Hydrochemistry and modeling nitrate concentration in farmland groundwater under different hydrological seasons by integrating hybrid quantum-classical ML, virtual sample generation and AlphaEarth Foundation
Junjie Xu · Xin Wei · Yilei Yu 等 7 人
提出集成混合量子-经典机器学习、虚拟样本生成和遥感基础模型的框架，预测雄安农田地下水硝酸盐浓度。
混合量子-经典随机森林、t-SNE-GMM-KNN虚拟样本、AlphaEarth
干季硝酸盐最高（42.93 mg/L），虚拟样本扩增10倍使R2从0.284升至>0.85，混合模型
可探索将虚拟样本生成与基础模型嵌入结合，应用于其他数据稀疏的农业环境监测，如土壤养分或农药残留预测。
研究提出结合量子机器学习与遥感基础模型的农田地下水硝酸盐预测框架，方法新颖，数据详实，对农业面源污染治理有参考价值。
摘要：集约化农业区地下水硝酸盐浓度的精准季节预测面临数据稀疏、时空异质性强及水文生物地球化学过程复杂等挑战。针对上述问题，本研究提出了一种集成预测框架，融合了混合量子-经典机器学习、先进虚拟样本生成技术（t-SNE-GMM-KNN）及遥感基础模型语义嵌入（AEF）。研究在雄安新区2022–2023年平水期、枯水期和丰水期开展了建模分析。水化学类型以Ca-Mg-HCO₃⁻为主，受矿物溶解和蒸发作用控制。硝酸盐浓度在枯水期最高（均值42.93 mg L⁻¹），主要受蒸发浓缩作用驱动。空间上，高值区呈迁移特征：平水期位于东南部，枯水期移至中部，丰水期则分布于西北部。基于同位素的MixSIAR模型表明，生活污水和畜禽粪便（74.1%）为主要污染源。t-SNE-GMM-KNN策略在保持非线性结构的同时缓解了小样本偏差；当虚拟样本扩充至10倍时，枯水期随机森林模型的R²从0.284提升至0.85以上。此外，混合量子-经典随机森林模型在数据稀疏条件下表现出优异的鲁棒性，在平水期达到最佳性能（R² = 0.962，RMSE = 5.73 mg L⁻¹）。仅使用AEF嵌入特征即可达到筛选级精度（R²最高达0.860），为广域无监测区域提供了可行的快速调查方案。相关性分析识别出TDS和EC为持续主导预测因子（r > 0.8）。该综合框架为季节性硝酸盐预测和可持续水资源管理提供了稳健的解决方案。