氣象、水文條件數(shù)據(jù)收集氣溫、降水、風(fēng)向風(fēng)速、氣壓和地表水文等長(zhǎng)時(shí)間序列數(shù)據(jù)，因其對(duì)污染物揮發(fā)和遷移行為影響顯著。8.1.3地質(zhì)與水文地質(zhì)資料8.1.3.1多孔介質(zhì)收集土壤巖性組成、粒度、孔隙度、滲透系數(shù)等參數(shù)。確定性建模需整理子區(qū)域平均值，隨機(jī)場(chǎng)方法則需分析參數(shù)空間分布特征和統(tǒng)計(jì)參數(shù)。8.1.3.2裂隙介質(zhì)對(duì)于裂隙介質(zhì)，除了收集基巖類(lèi)型及其空間分布、基巖基質(zhì)的物理和水力特性（如基質(zhì)孔隙度、基質(zhì)滲透性、礦物組成、吸附性能等）外，還需特別關(guān)注裂隙特征的獲取。這些裂隙數(shù)據(jù)（如密度、走向、開(kāi)度等）主要通過(guò)巖心分析、露頭觀測(cè)、井下攝像和聲波測(cè)井等方法獲得。8.1.4水資源開(kāi)發(fā)利用情況搜集有關(guān)地下水和地表水的開(kāi)采量、開(kāi)采位置、開(kāi)采深度以及用途等信息，場(chǎng)地內(nèi)水井分布、類(lèi)型（如民用井、農(nóng)業(yè)灌溉井、工業(yè)用水井、監(jiān)測(cè)井等）、及使用情況。8.1.5地下水及地表空氣質(zhì)量歷史監(jiān)測(cè)數(shù)據(jù)這些數(shù)據(jù)應(yīng)包括污染物種類(lèi)、濃度、空間分布以及時(shí)間變化趨勢(shì)。8.1.6污染源調(diào)查資料包括污染源的類(lèi)型（如點(diǎn)源、面源或線源）、位置、規(guī)模、污染物種類(lèi)及其理化性質(zhì)。同時(shí)，應(yīng)調(diào)查污染物的排放歷史、排放方式（如連續(xù)排放或間歇排放）以及排放量的時(shí)間變化。8.2數(shù)據(jù)評(píng)估與篩選8.2.1相關(guān)性原則評(píng)估所收集的數(shù)據(jù)是否與建模目標(biāo)直接相關(guān)。8.2.2準(zhǔn)確性原則評(píng)估數(shù)據(jù)的準(zhǔn)確性和可靠性。優(yōu)先選擇來(lái)源可靠、采集方法規(guī)范的數(shù)據(jù)。對(duì)于存疑的數(shù)據(jù)，應(yīng)進(jìn)行交叉驗(yàn)證或?qū)嵉睾藢?shí)。8.2.3時(shí)效性原則對(duì)于快速變化的參數(shù)優(yōu)先選用最新的數(shù)據(jù)，同時(shí)保留歷史數(shù)據(jù)以分析長(zhǎng)期變化趨勢(shì)。8.2.4尺度適配原則確保數(shù)據(jù)的空間和時(shí)間分辨率與模型需求相匹配，并充分考慮參數(shù)的尺度效應(yīng)。8.2.5代表性原則選擇能夠代表場(chǎng)地特征的典型數(shù)據(jù)。對(duì)于高度變異的參數(shù)（如裂隙特征），應(yīng)確保采樣點(diǎn)具有足夠的代表性。8.2.6一致性原則檢查不同來(lái)源的數(shù)據(jù)之間是否存在矛盾或不一致，并通過(guò)專(zhuān)業(yè)判斷或額外調(diào)查來(lái)解決這些問(wèn)題。對(duì)于時(shí)間序列數(shù)據(jù)，應(yīng)特別注意歷史數(shù)據(jù)與新數(shù)據(jù)的一致性?？赡苄枰M(jìn)行趨勢(shì)分析和異常值檢測(cè)，以確保長(zhǎng)期數(shù)據(jù)的連貫性。在必要時(shí)，可考慮使用數(shù)據(jù)同化技術(shù)，如卡爾曼濾波，來(lái)整合不同時(shí)期的觀測(cè)數(shù)據(jù)。8.2.7不確定性評(píng)估評(píng)估數(shù)據(jù)的不確定性程度，并進(jìn)行合理量化表征。尤其對(duì)于復(fù)雜裂隙系統(tǒng)，應(yīng)結(jié)合地統(tǒng)計(jì)學(xué)方法，如變異函數(shù)分析、克里金插值等，來(lái)確定這些參數(shù)的分布函數(shù)，并通過(guò)蒙托卡羅模擬等方法評(píng)估參數(shù)的不確定性。8.2.8可獲取性及成本效益在確保數(shù)據(jù)質(zhì)量前提下，優(yōu)先選擇便于獲取和更新的數(shù)據(jù)源。在有限的資源條件下，權(quán)衡數(shù)據(jù)收集成本與模型精度提升效果，以?xún)?yōu)化采集策略。8.3數(shù)據(jù)覆蓋度評(píng)估與補(bǔ)充調(diào)查評(píng)估時(shí)間序列連續(xù)性和空間覆蓋全面性，確保關(guān)鍵參數(shù)數(shù)據(jù)完整。數(shù)據(jù)不足時(shí)制定補(bǔ)充調(diào)查計(jì)劃，優(yōu)先考慮模型敏感參數(shù)和區(qū)域，可通過(guò)現(xiàn)場(chǎng)采樣、增設(shè)監(jiān)測(cè)井等方式擴(kuò)大覆蓋。必要時(shí)可采用插值或數(shù)據(jù)同化方法填補(bǔ)空白，但需評(píng)估其不確定性。8.4數(shù)據(jù)整合對(duì)于數(shù)據(jù)不足情況，除直接采樣監(jiān)測(cè)數(shù)據(jù)外，可根據(jù)場(chǎng)地特征和模型需求，通過(guò)空間插值、經(jīng)驗(yàn)公式、統(tǒng)計(jì)回歸等方法生成衍生數(shù)據(jù)。