地下水质量监测系统（GQSS）的战略设计对于准确监测和及时发现地下水污染至关重要。人工智能辅助的优化方法，特别是蚁群系统元启发式算法（AS-MHA），在处理复杂的空间分配问题时行之有效，但传统方法依赖于固定参数，限制了全局搜索效率并减缓了收敛速度。为克服这些局限性，研究人员开发了一种基于蚁群系统的动态参数优化框架（DPOF-AS），用于自适应参数调整。该算法应用于突尼斯南部马雷斯（Mareth）地区一个农业集约化的含水层，利用 2025 年 2 月至 5 月期间从井和钻孔收集的连续地下水位观测数据和 290 个水质样本进行校准，并针对 2025 年 5 月 7 日至 8 月 5 日的独立数据集进行了验证。研究人员采用经遗传算法（GA）增强的支持向量回归（SVR-GA）作为代理模型，降低了计算成本，并考虑了与含水层非均质性和污染源相关的不确定性。该代理模型在流场模拟中实现了 0.97 的决定系数（R²）和 4.6% 的平均相对误差（MRE），在硝酸盐运移模拟中实现了 0.95 的 R²和 6.8% 的 MRE，且 SVR-GA 预测的 R²大于 0.94、MRE 小于 7%，证实了其高预测精度。DPOF-AS 框架生成了三种优化的监测布局（针对 1、2 和 5 公里的监测半径分别配置 63、28 和 15 口井），在保持空间代表性的同时减少了冗余，实现了平均 93.5% 的污染物检出率，优于传统和随机放置策略。本研究展示了将自适应参数优化与人工智能增强的代理建模相结合的创新性，为在复杂含水层系统中设计可靠且及时的地下水污染监测网络提供了一种实用且具有成本效益的工具。
**研究背景与问题阐述**
地下水污染往往具有隐蔽性，通常在造成显著危害后才被察觉，这使得及时检测和修复变得极具挑战性。水文地球化学与机器学习研究表明，在水质恶化呈现出空间异质性且未被察觉之前，必须应用先进的分析或预测工具。因此，建立设计良好的地下水质量监测系统（GQSS）对于早期发现和有效缓解污染至关重要，它能提供可靠且连续的水质信息。虽然增加观测井密度可提高污染模式检测的准确性，但受地质和经济条件限制，广泛部署往往难以实现。当监测井数量有限时，优化的 GQSS 配置对于维持能够及时检测污染的信息网络显得尤为关键。现有研究虽强调优化，但多局限于算法选择或目标函数的差异，缺乏对 evolving 水文地质条件适应性的关注。此外，大多数现有方法将优化视为静态过程，依赖固定的算法参数，忽视了水文地质条件的演变和污染动力学变化，导致在高度非均质的含水层系统中适应性不足。特别是在干旱沿海地区的农业集约化含水层中，过度开采、海水入侵和肥料淋滤增加了脆弱性，亟需一种能够整合自适应优化与人工智能技术的先进框架，以解决数据稀缺区域的监测难题， aligning 科学监测与实际政策需求及长期水资源规划。
**研究内容与主要结论**
针对上述问题，研究人员提出了一种基于蚁群系统的动态参数优化框架（DPOF-AS），并将其应用于突尼斯南部马雷斯地区的农业含水层。该研究旨在构建一个二元整数规划模型以优化监测网络，确保快速检测污染；利用 DPOF-AS 动态调整关键参数以提高搜索效率和解的质量；并通过耦合 SVR-GA 代理模型降低计算需求。研究结果表明，该框架生成的优化监测网络在保持空间代表性和检测能力的同时，显著减少了监测冗余和运营成本。具体而言，针对不同监测半径生成的三种配置方案（63 口、28 口和 15 口井）均实现了平均 93.5% 的污染物检出率，远超传统方法和随机布设策略。该研究证明了将自适应元启发式优化、机器学习代理建模与地理空间水文地质信息相结合的有效性，为脆弱含水层的地下水质量管理提供了灵活且计算高效的解决方案。这项具有重要意义的研究成果已发表在《Scientific African》期刊上。
