史兰爽

（山东美誉工程咨询有限公司，山东 济宁 272000）

0 引言

区域地下水的可持续发展与综合评价主要依赖地下水环境脆弱性评价，因为地下水环境脆弱性评价能够如实刻画出地区地下水超采与地下水污染情况，对于地区地下水开发（特别是干旱地区的饮水安全工程等）与环境生态保护、促进水资源可持续利用有非常重要的作用[1]。同时相对于地下水监测，地下水环境脆弱性评价能够在保护地下水资源的同时，减少时间和资金的浪费[2]。

目前针对地下水环境脆弱性评价，国内外的主要方法为：GOD指标法[3]、Drastic指标法[4]、神经网络模型[5]、加权评分法和模糊综合评价法[6～10]。其中GOD指标法的应用地区较为局限[11]，如岩溶地区[3]，这也对GOD指标法的进一步推广带来一定困难。Drastic指标法需要假设各个地区含水层具有均一趋势，但是现实中的这一条件难以达到，且Drastic指标法也具有一定局限性[12]。加权评分法不能够反映各个因素的连续变化对地下水环境脆弱性的影响，而模糊综合评价法需要构建隶属度函数，但构造隶属度函数的过程则存在较大的主观性[6～10]。神经网络模型模拟人脑的神经网络，属于非线性模型，具有较好的容错和抗干扰能力，因此受到许多学者的关注，具有较多地改进和发展[13～15]。极限学习机（Extreme Learning Machine，ELM）作为人工神经网络一个新的发展模型，具有实现简单、学习速度极快和人为干预较少等显著优势，已成为当前最热门的研究方向之一[16]。因此本文以收集到的地下水相关指标为基础数据，采用极限学习机对地下水环境脆弱性进行评价，并对极限学习机进行地下水环境脆弱性评价的结果进行合理性分析，以期为地下水环境脆弱性评价提供参考。……