整合過(guò)程中需區(qū)分不同數(shù)據(jù)來(lái)源的權(quán)重和可信度，通過(guò)交叉驗(yàn)證評(píng)估系統(tǒng)性差異并建立校正關(guān)系。9復(fù)雜介質(zhì)場(chǎng)地污染物時(shí)空分布數(shù)字模型構(gòu)建9.1數(shù)值模型構(gòu)建9.1.1非均質(zhì)多孔介質(zhì)場(chǎng)地9.1.1.1模型范圍確定根據(jù)研究目標(biāo)和水文地質(zhì)條件確定模擬區(qū)域水平和垂向邊界。9.1.1.2地質(zhì)單元?jiǎng)澐只阢@孔數(shù)據(jù)地球物理勘探結(jié)果和地質(zhì)圖件劃分不同的水文地質(zhì)單元，如場(chǎng)地內(nèi)有關(guān)鍵地質(zhì)構(gòu)造（斷層、巖脈等）應(yīng)特別標(biāo)注這些構(gòu)造的位置和特征。9.1.1.3網(wǎng)格設(shè)置根據(jù)場(chǎng)地特征選擇結(jié)構(gòu)化或非結(jié)構(gòu)化網(wǎng)格，水平網(wǎng)格應(yīng)匹配水文地質(zhì)單元分布，關(guān)鍵區(qū)域適當(dāng)加密。垂向劃分依據(jù)地層分布和污染物位置確定。通過(guò)網(wǎng)格質(zhì)量控制和分辨率影響分析，在計(jì)算效率和模擬精度間權(quán)衡確定最優(yōu)方案。9.1.1.4參數(shù)場(chǎng)構(gòu)建為每個(gè)劃分的水文地質(zhì)單元分配代表性參數(shù)值（如滲透系數(shù)、孔隙度）。對(duì)于隨機(jī)場(chǎng)模型，在進(jìn)行空間相關(guān)性分析后選擇合適的隨機(jī)場(chǎng)生成算法生成多個(gè)參數(shù)場(chǎng)實(shí)現(xiàn)，通過(guò)與現(xiàn)場(chǎng)測(cè)量值的對(duì)比和條件模擬確定最終參數(shù)場(chǎng)。9.1.1.5邊界條件設(shè)置常規(guī)水力和溶質(zhì)邊界條件外，揮發(fā)性有機(jī)污染場(chǎng)地需設(shè)置大氣壓力邊界并考慮地表封閉對(duì)氣體擴(kuò)散影響；含NAPL相時(shí)，需分別設(shè)置水相、NAPL相和氣相邊界條件。9.1.1.6初始條件定義設(shè)置背景濃度或?qū)胍阎奈廴疚餄舛确植?，?duì)于歷史污染，可能需要進(jìn)行反演模擬確定初始濃度場(chǎng)。9.1.1.7源匯項(xiàng)設(shè)置除常規(guī)的污染物源匯項(xiàng)設(shè)置外，對(duì)于揮發(fā)類(lèi)有機(jī)污染場(chǎng)地應(yīng)特別考慮：（1）多相態(tài)污染源：除定義溶解態(tài)污染源外，還需模擬NAPL源區(qū)，包括殘留態(tài)和游離態(tài)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(zhì)過(guò)程：定義氣-水、NAPL-水、NAPL-氣之間的質(zhì)量傳遞系數(shù)，并考慮溫度和壓力對(duì)這些傳質(zhì)過(guò)程的影響。（3）揮發(fā)損失：模擬地表或淺層土壤中VOCs向大氣的揮發(fā)過(guò)程是揮發(fā)性有機(jī)污染場(chǎng)地特有的損失機(jī)制。（4）非線性吸附：由于VOCs往往表現(xiàn)出非線性吸附特征，應(yīng)使用更復(fù)雜的吸附模型（如Freundlich模型），并考慮土壤有機(jī)質(zhì)含量對(duì)吸附過(guò)程的影響。（5）特殊降解過(guò)程：除考慮常規(guī)的生物降解外，還需關(guān)注VOCs特有的降解途徑，如厭氧條件下的脫氯反應(yīng)。這些反應(yīng)可能產(chǎn)生毒性更強(qiáng)或更持久的中間產(chǎn)物。9.1.1.8數(shù)值求解參數(shù)配置選擇適合多相流和多組分傳輸?shù)臄?shù)值方法。設(shè)置時(shí)間步長(zhǎng)控制參數(shù)，確保VOCs快速遷移和相變過(guò)程的數(shù)值穩(wěn)定性。配置適宜的迭代求解器和收斂準(zhǔn)則，適應(yīng)污染物多相傳輸擴(kuò)散過(guò)程。合理設(shè)置自適應(yīng)網(wǎng)格細(xì)化參數(shù)，以更好地捕捉多相界面濃度變化。9.1.1.9運(yùn)行模擬執(zhí)行初始化運(yùn)行，確保初始條件的合理性。監(jiān)控關(guān)鍵參數(shù)的變化，根據(jù)需要調(diào)整求解參數(shù)，確保模擬的準(zhǔn)確性和效率。9.1.1.10結(jié)果后處理與分析針對(duì)不同相態(tài)進(jìn)行專(zhuān)門(mén)可視化分析：NAPL相繪制飽和度分布圖以識(shí)別殘留區(qū)和游離區(qū)，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(zhì)量分布圖，用于評(píng)估污染源特征。9.1.2裂隙介質(zhì)場(chǎng)地9.1.2.1一般性模型構(gòu)建步驟除裂隙骨架和基質(zhì)構(gòu)建過(guò)程外，裂隙介質(zhì)場(chǎng)地模擬的其他步驟，如邊界條件設(shè)置、初始條件定義、數(shù)值求解方法選擇等，與多孔介質(zhì)模擬基本相同。