《Physics and Chemistry of the Earth, Parts A/B/C》：Sustainable Groundwater Assessment Using an Advanced CMA-FTT Machine Learning Framework in a Rapidly Urbanizing Region
编辑推荐：
地下水质量监测需高效预测模型，本研究对印度Tamil Nadu邦Kanchipuram都市区10个监测点2018-2024年共1568份样本的9项理化参数进行分析，提出融合CMA-ES优化与Transformer架构的CMA-FTT模型，实现WQI预测R2=0.985，显著优于RF、SVM和ANN模型，为城市化地区地下水监测提供新方法。
Poornima Jayaraman|Pachaivannan Partheeban|Prithvi Ragavendiran R|Ranganathan Rani Hemamalini
电子与通信工程系，金奈理工学院，Kundrathur，金奈 – 600 069
摘要
在快速城市化的地区，地下水质量监测需要准确、可扩展且自动化的预测框架。本研究使用2018年至2024年间从手泵、钻井、管井、溪流和泉水收集的1,568个样本，对印度泰米尔纳德邦Kanchipuram大都会地区的10个监测点的地下水质量进行了评估。研究了九个物理化学参数——总悬浮固体（TSS）、生化需氧量（BOD）、浊度、氟化物、电导率、氯化物、总溶解固体（TDS）、碱度和硬度，并采用NSF加权算术方法计算了水质指数（WQI）。提出了一种混合机器学习模型CMA-FTT（协方差矩阵适应进化策略优化特征标记器变换器），以高精度预测WQI。CMA-ES组件的种群规模设置为50，最大进化代数为200，用于调整FT-Transformer的超参数，包括嵌入维度、注意力头数（8个）、变换器层数（4层）、学习率和丢弃率。与PHREEQC等传统的水文地球化学模拟工具不同，后者基于平衡饱和指数进行建模，CMA-FTT直接从现场数据中学习非线性特征交互，为实时WQI预测提供了一种互补的数据驱动方法。该模型的R2值为0.985，RMSE为1.50，MAE为1.50，优于随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）等基准模型。这些结果表明CMA-FTT框架在城市化背景下作为可持续地下水监测工具的潜力。
部分内容摘录
引言
地下水是全球农业、工业和数百万人饮用水供应的重要资源。定期监测对于确保其安全性和可靠性至关重要，尤其是在地下水作为主要饮用水来源的社区中。地下水质量直接影响作物产量、公共卫生结果和环境可持续性。尽管地下水通常比地表水受到更好的保护，但它正面临来自工业活动的日益增加的威胁。
研究区域
本研究考察了印度泰米尔纳德邦的Kanchipuram地区。该地区面积约为443,210公顷，占该州总面积的3.5%。Kanchipuram拥有完善的道路和铁路网络，将其主要城镇与泰米尔纳德邦其他地区及邻近区域连接起来。该地区划分为8个taluks、13个blocks和67个firkas。Kanchipuram镇是该地区的行政中心，并被划分为一个市级行政区。（Series, 2008）
相关工作
| 序号 | 作者 | 数据集/地点 | 研究的污染物 | 使用的机器学习/深度学习算法 | 评估参数 | 结果 |
|---|
| 1 | (Singh等人, 2025) | 印度特伦甘纳邦——来自河流、湖泊和地下水的综合水质数据集；真实世界环境监测数据 | pH值、溶解氧（DO）、浊度、总溶解固体（TDS）、生化需氧量（BOD）、化学需氧量（COD）、硝酸盐、磷酸盐、粪便大肠菌群、温度、电导率及其他物理化学参数 | |
理论背景
图4展示了所提出的CMA-FTT（协方差矩阵适应微调变换器）模型的流程图，该模型旨在利用时间序列传感器数据预测水质指数（WQI）。该框架结合了变换器架构来提取深层时间特征，并采用CMA-ES（协方差矩阵适应进化策略）优化算法自动调整关键模型超参数，以提高预测准确性。
计算环境和工具
所有数据处理、模型开发和评估均使用Python 3.10在配备NVIDIA RTX 3060 GPU（12 GB VRAM）和32 GB RAM的工作站上完成，操作系统为Ubuntu 22.04。核心深度学习框架为PyTorch 2.0.1，FT-Transformer的实现基于Gorishniy等人（2021）描述的架构。CMA-ES优化使用了pycma库（v3.3.0，Hansen等人，2019），该库提供了经过充分测试的优化方法。
CMA-FTT在水质指数（WQI）预测中的应用
在水质指数（WQI）预测这一特定领域，CMA-FTT作为一种先进的混合计算框架，利用深度学习的注意力机制和进化优化技术，提供了精确、可解释且稳健的预测结果。WQI是一个关键的综合指标，综合了多种物理化学参数，如pH值（指示酸碱度）、溶解氧（DO，对水生生态系统至关重要）等。
结论
本研究证明，可以使用人工智能技术可靠地评估和预测Kanchipuram市的地下水质量。CMA-FTT模型的R2值为0.985，RMSE为1.50，MAE为0.80，表现优于SVM、RF和ANN等对比模型。本研究考虑了九个物理化学参数，分析了2018年至2024年间从10个监测点收集的1,568个样本。
CRediT作者贡献声明
Prithvi Ragavendiran：撰写 – 审稿与编辑、初稿撰写、方法论设计、调查、概念构建。Dr Rani Hemamalini Ranganathan：撰写 – 审稿与编辑、初稿撰写、方法论设计、正式分析、概念构建。Poornima Jayaraman：撰写 – 审稿与编辑、初稿撰写、监督、项目管理、方法论设计、调查、数据整理、概念构建。Dr. Pachaivannan Partheeban：撰写 – 审稿与
未引用的参考文献
Aderemi等人，2021；Alhamrouni等人，2024；Eldho和Swathi，2018；Chu和Ruan，2025；Jacob等人，2019；Xu等人，2024；Jixuan和Wei，2024；Rejini和G，2025；Khodayar和Regan，2023；Oreshkin等人，2020；Lewis等人，2020；Series，2008；Stobel Christy和Pius，2021；Tichen Huang、Yuyan Jiang、Rumeijiang、Gan、Fuyu Wang，2025。
利益冲突声明
? 作者声明他们没有已知的可能会影响本文所报告工作的财务利益或个人关系。
