近日，我院硕士研究生周航在李保琦老师的指导下，作为第一作者，在国际权威期刊《Scientific Reports》（Q1）上发表题为“Classification of deep and shallow groundwater wells based on machine learning in the Hebei Plain North China”的研究论文。该研究创新性地构建了一套面向河北平原区域地下水井的“深-浅井”智能分类框架，提出基于地质信息与机器学习融合的自动识别技术，为地下水超采治理与退井管理提供了高效工具。

论文聚焦于河北平原近90万口地下水井，其中约67%缺乏井深信息。精准划分深浅井是评估地下水开采结构、制定分层管控策略的基础。研究首先基于1127个水文地质钻孔数据，利用克里金插值精细刻画了四层含水层（Aquifer I–IV）空间分布，并据此将已知井深的水井归类为浅井或深井。随后，构建了以富水性、浅层矿化度、超采区类型、水井类型等为特征的机器学习分类模型，并系统比较了随机森林（RF）、支持向量机（SVM）、逻辑回归（LR）和朴素贝叶斯（NB）四种算法的性能。

结果表明，RF模型在多项指标上表现最佳，准确率达91.23%，F1值达90.92%，并成功应用于未知井深水井的分类预测。研究发现，浅井主要分布在山前平原淡水富集区，深井则集中于东部矿化度高、浅层水贫乏区，呈现“西浅东深、西密东疏”的典型空间格局。此外，论文指出浅层矿化度超过1g/L是转向深层取水的关键阈值，提出“合理开发浅层微咸水”是缓解深层超采压力的重要路径。

本研究为大尺度地下水井属性识别提供了通用的技术范式，也为地下水资源分层管理、节水灌溉优化与水源置换工程提供了理论支撑与决策依据。

        （a）模型分类的未知井深水井空间分布图                              （b）不同用途下深浅井分类结果统计图

图1  基于机器学习的地下水井分类成果展示

论文链接：

“Classification of deep and shallow groundwater wells based on machine learning in the Hebei Plain North China”

https://doi.org/10.1038/s41598-024-69238-1