9.1.2.2離散裂隙網(wǎng)絡(luò)生成（1）固定結(jié)構(gòu)生成方法對(duì)仿真某些實(shí)驗(yàn)室物理模型試驗(yàn)或研究幾何參數(shù)對(duì)多相污染物遷移轉(zhuǎn)化過(guò)程影響，往往采用固定結(jié)構(gòu)的裂隙生成方法。根據(jù)每個(gè)裂隙的位置、產(chǎn)狀、大小、隙寬等參數(shù)構(gòu)建裂隙幾何形體，建立裂隙之間連接關(guān)系，并賦予每個(gè)裂隙相應(yīng)的水力特性。（2）隨機(jī)裂隙網(wǎng)絡(luò)生成方法這種方法適用于大尺度場(chǎng)地，其中裂隙數(shù)量眾多，無(wú)法逐一描述每個(gè)裂隙。其主要步驟包括：利用地理統(tǒng)計(jì)方法分析裂隙統(tǒng)計(jì)特征，基于這些特征使用蒙特卡洛模擬隨機(jī)生成裂隙，然后分析網(wǎng)絡(luò)連通性并剔除孤立裂隙。利用野外示蹤試驗(yàn)、抽水試驗(yàn)等進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)校準(zhǔn)、驗(yàn)證與優(yōu)化。9.1.2.3等效連續(xù)介質(zhì)等效連續(xù)介質(zhì)方法將裂隙介質(zhì)等效為具有各向異性的多孔介質(zhì)。其構(gòu)建過(guò)程包括代表單元體（REA）確定、等效滲透張量等關(guān)鍵參數(shù)計(jì)算。9.1.2.4雙重介質(zhì)模型通過(guò)雙節(jié)點(diǎn)法表示裂隙與基質(zhì)系統(tǒng)，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(dòng)和慢速擴(kuò)散過(guò)程。需要特別注意裂隙和基質(zhì)接觸面上的網(wǎng)格匹配、裂隙-基質(zhì)間的質(zhì)量交換項(xiàng)參數(shù)設(shè)定等。由于裂隙中的流動(dòng)通常比基質(zhì)中快得多，因此需要謹(jǐn)慎選擇時(shí)間步長(zhǎng)，以平衡計(jì)算效率和數(shù)值精度。9.2統(tǒng)計(jì)模型構(gòu)建9.2.1基于已有場(chǎng)地?cái)?shù)據(jù)直接構(gòu)建9.2.1.1變量選擇與預(yù)處理確定輸入特征參數(shù)（如滲透系數(shù)、水力梯度、裂隙密度、污染物理化參數(shù)等等）和輸出變量（污染物界面通量、污染羽穩(wěn)定時(shí)間、污染物遷移最大距離等）。通過(guò)數(shù)據(jù)清洗、異常值識(shí)別、特征轉(zhuǎn)換和標(biāo)準(zhǔn)化處理，確保數(shù)據(jù)集質(zhì)量及參數(shù)可比性。9.2.1.2數(shù)據(jù)特征分析通過(guò)描述性統(tǒng)計(jì)分析了解數(shù)據(jù)集中趨勢(shì)和離散程度，使用相關(guān)系數(shù)評(píng)估變量關(guān)系并識(shí)別多重共線性，結(jié)合散點(diǎn)圖、箱線圖等可視化技術(shù)展示數(shù)據(jù)分布特征。9.2.1.3統(tǒng)計(jì)回歸模型構(gòu)建采用多元線性回歸和非線性回歸方法構(gòu)建模型，通過(guò)最小二乘法估計(jì)回歸系數(shù)，利用逐步回歸等方法進(jìn)行變量篩選。9.2.1.4統(tǒng)計(jì)回歸模型結(jié)果評(píng)估通過(guò)決定系數(shù)（R2)評(píng)估解釋力，均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）評(píng)估精度，結(jié)合殘差分析、顯著性檢驗(yàn)和交叉驗(yàn)證，全面評(píng)估模型性能和預(yù)測(cè)能力。9.2.2統(tǒng)計(jì)替代模型9.2.2.1替代策略統(tǒng)計(jì)替代模型是基于機(jī)理模型構(gòu)建的簡(jiǎn)化模型，旨在提高計(jì)算效率同時(shí)保持一定的精度。為了得到精準(zhǔn)的結(jié)果，一般建議采用數(shù)值模型。9.2.2.2機(jī)理模型參數(shù)組合設(shè)計(jì)參數(shù)選取和模型參數(shù)組合設(shè)計(jì)直接影響后續(xù)統(tǒng)計(jì)分析的質(zhì)量和應(yīng)用范圍。以下是具體設(shè)計(jì)指導(dǎo)原則和注意事項(xiàng)：（1）參數(shù)篩選基于敏感性分析、極差分析、方差分析等識(shí)別對(duì)模型輸出影響顯著的關(guān)鍵參數(shù)?？紤]參數(shù)之間的相關(guān)性，避免選擇高度相關(guān)的參數(shù)組合。結(jié)合專(zhuān)業(yè)知識(shí)，選擇在實(shí)際工程中易于獲得和量化的參數(shù)。（2）參數(shù)范圍確定根據(jù)實(shí)際工程經(jīng)驗(yàn)、文獻(xiàn)資料和本次建模應(yīng)用情景，確定各參數(shù)的合理變化范圍?？紤]參數(shù)的物理意義，避免超出實(shí)際可能的范圍。對(duì)于不確定性大的參數(shù)，可適當(dāng)擴(kuò)大其變化范圍。