地下水污染预测实战：随机森林与LSTM模型对比与融合指南

地下水污染预测这件事，这几年在环境与水文地质圈子里越来越热门。不管是在某矿区做修复效果评估，还是在平原农业区查硝酸盐超标，大家要面对的核心问题都一样：一口监测井未来几个月的污染物浓度到底会怎么走？早年间靠数理统计加简单回归，后来开始上随机森林这类机器学习算法，再后来随着时序预测模型普及，LSTM神经网络也成了标配工具。这两种模型我都踩过不少坑，也实实在在跑通过完整流程，这篇就把随机森林RF和LSTM从原理、数据准备、代码实现到对比融合的实战过程全部拆开讲一遍。这里有理论，有可直接复制的代码，也有单靠调参永远换不回来的经验教训，适合正在做地下水水质数据分析、污染物迁移预测，以及想把机器学习和深度学习算法落地到环境时序场景的同行参考。

先交代一下我的大致做法：把RF当成基准模型和特征筛选工具，把LSTM当成真正的时序预测主力，两条腿走路，最后再看怎么融合。下面按完整项目流程展开，从建模思路到常见问题排查，每一步都会说明“为什么这么做”，而不是只丢一个能跑的结果。

1. 项目背景与建模思路拆解

1.1 为什么是RF和LSTM：两套算法的互补关系

随机森林RF本质上是一堆决策树做Bagging投票，它对非线性关系、特征交互、异常值都有不错的容忍度。放在地下水污染预测这个场景里，它的核心价值不只是预测浓度数值，更是帮我们回答“到底哪些因子在控制污染变化”——比如是降雨补给起了主导作用，还是农业施肥量，又或者是地下水位埋深变化。

LSTM则是循环神经网络的改进版，通过输入门、遗忘门、输出门和细胞状态，把时间序列里的长期依赖关系记住。地下水中污染物的迁移、稀释、降解过程往往有数月级别的滞后效应，某一次强降雨可能在两个月之后才导致监测井的硝酸盐浓度跳升。这种“延迟动态”普通全连接网络学不到，LSTM却能通过时序结构学出来。

所以两者不是替代关系，而是互补关系。RF负责“看得懂”，LSTM负责“记得住”。我的习惯是先用RF跑通一个可解释的基准模型，确认数据里存在可预测信号，再上LSTM追求更高精度。这样能避免一上来就对着黑盒模型调参，发现数据本来就没规律，白白烧掉一堆训练时间。

1.2 地下水污染数据的特殊性

地下水监测数据和股票、气象这种高频时序数据有一个本质差异：数据量少且稀疏。很多监测井是按月采样，一年才12个点，数据长度通常也就三到五年，一共几十条记录。对LSTM这类深度模型来说，这是典型的小样本问题，稍不注意就会过拟合，训练集loss很低，验证集却一路发散。

另一个特点是数据本身带有强烈的季节性和缓慢趋势。地下水不像地表水那样对降雨响应迅速，污染羽的运移、含水层对污染物的吸附解析，都让浓度曲线表现出“先平稳、后突跳、再回落”的非线性形态。再加上监测井的采样时间经常不固定，有的月份缺测，有的季度临时加密采样，原始数据直接喂进模型，很容易把采样噪声当成真实规律。

还有一点容易被忽略：污染物指标往往不止一个。总硬度、硝酸盐、硫酸盐、COD、重金属等指标之间存在相关性，而真正需要预测的目标可能只有其中一个或两个。把二十几个指标一股脑塞进模型，不仅增加了计算负担，还让特征重要性变得混乱，所以特征筛选这一步在这个项目里权重很高。

1.3 整体技术路线与阶段划分

我最终跑通的技术路线分五个阶段，每一步有明确的产出物。第一阶段是数据清洗与时间对齐，产出干净的、按固定时间粒度重采样的数据集。第二阶段是特征工程，构建滞后特征、滚动统计量和外部气象因子，产出可直接入模型的特征矩阵。第三阶段用随机森林RF做基准建模，同时通过特征重要性筛选变量。第四阶段把筛选后的关键特征组成时间窗口数据，训练LSTM模型。第五阶段在独立的测试期上对比两者的预测误差，并考虑加权融合。

