2026年5月29日，williamhill英国曹海龙、肖紫怡和中国地质大学（武汉）、山西大学研究团队在地下水污染风险预测领域取得重要进展，在国际环境科学权威期刊《Environmental Science & Technology》发表了《Cross-Regional Transfer Learning for Interpretable Prediction of Groundwater Uranium Contamination》的研究论文。
地下水中的铀是一种具有放射性和化学毒性的污染物。长期饮用高铀地下水可能增加肾损伤及相关健康风险。然而，高铀地下水往往具有显著的空间异质性，而许多地区监测数据十分有限，导致传统机器学习模型难以建立可靠预测结果。如何在数据稀缺条件下实现地下水铀污染风险识别，是环境地球科学领域一项重要挑战。
图1、建模流程示意
针对这一问题，研究团队提出了一种基于TabNet神经网络的跨区域迁移学习框架。研究以美国加利福尼亚中央山谷为源区、中国大同盆地为目标区，通过预训练—微调策略实现地下水铀污染知识的跨区域迁移（图1）。研究首先利用加州大规模地下水数据库训练预训练模型，然后利用大同盆地有限监测数据进行模型微调，实现对大同盆地地下书铀暴露风险的预测（图2），模型性能优良（图3）。
图2、模型预测铀超标概率与不确定性
图3、模型性能概要
基于模型预测结果估算，约5%的区域人口可能面临高铀地下水暴露风险（图4）。
图4、预测风险人口分布
该研究表明，在环境背景具有一定相似性的前提下，迁移学习能够实现地下水污染知识的跨区域共享，为监测数据不足地区的地下水质量评价提供新的技术路径。
论文第一作者为williamhill英国曹海龙副教授，通讯作者为中国地质大学（武汉）谢先军教授。该研究得到国家自然科学基金项目（42407283 、42307273）、山西省自然科学基金项目（202403021212311）和国家重点研发计划（2021YFA0715900）资助。
论文链接：https://doi.org/10.1021/acs.est.5c13513