（3）模型參數(shù)組合設(shè)計(jì)方法模型參數(shù)組合設(shè)計(jì)主要包括系統(tǒng)性設(shè)計(jì)方法（如正交試驗(yàn)、均勻設(shè)計(jì)、中心復(fù)合設(shè)計(jì)、Box-Behnken設(shè)計(jì)等）、隨機(jī)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(jù)具體問(wèn)題特點(diǎn)和計(jì)算資源，選擇合適的設(shè)計(jì)方法以平衡計(jì)算效率與精度。（4）參數(shù)水平取值可以采用等間距或?qū)?shù)間距等方式確定參數(shù)水平，以覆蓋整個(gè)參數(shù)空間。對(duì)于非線性敏感的參數(shù)，可在敏感區(qū)域增加取值密度。正交試驗(yàn)通常選3-5個(gè)水平，蒙特卡羅模擬則可能需要更多樣本點(diǎn)，連續(xù)型參數(shù)也可采用連續(xù)采樣。應(yīng)結(jié)合參數(shù)特性、模型敏感性和計(jì)算資源確定合適的取值策略。9.2.2.3機(jī)理模型模擬按照9.2.2.2中設(shè)計(jì)的參數(shù)組合，逐個(gè)情景進(jìn)行模擬。9.2.2.4統(tǒng)計(jì)分析與統(tǒng)計(jì)替代模型構(gòu)建參照9.2.1.3的統(tǒng)計(jì)回歸模型構(gòu)建方法。9.2.2.5模型驗(yàn)證與優(yōu)化通過(guò)獨(dú)立數(shù)據(jù)集驗(yàn)證模型預(yù)測(cè)能力，分析誤差分布，評(píng)估敏感性，確定適用范圍，并進(jìn)行必要的優(yōu)化調(diào)整。最后，量化模型預(yù)測(cè)的不確定性，并詳細(xì)記錄整個(gè)過(guò)程，以確保模型的可靠性和實(shí)用性。9.3人工智能（機(jī)器學(xué)習(xí)）模型9.3.1基于已有場(chǎng)地?cái)?shù)據(jù)直接構(gòu)建9.3.1.1數(shù)據(jù)預(yù)處理與特征工程數(shù)據(jù)常規(guī)預(yù)處理參照9.2.1.1中相關(guān)內(nèi)容。對(duì)于復(fù)雜場(chǎng)地有機(jī)污染問(wèn)題，可考慮機(jī)器學(xué)習(xí)種的特征工程。基于專(zhuān)業(yè)知識(shí)創(chuàng)建新參數(shù)組合，提取關(guān)鍵水文地質(zhì)和污染物理化因素，運(yùn)用降維技術(shù)如主成分分析，提升模型對(duì)污染物遷移轉(zhuǎn)化的表征能力。9.3.1.2數(shù)據(jù)集劃分根據(jù)數(shù)據(jù)量采用適當(dāng)?shù)膭澐植呗裕簲?shù)據(jù)量少時(shí)可用K折交叉驗(yàn)證或留一法，數(shù)據(jù)充足時(shí)通常劃分為訓(xùn)練集（70%~80%）、驗(yàn)證集（10%~15%）和測(cè)試集（10%~15%），具體比例應(yīng)根據(jù)數(shù)據(jù)總量和問(wèn)題復(fù)雜度調(diào)整，確保數(shù)據(jù)劃分合理性。并評(píng)估不同劃分方式下模型性能的穩(wěn)定性。9.3.1.3模型選擇與架構(gòu)設(shè)計(jì)對(duì)于較簡(jiǎn)單的問(wèn)題，可考慮傳統(tǒng)機(jī)器學(xué)習(xí)方法如支持向量機(jī)（SVM）或隨機(jī)森林（RF）。對(duì)于復(fù)雜的非線性關(guān)系，可選用人工神經(jīng)網(wǎng)絡(luò)（ANN）或深度學(xué)習(xí)模型（如CNN、RNN、LSTM、Transformer等）。針對(duì)選定模型設(shè)計(jì)合適架構(gòu)，包括層數(shù)、節(jié)點(diǎn)數(shù)、激活函數(shù)、卷積核大小、池化方式等，并根據(jù)問(wèn)題特點(diǎn)、數(shù)據(jù)特征和計(jì)算資源進(jìn)行優(yōu)化調(diào)整。9.3.1.4模型訓(xùn)練與優(yōu)化使用訓(xùn)練數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，選擇合適的損失函數(shù)和優(yōu)化算法。采用交叉驗(yàn)證等技術(shù)調(diào)整超參數(shù)，防止過(guò)擬合?？紤]使用正則化、dropout等技術(shù)提高模型泛化能力。9.3.1.5模型評(píng)估與解釋評(píng)估模型性能，使用均方根誤差（RMSE）、決定系數(shù)（R2)等指標(biāo)。采用局部依賴(lài)圖、SHAP值等方法解釋模型預(yù)測(cè)，分析特征重要性。9.3.2人工智能（機(jī)器學(xué)習(xí)）替代模型9.3.2.1替代策略同9.2.2.1中統(tǒng)計(jì)替代模型策略。9.3.2.2機(jī)理模型參數(shù)組合設(shè)計(jì)參考9.2.2.2中參數(shù)組合設(shè)計(jì)。9.3.2.3機(jī)理模型模擬與人工智能替代模型構(gòu)建選擇適宜的機(jī)理模型模擬，使用機(jī)理模型生成的數(shù)據(jù)并選擇適當(dāng)?shù)娜斯ぶ悄芩惴?gòu)建替代模型9.3.2.4模型驗(yàn)證與優(yōu)化參考9.3.1.4與9.3.1.5中相關(guān)模型優(yōu)化與性能評(píng)估方法。10特征變量的主控因子識(shí)別與模型的不確定性分析10.1特征變量的主控因子識(shí)別10.1.1數(shù)值模型的主控因子識(shí)別10.1.1.1局部敏感性分析通過(guò)在基準(zhǔn)參數(shù)值附近進(jìn)行小范圍變化，計(jì)算參數(shù)變化對(duì)模型輸出的影響程度。