之所以把RF放在LSTM前面，还有一个工程上的现实考量：LSTM训练涉及学习率、窗口长度、网络层数等多个超参数，调试成本远超随机森林。如果先用RF验证出某些特征对目标浓度有明确解释力，后续LSTM的输入设计就有了方向。反过来，一上来就把全部特征丢给LSTM，模型很容易被无关特征干扰，落得个“训练集拟合漂亮，测试集一塌糊涂”的局面。

2. 数据准备与特征工程要点

2.1 原始数据长什么样，怎么清洗

先说典型数据形态。一张监测表里通常有监测井ID、采样日期、目标污染物浓度、水位埋深、水温和pH值。为了做外部因素分析，我还会额外关联同期的降雨量、平均气温和土地利用类型。这些数据来源不同，经常存在时间粒度不匹配的问题——降雨是逐日数据，水质是逐月数据，特征合并时就要先统一尺度。

清洗时最容易犯的错是缺失值粗暴删除。地下水采样一旦缺一个季度，删除整行就意味着丢失季节周期信息。我的处理策略是：少量缺失用同井相邻月份线性插值；连续三个月以上的缺失，用近两年同月份均值填充；如果一段序列超过六个月全空，果断删掉这段时间，不强行造数据。数值异常方面，结合气象记录判断，比如某次暴雨后浓度骤降，这可能是真实的稀释效应，不能只看3sigma就当成离群点抹掉。

还需要注意同一监测井的数据可能来自不同检测方法，比如早期用滴定法、后期用在线监测仪器，导致同一浓度序列出现系统偏差。这种情况我会做分段校正，以新方法为准，把旧序列整体调整，保证序列内部口径一致。

2.2 特征构建：滞后项、滚动统计与外部变量

地下水浓度是典型的有记忆过程，前一时刻甚至前几个时刻的状态，对当前浓度有直接影响。所以第一类特征就是滞后项，通常构建滞后1阶、2阶、3阶，季度监测数据我最多做到滞后12阶。滞后阶数太多会让样本量骤减，因为每多一个滞后阶数，数据集头部就要少一行。

第二类是滚动统计量。近三个月平均值能反映污染水平的近期趋势，近六个月的变异系数能捕捉波动剧烈程度，滚动最大值则对突发污染事件比较敏感。这些特征本质上是把时序信息做了平滑和压缩，对随机森林非常友好。

第三类是外部变量，也很关键。气温升高会加速微生物降解和硝化作用，降雨入渗会稀释或携带污染物，农业区的氮肥施用量直接决定面源输入。这类变量在RF的特征重要性排序里经常占据前几位，有时甚至超过目标浓度自身的滞后项。

构建完成后，对所有特征做相关性分析。相关系数超过0.9的高度冗余特征我会直接剔掉，尤其是多个滚动均值之间，它们太相似，放进RF和LSTM都只会增加噪声。这一步看起来简单，但对模型稳定性的提升非常明显。

2.3 时序切分与验证策略

时序模型最忌讳随机打乱划分。如果直接train_test_split默认随机划分，某些测试集样本就可能出现在训练集之前，等于让模型“偷看未来”，测试集分数虚高得离谱。我见过不少人拿这个假分数去汇报，等到部署上线才发现模型完全失效。

正确的做法是严格按时间顺序切片。前60%-70%作为训练集，接下来的15%-20%作为验证集，最后15%-20%作为测试集。验证集用来调超参数，测试集只在最终评估时碰一次。想让评估结果更贴近真实业务，可以再做滚动预测验证：训练集从起点到t时刻，预测t+1；然后训练集推进到t+1，再预测t+2。这个过程的计算成本高，但能暴露模型在实际使用中会遇到的误差累积问题。

标准化方面也有讲究。LSTM要求输入落在合理区间，一般用MinMaxScaler缩放到0到1。需要注意scaler只能fit在训练集上，再拿同一个scaler去transform验证集和测试集，避免信息泄露。

