摘要：准确估计重金属等污染物的空间分布是污染场地调查的重要内容。在本文中，我们发展了一种新的深度学习（DL）算法，该算法通过构建临近神经网络预测目标点的浓度。结果表明，在20个虚拟场地和单个实际场地的对比测试中，相较于克里金算法的插值结果，所开发的DL算法的插值结果的平均精度分别提高38.2%和11.2%~36.6%。结果还表明，对于空间异质性较为显著的污染场地，该方法能缓解克里金算法中的平滑效应和边缘效应，从而取得较好的效果。进一步研究发现，该方法的预测精度随着邻近点个数的增加先增大后减小。而当临近点数量超过某一阈值（n = 64）时，采样密度的影响十分有限。作为将DL算法应用于单个污染场地的初步尝试，本研究为识别重金属空间分布提供了一种精度更高、不确定性更低的鲁棒替代方法。