該方法操作簡(jiǎn)單直觀，適合快速初步評(píng)估，但難以反映參數(shù)間的交互作用和非線性效應(yīng)。10.1.1.2全局敏感性分析全局敏感性分析評(píng)估整個(gè)參數(shù)空間內(nèi)輸入?yún)?shù)對(duì)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(cè)試）。其中方差分解法可捕捉參數(shù)交互但計(jì)算成本高，Morris篩選法適用于計(jì)算密集型模型且運(yùn)行次數(shù)少，F(xiàn)AST方法則適合處理非線性和非單調(diào)模型。選擇分析方法時(shí)需權(quán)衡模型復(fù)雜性和計(jì)算資源。10.1.1.3參數(shù)擾動(dòng)分析應(yīng)系統(tǒng)地改變單個(gè)或多個(gè)輸入?yún)?shù)，觀察模型輸出的相對(duì)變化。這種方法直觀但可能忽視復(fù)雜的參數(shù)交互。在應(yīng)用時(shí)，建議設(shè)計(jì)合理的擾動(dòng)范圍，并考慮參數(shù)間的可能相關(guān)性。結(jié)果分析應(yīng)結(jié)合專(zhuān)業(yè)知識(shí)，確保得出的結(jié)論具有實(shí)際意義。10.1.2統(tǒng)計(jì)模型的主控因子識(shí)別10.1.2.1相關(guān)性分析進(jìn)行相關(guān)性分析時(shí)，應(yīng)根據(jù)數(shù)據(jù)特性選擇適當(dāng)?shù)南嚓P(guān)系數(shù)，如Pearson相關(guān)系數(shù)（線性關(guān)系）或Spearman等級(jí)相關(guān)系數(shù)（非線性關(guān)系）。注意相關(guān)性不等同于因果關(guān)系，解釋結(jié)果時(shí)應(yīng)謹(jǐn)慎。10.1.2.2逐步回歸設(shè)置合適的入模和出模標(biāo)準(zhǔn)，如p值閾值或信息準(zhǔn)則。并注意多重比較問(wèn)題和過(guò)擬合風(fēng)險(xiǎn)，建議結(jié)合交叉驗(yàn)證來(lái)評(píng)估模型的穩(wěn)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(shí)，應(yīng)通過(guò)交叉驗(yàn)證選擇最優(yōu)的正則化參數(shù)。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(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，利用累積解釋方差比例或碎石圖選擇適當(dāng)數(shù)量的主成分。通過(guò)分析原始變量的載荷，為每個(gè)主成分賦予合理的物理意義。主成分分析結(jié)果可用于數(shù)據(jù)降維，也可作為后續(xù)回歸分析的輸入變量。10.1.2.5方差分析應(yīng)用方差分析時(shí)，需檢查數(shù)據(jù)是否滿(mǎn)足正態(tài)性、方差齊性等假設(shè)。對(duì)于單因素ANOVA，計(jì)算組間方差與組內(nèi)方差的比值（F統(tǒng)計(jì)量）。對(duì)于多因素ANOVA，還需考慮因素間的交互作用。結(jié)果解釋?xiě)?yīng)包括F值、p值和效應(yīng)量。對(duì)于顯著結(jié)果，建議進(jìn)行事后多重比較。10.1.2.6極差分析進(jìn)行極差分析時(shí)，計(jì)算每個(gè)因素水平下響應(yīng)變量的最大值和最小值之差。這種方法簡(jiǎn)單直觀，特別適用于實(shí)驗(yàn)設(shè)計(jì)和質(zhì)量控制。然而，極差分析可能對(duì)極端值敏感，建議結(jié)合箱線圖等可視化方法來(lái)識(shí)別異常值。對(duì)于復(fù)雜系統(tǒng)，極差分析可作為初步篩選工具，但應(yīng)與其他方法結(jié)合使用。10.1.3人工智能（機(jī)器學(xué)習(xí)）模型的主控因子識(shí)別10.1.3.1SHAP值分析SHAP提供了多種工具用于主控因子識(shí)別。可使用SHAP特征重要度圖評(píng)估全局特征重要性，通過(guò)特征密度散點(diǎn)圖（Beeswarm）展示特征對(duì)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(guò)SHAP依賴(lài)圖深入分析單個(gè)特征與預(yù)測(cè)結(jié)果的關(guān)系。使用這些工具時(shí)，最重要的是結(jié)合領(lǐng)域?qū)I(yè)知識(shí)對(duì)結(jié)果進(jìn)行解釋?zhuān)_保分析的實(shí)際意義。同時(shí)，應(yīng)注意綜合使用多種圖表，考慮特征間相關(guān)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(píng)估。10.1.3.2隨機(jī)森林的特征重要性在隨機(jī)森林中，可使用平均不純度減少（MDI）或平均精度減少（MDA）來(lái)評(píng)估特征重要性。MDI計(jì)算每個(gè)特征在決策樹(shù)節(jié)點(diǎn)上的平均不純度減少，而MDA通過(guò)隨機(jī)置換特征值來(lái)評(píng)估其重要性。