3. 随机森林RF建模实战

3.1 RF的适用边界，别指望它外推

随机森林回归的原理决定了它只能内插，不能外推。树模型在预测时，新样本最终会落到某个叶节点，输出该叶节点训练样本的均值。如果测试期浓度明显高于训练期见过的最大值，RF无论如何都预测不出这个新高，只会给出接近训练集上限的保守值。

所以RF更适合短期滚动预测和特征识别，不适合做长期趋势外推。在实际项目中，我用RF做了一步到三步的滚动预测，效果都还可以；但一旦让它连续预测未来十二个月，预测曲线很快就会收敛到历史均值附近，失去参考价值。理解这个边界，才能对模型输出有合理的预期。

3.2 关键参数与建模代码

RF调参的核心参数不多，我把经验值列一下。n_estimators设300就够，继续增加对误差降低微乎其微；max_depth限制在8到12之间，防止树深度过大记住噪声；min_samples_leaf设3到5，保证叶节点有足够样本，预测才平滑；max_features用sqrt，也就是特征总数的平方根，增加树之间的差异性。

下面是核心代码，数据已经经过清洗和特征构建，X是特征矩阵，y是目标浓度：

from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 随机森林回归模型 rf_model = RandomForestRegressor( n_estimators=300, max_depth=10, min_samples_leaf=4, max_features='sqrt', random_state=42, n_jobs=-1 ) rf_model.fit(X_train, y_train) # 预测与评估 y_pred_rf = rf_model.predict(X_test) print("RF RMSE:", mean_squared_error(y_test, y_pred_rf, squared=False)) print("RF MAE:", mean_absolute_error(y_test, y_pred_rf)) print("RF R2:", r2_score(y_test, y_pred_rf)) # 查看特征重要性 import numpy as np importance = rf_model.feature_importances_ indices = np.argsort(importance)[::-1] for i in range(10): print(f"{feature_names[indices[i]]}: {importance[indices[i]]:.3f}")

随机森林有个好处是天然支持并行，n_jobs设为-1就能吃满CPU。在大规模网格搜索超参数时，开销比LSTM小一个数量级，所以可以放心跑。但也不要盲目拿几百个参数组合去滚动验证，RF对超参数不特别敏感，取经验值附近几个点就够。

3.3 特征重要性与落地解释

特征重要性不只是用来排序，它直接决定LSTM的输入设计。我在某平原地下水试验区处理硝酸盐数据时，RF跑出来的重要性排序很出乎意料——排在第一位的是三个月累计降雨量，其次才是目标浓度的滞后一期值，氮肥施用量反而排到第四第五位。这说明该区域的地下水中硝酸盐主要受降雨稀释和入渗携带双重控制，而不是施肥量直接线性决定。

利用RF重要性结果，我把特征数量从27个压缩到12个左右，只保留重要性排名靠前且相关性不高的变量。这样LSTM的输入维度大大降低，训练速度和稳定性都明显改善。

如果想进一步解释模型，可以搭配SHAP值看每个特征的正负效应。比如水位埋深增加时，目标浓度是升高还是降低，单看重要性分不清方向，SHAP能给出方向性信号。这个信息对于写项目报告的结论非常有用，也方便跟数值模型的机理判断相互印证。

4. LSTM时序预测建模实战

4.1 LSTM为什么能抓住地下水的“时间记忆”

LSTM与传统循环神经网络最大的区别是引入了细胞状态和三个门控机制。输入门决定新信息有多少写入细胞状态，遗忘门决定过去的信息保留多少，输出门决定当前时刻输出什么。可以把细胞状态想象成一条传送带，信息在传送带上流动，门控按需打开或关闭，从而避免长期依赖期间的梯度消失。

对地下水浓度数据来说，这个机制意味着模型能“记住”三个月前甚至半年前的一次强降雨事件，并在某个合适的时间点上把这种记忆转化为对当前浓度的判断。比如某监测井下游的污染羽在雨季之后第8周才到达，LSTM完全可以在隐状态里保留这个8周的延迟关系。