**关键技术方法概括**
研究人员开发了一个集成框架，结合人工智能驱动的机器学习与地理空间建模。核心方法包括：首先，利用模块化地下水流模型（MODFLOW）构建地下水流和溶质运移数值模型，刻画含水层非均质性和污染物源动态；其次，开发经遗传算法（GA）优化的支持向量回归（SVR-GA）代理模型，以近似地下水系统响应，大幅降低全数值模拟的计算成本；再次，提出基于蚁群系统元启发式算法（AS-MHA）的动态参数优化框架（DPOF-AS），通过自适应调整信息素影响因子、启发式权重和挥发率等关键参数，平衡全局探索与局部开发；最后，结合蒙特卡洛模拟处理水力传导系数等参数的不确定性，并利用混合概率 - 确定性敏感性分析框架（HPD-SA）识别关键影响因素。研究样本队列来源于马雷斯盆地 2025 年 2 月至 5 月期间系统采集的 290 个地下水样本及连续水位观测数据。
**研究结果分析**
**地下水流场与溶质运移模拟结果**
地下水流模型揭示了含水层水力传导系数的强烈空间异质性。高传导区（>60 m/d）主要分布在西部和西南部，指示了优先流路径；而中部和东北部传导率较低（<40 m/d），反映了细粒沉积物对水流的限制。模型校准结果显示，模拟水位与观测水位高度吻合，决定系数（R²）达到 0.97，平均相对误差（MRE）为 4.6%。硝酸盐浓度呈现明显的空间梯度，东部热点区域浓度超过 75 mg/L，反映了强烈的农业或人为输入。溶质运移模型同样表现优异，R²为 0.95，MRE 为 6.8%，表明模型准确捕捉了硝酸盐的迁移转化过程。
**SVR-GA 代理模型预测性能**
评估显示，AI 增强的 SVR-GA 模型在训练和验证数据集中均表现出强大的泛化能力，R²值超过 0.94，MRE 始终低于 7%。相比之下，传统 SVR 模型在验证数据上误差较大，存在过拟合现象。SVR-GA 通过遗传算法优化超参数，有效提升了预测的稳定性和空间敏感性，绝大多数预测值与参考模拟值的偏差小于 10%，证实了其作为高效代理模型的可靠性。
**DPOF-AS 优化监测网络布局**
DPOF-AS 算法生成的优化配置显著改善了现有监测网络的空间冗余问题。在 1 公里采样半径下，保留了 63 口井，空间分布更加均衡；2 公里半径下减少至 28 口井，未牺牲区域覆盖率；5 公里粗尺度配置仅需 15 口 strategically 放置的井即可监测流域趋势。这些布局直接反映了水文地质非均质性和污染风险，沿潜在的污染物迁移走廊优先布设监测点，实现了水文一致性与操作效率的统一。
**讨论与结论总结**
讨论部分指出，所得水力传导系数值与该区域 prior 研究一致，验证了模型的空间真实性。SVR-GA 模型的预测性能优于文献报道的其他代理建模方法，特别是在处理中等规模数据集和非线性运移过程时表现出更强的稳定性。DPOF-AS 算法通过动态参数调整，避免了传统蚁群算法易陷入局部最优的问题，收敛速度更快，解的质量更高。尽管研究存在仅关注单一污染物（硝酸盐）和假设稳态水文地质条件等局限性，但该框架展示了巨大的应用潜力。
研究结论表明，本研究提出的集成 AI 驱动优化框架显著提升了地下水质量监测系统（GQSS）的设计效率。通过耦合 DPOF-AS 与 SVR-GA 代理模型，成功解决了水文地质不确定性下模拟 - 优化的高计算负担问题。代理模型精确复现了数值模拟结果，流场和硝酸盐运移的 R²分别为 0.97 和 0.95，MRE 分别为 4.6% 和 6.8%，且 SVR-GA 预测保持 R² > 0.94 和 MRE < 7%，计算时间较直接数值优化减少约一个数量级。DPOF-AS 生成的优化网络平均污染物检出率达 93.5%，优于传统 AS-MHA 和随机策略，并提供了三种可扩展的配置方案，在监测密度分别降低 56% 和 76% 的情况下仍保持了空间代表性和检测能力。本工作的创新在于结合了动态元启发式参数自适应与 AI 增强代理建模，实现了可扩展且感知不确定性的 GQSS 设计，为干旱和半干旱地区的地下水保护提供了具有成本效益的决策支持工具。