在解釋結(jié)果時(shí)，應(yīng)考慮特征之間的相關(guān)性，高度相關(guān)的特征可能會(huì)相互掩蓋重要性。10.1.3.3深度學(xué)習(xí)的解釋性方法對(duì)于復(fù)雜介質(zhì)場(chǎng)地污染物時(shí)空分布的深度學(xué)習(xí)模型，可使用梯度加權(quán)類(lèi)激活映射（Grad-CAM）來(lái)可視化模型關(guān)注的區(qū)域，特別適用于污染物擴(kuò)散圖像分析任務(wù)。層wise相關(guān)傳播（LRP）方法可用于追蹤網(wǎng)絡(luò)中污染物特征的相關(guān)性傳播。在應(yīng)用這些方法時(shí)，應(yīng)注意不同層次的解釋可能有所不同，建議結(jié)合多層次的分析結(jié)果，并與場(chǎng)地特征和污染物性質(zhì)等專(zhuān)業(yè)知識(shí)相結(jié)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(lài)圖（PDP）和個(gè)體條件期望（ICE）圖來(lái)可視化特征對(duì)污染物分布預(yù)測(cè)的影響。這些方法有助于理解場(chǎng)地特征與污染物時(shí)空分布之間的非線性關(guān)系。LIME（LocalInterpretableModel-agnosticExplanations）方法可用于提供局部可解釋性，特別適用于復(fù)雜污染場(chǎng)地模型的單點(diǎn)預(yù)測(cè)解釋。10.2模型不確定性分析10.2.1數(shù)值模型不確定性分析10.2.1.1不確定性來(lái)源（1）參數(shù)不確定性針對(duì)復(fù)雜介質(zhì)場(chǎng)地，需要關(guān)注水文地質(zhì)、污染物特性等參數(shù)的空間異質(zhì)性、尺度效應(yīng)、測(cè)量誤差、環(huán)境因素影響以及非線性效應(yīng)等。如彌散度具有顯著的尺度效應(yīng)；吸附系數(shù)、降解速率、溶解度和分配系數(shù)等受PH、溫度、有機(jī)質(zhì)含量等環(huán)境因素影響顯著，且在某些情況下可能表現(xiàn)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(qiáng)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(wèn)題更增加了源項(xiàng)表征的復(fù)雜性。邊界條件方面，地下水流場(chǎng)的時(shí)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(zhì)單元的邊界特征都可能存在顯著不確定性。（3）數(shù)值方法引起的誤差這些誤差主要來(lái)源于空間離散化和時(shí)間離散化過(guò)程?？臻g離散化可能導(dǎo)致數(shù)值擴(kuò)散，特別是在污染物鋒面附近；而時(shí)間步長(zhǎng)的選擇影響計(jì)算穩(wěn)定性和精度，不當(dāng)?shù)倪x擇可能導(dǎo)致誤差累積。高階數(shù)值格式雖然可以減少數(shù)值擴(kuò)散，但可能引入數(shù)值振蕩。在處理強(qiáng)非線性問(wèn)題（如多相流、密度驅(qū)動(dòng)流）時(shí)，求解器的收斂性和穩(wěn)定性也是潛在的誤差來(lái)源。此外，復(fù)雜地質(zhì)構(gòu)造（如斷層、高滲透性通道）的數(shù)值表達(dá)也可能引入額外的誤差。（4）模型簡(jiǎn)化模型簡(jiǎn)化是復(fù)雜介質(zhì)場(chǎng)地模擬中不可避免卻又引入重要不確定性的步驟。地質(zhì)構(gòu)造的簡(jiǎn)化表達(dá)可能忽略重要的小尺度特征，如優(yōu)先流路徑或局部高滲透性區(qū)域。多相流動(dòng)、熱力學(xué)過(guò)程、生物地球化學(xué)反應(yīng)等復(fù)雜過(guò)程的簡(jiǎn)化處理可能導(dǎo)致模型無(wú)法準(zhǔn)確捕捉關(guān)鍵的物理、化學(xué)或生物學(xué)過(guò)程。在模型簡(jiǎn)化過(guò)程中，需要權(quán)衡計(jì)算效率和模型精度，找到合適的復(fù)雜度水平。10.2.1.2量化、評(píng)估和減少不確定性方法（1）參數(shù)敏感性分析通過(guò)局部和全局敏感性分析方法評(píng)估參數(shù)對(duì)模型輸出的影響程度。方法具體內(nèi)容參考10.1.1。（2）蒙托卡羅模擬基于參數(shù)概率分布進(jìn)行隨機(jī)抽樣，生成大量模型實(shí)現(xiàn)。這種方法可量化由參數(shù)不確定性導(dǎo)致的模型輸出的不確定性范圍，提供污染物濃度預(yù)測(cè)結(jié)果的概率分布，為風(fēng)險(xiǎn)評(píng)估提供依據(jù)。（3）區(qū)間估計(jì)對(duì)關(guān)鍵參數(shù)進(jìn)行區(qū)間估計(jì)，計(jì)算模型輸出的可能范圍。構(gòu)建置信區(qū)間和容差區(qū)間，表達(dá)預(yù)測(cè)結(jié)果的不確定性。結(jié)合區(qū)間數(shù)學(xué)或模糊集理論，快速評(píng)估不確定性影響。進(jìn)行最壞情況分析，評(píng)估污染物遷移的最大可能范圍。