不过这里也埋着一个坑：LSTM能学长期依赖，不意味着数据量少时它能稳定学出来。数据越短，门控结构里的参数越多，越容易把噪声当成规律。所以在小样本地下水数据上，我不建议一上来就堆双层LSTM、256个隐单元这种豪华配置，后面会细说怎么控制模型复杂度。

4.2 数据格式转换与标准化细节

LSTM的输入要求是三维张量，形状为(samples, timesteps, features)。timesteps是窗口长度，表示用过去多少个时间点来预测下一个时间点。这一步跟RF的滞后特征思路类似，但结构上更严格，它要求数据按时间顺序排列成窗口。

假设数据已经整理成DataFrame，每一行是一个月份，列包含目标浓度和筛选出的特征，下面这段代码生成LSTM需要的三维数据集：

import numpy as np from sklearn.preprocessing import MinMaxScaler # 选择建模使用的特征列 feature_cols = ['nitrate', 'cum_rain_3m', 'water_level', 'temperature'] data = df[feature_cols].values # 标准化 scaler = MinMaxScaler() scaler.fit(data[:train_len]) # 只在训练集上拟合 data_scaled = scaler.transform(data) def create_sequences(data, n_steps): X, y = [], [] for i in range(n_steps, len(data)): X.append(data[i-n_steps:i, :]) # 过去n_steps个时刻的全部特征 y.append(data[i, 0]) # 预测目标是第一列nitrate return np.array(X), np.array(y) n_steps = 12 X, y = create_sequences(data_scaled, n_steps) # 按时间顺序切分 X_train, y_train = X[:train_len], y[:train_len] X_val, y_val = X[train_len:train_len+val_len], y[train_len:train_len+val_len] X_test, y_test = X[train_len+val_len:], y[train_len+val_len:]

窗口长度n_steps的选取很有讲究。按月采样数据，12代表用过去一年的模式预测下一个月，符合季节性周期长度。窗口太小，模型看不到季节规律；窗口太大，样本量又不够，因为总样本数等于len(data)-n_steps。我通常会在4、6、8、12这几个值之间用验证集快速试验，选误差最小的。

标准化细节上，如果目标浓度分布严重右偏，也就是偶尔出现极高值，单纯MinMaxScaler会把正常值全部压缩在一个很小的区间里，导致模型学不到区分度。这种情况我会对目标变量先取对数，再归一化，预测后反变换回来。

4.3 网络结构与训练参数设计

地下水数据样本量通常只有几十到几百条，LSTM结构必须精简。我常用的初始配置是单层LSTM、32到64个隐单元、接一个Dropout(0.2)，再接一个输出为1的全连接层。激活函数输出层用linear，回归任务不用sigmoid或tanh。优化器用Adam，学习率初始0.001，损失函数用MSE或MAE。

下面是完整训练代码，包含早停和学习率自动下调：

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau model = Sequential() model.add(LSTM(64, activation='tanh', input_shape=(X_train.shape[1], X_train.shape[2]))) model.add(Dropout(0.2)) model.add(Dense(1)) model.compile(optimizer='adam', loss='mse', metrics=['mae']) early_stop = EarlyStopping(monitor='val_loss', patience=15, restore_best_weights=True) reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=5, min_lr=1e-5) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=200, batch_size=16, callbacks=[early_stop, reduce_lr], verbose=1 )

EarlyStopping的patience设15，是因为小样本训练时验证集噪声大，过早停止容易错过最优轮次；但设太大又会过拟合。ReduceLROnPlateau让模型在验证集陷入平台时自动把学习率减半，这个技巧在小数据集上比手动调学习率有效得多。训练时同时输出MAE，方便判断误差大小是否在可接受范围。

batch_size方面，数据量小的时候不推荐设太大，16就够。设成32或64会导致每个batch包含的样本过于相似，梯度更新方向不稳定。

4.4 反归一化与评估指标选择

预测值在0-1区间，需要反归一化回真实浓度才能算指标。这一步要注意，如果没有对目标变量单独做对数变换，直接用scaler.inverse_transform把整列预测结果还原就可以；如果做了对数变换，则要先还原标准化，再取指数。

