ASI-GCN 系列

受污染场地的钻孔采样有限，导致土壤污染物数据稀疏且分布不均匀。传统的插值方法，例如普通克里金法 （OK） 和反距离加权法 （IDW），在应用于此类稀疏数据时可能会掩盖土壤污染的局部变化，从而降低插值精度。为了克服这一挑战，我们提出了一种自适应空间插值图卷积网络 （ASI-GCN） 模型。该模型将空间自相关的原理与图卷积网络 （GCN） 的功能协同集成在一起。通过合并这些元素，ASI-GCN 模型有效地限制了污染物浓度的转移。它巧妙地捕捉空间结构中的细微变化，从而提高土壤污染表征的精度。我们基于从 15 个钻孔中收集的 215 个土壤样本，将模型应用于北京的一家焦化厂。为了评估模型的稳健性，采用了三种具有不同挥发特性的污染物，包括砷（As，非挥发性）、苯并（a）芘（BaP，半挥发性）和苯（Ben，挥发性）。当 ASI-GCN 及其衍生物 ASI-GCN_RC_G 和 ASI-GCN_RC_K 用于在未采样站点进行预测时，使用留一法交叉验证程序来估计它们的性能。结果表明，ASI-GCN 模型表现出更好的性能，As、BaP 和 Ben 的 R² 值分别为 0.52、0.67 和 0.57，RMSE 值分别为 5.041 mg/kg、1.699 mg/kg 和 167.710 mg/kg，优于 OK 和 IDW 等传统模型。进一步分析揭示了污染物波动性对垂直迁移模式的显著影响。非挥发性 As 主要分布在填充砂层和粉砂层中，半挥发性 BaP 集中在粉砂层中，而挥发性 Ben 主要分布在粘土层和细砂层中。ASI-GCN 模型通过利用有限的钻孔数据捕获复杂的污染物分布，为风险评估和修复策略提供关键见解，展示了其在各种污染场地中的应用潜力。