區(qū)間估計(jì)方法直觀表達(dá)不確定性，為決策提供清晰的風(fēng)險(xiǎn)范圍，但需注意避免過(guò)于保守的估計(jì)。（4）網(wǎng)格收斂性分析通過(guò)逐步細(xì)化網(wǎng)格分辨率，評(píng)估空間離散化對(duì)模型結(jié)果的影響。這有助于確定最佳的網(wǎng)格分辨率，平衡計(jì)算精度和效率，減少數(shù)值方法引起的誤差。（5）數(shù)據(jù)同化利用觀測(cè)數(shù)據(jù)動(dòng)態(tài)更新模型狀態(tài)和參數(shù)。如集合卡爾曼濾波（EnKF）可同時(shí)更新模型狀態(tài)和參數(shù)，減少初始條件、邊界條件和參數(shù)的不確定性。（6）地質(zhì)統(tǒng)計(jì)學(xué)方法利用克里金法等空間插值技術(shù)估計(jì)參數(shù)的空間分布，應(yīng)用條件模擬生成多個(gè)等可能的參數(shù)場(chǎng)景，以表征地質(zhì)和參數(shù)的空間異質(zhì)性。（7）尺度轉(zhuǎn)換技術(shù)開(kāi)發(fā)和應(yīng)用尺度轉(zhuǎn)換方法，如均質(zhì)化技術(shù)、多尺度方法等，以減少由于尺度效應(yīng)引起的不確定性。（8）貝葉斯推斷結(jié)合先驗(yàn)知識(shí)和觀測(cè)數(shù)據(jù)，更新參數(shù)的概率分布。馬爾可夫鏈蒙特卡洛（MCMC）方法可用于參數(shù)后驗(yàn)分布采樣，有助于減少參數(shù)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(shù)、累積分布函數(shù)、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(píng)估模型預(yù)測(cè)的可靠性。10.2.2統(tǒng)計(jì)和人工智能（機(jī)器學(xué)習(xí)）模型不確定性分析10.2.2.1不確定性來(lái)源除參數(shù)、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(lái)源：（1）模型選擇造成的不確定性不同的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型（如線性回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等）可能對(duì)同一數(shù)據(jù)集給出不同的預(yù)測(cè)結(jié)果。模型結(jié)構(gòu)和復(fù)雜度的選擇直接影響預(yù)測(cè)結(jié)果的準(zhǔn)確性和可靠性。（2）特征選擇不確定性在高維數(shù)據(jù)集中，特征選擇過(guò)程可能引入不確定性。不同的特征選擇方法可能導(dǎo)致模型關(guān)注不同的變量，從而影響預(yù)測(cè)結(jié)果。（3）數(shù)據(jù)質(zhì)量和代表性不確定性統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型嚴(yán)重依賴(lài)于訓(xùn)練數(shù)據(jù)的質(zhì)量和代表性。數(shù)據(jù)質(zhì)量方面，測(cè)量誤差、缺失值、異常值和數(shù)據(jù)一致性問(wèn)題可能影響模型性能。數(shù)據(jù)分布方面，采樣偏差、類(lèi)別不平衡、時(shí)空分布不均勻等因素可能導(dǎo)致模型無(wú)法準(zhǔn)確表征整個(gè)研究對(duì)象。（4）模型解釋性不確定性許多機(jī)器學(xué)習(xí)模型（如深度神經(jīng)網(wǎng)絡(luò)）被認(rèn)為是"黑箱"模型，其預(yù)測(cè)機(jī)制難以解釋。這種不確定性可能影響模型在實(shí)際應(yīng)用中的可信度和決策支持能力。（5）預(yù)測(cè)與外推能力不確定性在評(píng)估統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型的不確定性時(shí)，需要同時(shí)考慮預(yù)測(cè)和外推能力。應(yīng)注意，即便在訓(xùn)練數(shù)據(jù)覆蓋范圍內(nèi)，模型也可能因數(shù)據(jù)噪聲、復(fù)雜度不當(dāng)或過(guò)擬合等因素產(chǎn)生預(yù)測(cè)偏差。更重要的是，當(dāng)模型應(yīng)用于時(shí)間、空間或參數(shù)范圍以外時(shí)，其表現(xiàn)通常會(huì)顯著下降，可能導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際情況嚴(yán)重偏離。應(yīng)用這些模型時(shí)，須審慎評(píng)估其預(yù)測(cè)準(zhǔn)確性和外推能力的局限性。10.2.2.2量化、評(píng)估和減少不確定性方法（1）交叉驗(yàn)證和模型集成使用k折交叉驗(yàn)證等方法評(píng)估不同模型的泛化能力。采用集成方法（如bagging、boosting）結(jié)合多個(gè)模型的預(yù)測(cè)結(jié)果，減少單一模型的偏差。（2）特征重要性分析和穩(wěn)定性選擇利用隨機(jī)森林等模型的特征重要性指標(biāo)進(jìn)行特征篩選。通過(guò)重采樣技術(shù)評(píng)估特征選擇的穩(wěn)定性，選擇最穩(wěn)定和重要的特征。