评估指标我同时看RMSE、MAE和R²。RMSE对大误差敏感，污染物浓度异常高的时候RMSE会很难看，这恰恰是我想要的，因为污染预警关心的就是极端值。MAE更稳健，适合常规误差报告。R²描述模型相对均值基线的好坏，如果R²接近0甚至负数，说明模型还不如“拿历史均值当预测值”。实际径向对比时，还可以除以目标浓度的均值，得到归一化百分比误差，这样在不同监测井之间能横向对比。

可视化部分，画出训练集与测试集的真实值和预测值曲线，重点观察测试段。LSTM单步预测时测试集每步都给真实历史窗口，所以曲线贴合度高；但业务场景更多是多步推演，每次把上一步预测值当作下一步的历史输入，误差会逐级累积。我在项目里测试过，预测未来三个月时RMSE大约是单步预测的两倍，预测六个月则可能翻三倍以上。意识到这个上限，才能在业务侧合理设定“模型有效期”。

5. 两个模型的横向对比与融合思路

5.1 适用场景对比

把RF和LSTM放在同一批数据上跑完，结果往往不是一边倒。如果数据长度只有两年左右、序列平稳性差，RF经常不输LSTM，甚至更稳；如果数据有五年以上且季节规律明显，LSTM在滚动预测上的误差通常会低于RF，尤其是转折点附近的预测，LSTM对趋势变化的反应更灵敏。

我整理了一个对比表，方便按项目条件选型：

还有一点需要考虑：业务方是谁。如果团队要写环境调查报告，RF的重要性排序能直接支撑结论；如果是要搭一个实时预警系统，LSTM的时序表达能力更贴合业务。

5.2 加权融合与Stacking

两个模型各有优势，自然想到把它们的预测结果融合起来。最简单的做法是加权平均，权重在验证集上搜索。注意权重应该基于验证集而不是测试集，否则等于又偷看了一眼未来。我常从RF权重0.3、LSTM权重0.7起步，因为大部分场景下LSTM贡献更大，但也遇到过RF权重占到0.6反而更好的案例。

加权融合的代码如下：

# y_pred_rf 和 y_pred_lstm 分别是两个模型在测试集上的预测结果 best_w = 0.5 best_score = 1e9 for w in np.arange(0.1, 1.0, 0.05): y_ens = w * y_pred_rf + (1 - w) * y_pred_lstm score = mean_squared_error(y_test, y_ens, squared=False) if score < best_score: best_score = score best_w = w y_final = best_w * y_pred_rf + (1 - best_w) * y_pred_lstm

如果项目预算充足，可以做Stacking，把RF和LSTM的预测值作为新特征，丢给一个线性回归或简单的元模型来学习两个模型的权重组合。这里的关键是元模型要在验证集上训练，防止原始模型的预测偏差被元模型记住。

不过我也要泼一盆冷水：在样本量不到两百条的数据上，Stacking带来的提升通常很小，经常是误差降低一两个百分点，却增加了整个pipeline的复杂度和部署难度。优先建议先把加权融合做扎实，除非验证集上差异显著，否则不必上多层Stacking。

5.3 落地部署与重训练策略

模型要落地到项目里，不能只交一个预测精度报告。地下水浓度变化速度相对慢，模型没必要每天重训，但也不能一训定终身。我建议按月或按季度重训练一次，把新增监测数据纳入训练集，更新scaler统计量，再重新评估一次测试误差。环境条件变化之后，比如附近开始大规模基坑降水或者农业结构调整，之前训练的模型分布会逐渐失效，重训练可以及时发现这种漂移。

预测结果的不确定性也要给出来。给业务方只报一个数值点而不给区间，会让决策者过度信任模型。RF可以用分位数回归得到区间，LSTM可以在预测阶段多次启用Dropout，利用多次随机预测的标准差作为不确定性估计。这样做出来的“浓度范围”比单一数字更符合预警工作的实际需求。

