Graphical Abstract：

研究亮点：

构建了重金属污染修复案例数据库（涉及23个指标，215个实际修复工程案例，4214条数据记录）

构建重金属污染场地修复技术智能选择模型，可对目标场地进行对修复技术智能比选和预测

论文信息：

Yue Zhao, Yangtao Lv, Zhihuang Lu, Pan Wu, Bo. Li, Jiaqing Zeng^∗, Hierarchical zoning and intelligent remediation strategy selection for heavy metal contaminated smelting sites, Journal of Environmental Sciences, 170 (2026) 266-276.

论文链接：https://doi.org/10.1016/j.jes.2026.03.076

我国工业污染场地面积广、污染源多样、污染程度高，土壤和地下水复合污染现象普遍，场地管理与修复面临着成本高、周期长、技术选择困难等诸多挑战。制定针对性的修复策略和选择合适的修复技术是工业场地污染治理的关键环节。

本研究构建了重金属污染场地土壤和地下水重金属污染修复技术数据库。利用机器学习算法，整合重金属总量浓度、土壤中重金属的生物有效态以及地下水污染浓度，提出了一种场地重金属污染的分级分区体系。依托技术数据库，采用高斯混合模型和神经网络算法对修复技术进行智能选择和确定。结果表明，场地的污染类型和程度是影响修复技术选择的关键因素，土壤污染分级、地下水污染率、污染物类型、修复方量、场地面积、污染深度以及地下水埋深等因素显著影响修复策略的制定。该智能比选系统被验证应用于某大型冶炼场地，预测的修复技术包括稳定化、生态修复结合固化稳定化技术。

表1 重金属场地修复技术数据库指标（23个指标，基于215个实际修复工程案例，4214条数据记录整理）

图2、3 耦合重金属总量、重金属生物有效性及地下水污染程度的场地风险分级分区

图6 基于机器学习的重金属污染场地修复技术智能必选技术体系

图7 某大型工业污染地块修复技术智能比选结果验证与修复工程设计

该研究为冶炼场地修复技术的智能选择提供了新思路，为污染场地的智能化、高效化、精准化管理与修复提供了理论支撑和技术方法。研究成果可应用于环境管理部门和修复工程单位提供智能化技术选择工具，并通过数据驱动方法提高修复方案的科学性和经济性，未来还将探索将大语言模型等人工智能技术相结合，开发更加智能化、交互性更强的场地修复决策支持系统。

上述成果发表于环境与生态学领域国际SCI期刊Journal of Environmental Sciences（IF=6.5，中科院2区，英文领军期刊），喀斯特地质资源与环境教育部重点实验室特岗教授曾嘉庆为论文通讯作者，研究得到了国家自然科学基金项目，水文过程影响下的冶炼场地重金属迁移机制研究（42407549）和贵州省科技重大专项，岩溶区水-土重金属基准构建与协同精准防控技术研发（黔科合重大 2025-041）的资助。