（3）數(shù)據(jù)增強(qiáng)和主動(dòng)學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法包括生成合成數(shù)據(jù)、利用物理模型模擬、數(shù)據(jù)變換和遷移學(xué)習(xí)等，旨在擴(kuò)充訓(xùn)練集并增加樣本多樣性。主動(dòng)學(xué)習(xí)則通過(guò)設(shè)計(jì)優(yōu)化的采樣策略，如不確定性采樣、代表性采樣和多目標(biāo)優(yōu)化等，提高數(shù)據(jù)的代表性和信息量。（4）貝葉斯方法和集成學(xué)習(xí)通過(guò)引入?yún)?shù)的先驗(yàn)分布，能夠直接估計(jì)預(yù)測(cè)的不確定性，提供預(yù)測(cè)的概率分布。集成學(xué)習(xí)則通過(guò)組合多個(gè)基礎(chǔ)模型的預(yù)測(cè)結(jié)果，有效降低單一模型的偏差和方差，可利用預(yù)測(cè)的方差量化不確定性。1附錄A部分揮發(fā)類(lèi)有機(jī)污染物理化性質(zhì)參數(shù)序號(hào)中文名CAS編號(hào)H’數(shù)據(jù)來(lái)源Dacm2/s數(shù)據(jù)來(lái)源Dwcm2/s數(shù)據(jù)來(lái)源Koccm3/g數(shù)據(jù)來(lái)源Koa數(shù)據(jù)來(lái)源Kow數(shù)據(jù)來(lái)源mg/L數(shù)據(jù)來(lái)源KsaVP(mmH25°C)數(shù)據(jù)來(lái)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(hào)中文名CAS編號(hào)H’數(shù)據(jù)來(lái)源Dacm2/s數(shù)據(jù)來(lái)源Dwcm2/s數(shù)據(jù)來(lái)源Koccm3/g數(shù)據(jù)來(lái)源Koa數(shù)據(jù)來(lái)源Kow數(shù)據(jù)來(lái)源mg/L數(shù)據(jù)來(lái)源KsaVP(mmH25°C)數(shù)據(jù)來(lái)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(hào)中文名CAS編號(hào)H’數(shù)據(jù)來(lái)源Dacm2/s數(shù)據(jù)來(lái)源Dwcm2/s數(shù)據(jù)來(lái)源Koccm3/g數(shù)據(jù)來(lái)源Koa數(shù)據(jù)來(lái)源Kow數(shù)據(jù)來(lái)源mg/L數(shù)據(jù)來(lái)源KsaVP(mmH25°C)數(shù)據(jù)來(lái)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(duì)二甲苯2.82E-EPI6.82E-WT8.42E-WT3.75E+0EPI6165.95EPEP1.62E+EP0.68.8EP0.8610.66序號(hào)中文名CAS編號(hào)H’數(shù)據(jù)來(lái)源Dacm2/s數(shù)據(jù)來(lái)源Dwcm2/s數(shù)據(jù)來(lái)源Koccm3/g數(shù)據(jù)來(lái)源Koa數(shù)據(jù)來(lái)源Kow數(shù)據(jù)來(lái)源mg/L數(shù)據(jù)來(lái)源KsaVP(mmH25°C)數(shù)據(jù)來(lái)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(hào)中文名CAS編號(hào)H’數(shù)據(jù)來(lái)源Dacm2/s數(shù)據(jù)來(lái)源Dwcm2/s數(shù)據(jù)來(lái)源Koccm3/g數(shù)據(jù)來(lái)源Koa數(shù)據(jù)來(lái)源Kow數(shù)據(jù)來(lái)源mg/L數(shù)據(jù)來(lái)源KsaVP(mmH25°C)數(shù)據(jù)來(lái)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(lián)苯胺91-94-11.16E-09R3694.75E-02WT95.55E-06WT93.19E+03EPI177827941.00EPI3235EPI3.11E+00EPI4.744.106EPI1.38E+001.50E+0037樂(lè)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(jī)溶劑)402,4-二硝2.21E-EPI3.75E-WT7.90E-WT5.76E+0EPI436515EP95.5EP2.00E+EP5.67.1EP1.52E+06序號(hào)中文名CAS編號(hào)H’數(shù)據(jù)來(lái)源Dacm2/s數(shù)據(jù)來(lái)源Dwcm2/s數(shù)據(jù)來(lái)源Koccm3/g數(shù)據(jù)來(lái)源Koa數(shù)據(jù)來(lái)源Kow數(shù)據(jù)來(lái)源mg/L數(shù)據(jù)來(lái)源KsaVP(mmH25°C)數(shù)據(jù)來(lái)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