此外，机器学习模型可以跟传统数值模型结合。数值模型物理机制清晰但参数标定费时，机器学习模型计算快但缺乏物理约束。用机器学习输出做数值模型的初值，或者用数据驱动结果辅助校核参数，都是比较稳妥的工程路线。

6. 常见问题与排查技巧实录

6.1 数据太短、缺失多，怎么处理

最常遇到的现象是某个新打监测井只有两年数据，LSTM一跑就过拟合。解决思路有三个：第一，改用RF做主力模型，它的结构简单且自带正则化效果；第二，把采样频率从月降为季度，减少序列长度反而能规避噪声，让模型专注于季节级规律；第三，做差分平稳化，把原始浓度序列转换为一阶差分序列，模型预测的是浓度变化量而不是绝对浓度，数据分布通常更平稳。

缺失值多的场景还有一个补救办法：借用附近同含水层监测井的数据做联合建模。不同井的水文地质条件相似时，浓度走势存在共性，多井数据的样本量比单井大得多。汇总建模时把井ID作为特征，或者按井分组做分层训练与验证，能缓解单井数据不足的问题。

6.2 训练不收敛或loss不降

LSTM训练过程里loss长时间不降，大概率是输入数据的问题，而不是网络结构的问题。先检查标准化是否做到位，有没有NaN残留在特征矩阵里；再检查学习率，默认0.001对大部分场景合适，但有些数据分布可能需要0.0005；最后看目标变量分布是否过偏，严重偏态时建议先取对数。

还有一种非常典型的现象是loss降下去了，但预测结果几乎是一条水平线。这通常意味着模型学成了“输出训练集均值”的保守解。出现这种情况，一是数据本身的时序信号可能很弱，二是网络结构过深，参数过多让小样本数据难以学到有效模式。我会把模型简化到单层LSTM，去掉Dropout之外的一切多余结构，如果水平线现象消失，再逐步增加复杂度。

6.3 预测转折点总慢半拍

时序模型预测污染物浓度，最常见的毛病是预测曲线比真实曲线滞后，真实值已经开始上升，预测值还在低位徘徊。这与LSTM的多步预测误差累积有关，也与损失函数天然偏向“平均误差最小”有关。极端高浓度样本在数据集中占比小，模型为了压低整体误差，宁愿预测居中也不去抓高值。

针对性做法是给高浓度样本更高权重。改用加权MSE，或者结合污染物限值设置分位数损失，让模型更关注超标段。另一个思路是加入前瞻性特征，把未来三个月的天气预报数据（如预计降雨量）作为特征输入，模型便能提前感知可能的高浓度时点。这个做法在业务上是合理的，因为预警系统本来就可以拿到气象预报。

6.4 一个反直觉的经验

在某个模拟项目里，我把大量时间花在LSTM的调参上，反复试窗口长度、隐单元数、dropout比例，测试集误差始终卡在某个水平。后来回头用RF算特征重要性，发现某一口监测井里，RF结果认为目标浓度的滞后一期值重要性接近0，而三个月前降雨量重要性极高。顺着这个线索检查数据，才发现那口井的采样时间与降雨数据存在两个月的系统错位，之前的LSTM一直在用一个错误对齐的数据集学习，效率自然低下。

那次之后我养成一个习惯：任何模型训练之前，先让RF跑一遍重要性排序，再画几个关键特征与目标的散点图，确认数据质量和物理逻辑都合理，才把样本交给深度学习模型。复杂模型的性能上限往往在模型之外，数据质量和特征设计才是决定成败的地基。

最后分享一点个人体会：地下水污染预测这类项目，最终交付的价值不在于模型多高级，而在于能稳定解释“为什么预测会是这样”。先把RF这种树模型吃透，再用LSTM去提升精度，比一上来就追求最前沿算法靠谱得多。如果未来监测数据积累到五年以上，还可以尝试引入注意力机制或者时序Transformer，但在那之前，先把数据、特征和这两套成熟模型的基本功打扎实，项目成功率会高很多。