在应对落实“碳达峰碳中和”目标的行动计划中，二氧化碳捕集、利用和封存（CCUS）是关键技术和托底技术保障，其中二氧化碳地质封存（CGS）是CCUS技术的关键组成部分。相关研究发现，在应力、温度、流体、化学和生物作用的综合影响下，二氧化碳地质封存地质体可能会变得不稳定，引发潜在地质灾害。为科学有效地开展二氧化碳地质封存工作，确保二氧化碳封存资源安全，有效调控二氧化碳地质封存风险，应首先开展二氧化碳地质封存工程选址工作。其中，场地级选址作为工程选址的起点及规划选址和工程选址的重要部分，是确保二氧化碳地质封存安全性的核心环节。当前选址过程中主要通过层次分析法和多因子空间叠加法获取各层次要素的权重并进行排序，从而对研究区的网格进行评价和分级，最后经过加权计算得出研究区二氧化碳地质封存场址适宜性。然而，其所采用的选址系统较为复杂，选址指标较为粗略，指标权重具有较大主观性。因此，建立一个优化的选址模型势在必行。机器学习算法已经在碳封存相关领域得到了广泛应用，但目前关于二氧化碳地质封存场址选址的研究较少。通过机器学习的手段，开展二氧化碳地质封存场址优选研究，将完善二氧化碳地质封存选址指标体系，提高选址精度和效率，推动选址智能化发展。

中国科学院地质与地球物理研究所路伟和导师祁生文研究员等人开展了二氧化碳地质封存场址优选研究。研究以鄂尔多斯盆地神华CCS示范工程为例，结合地理信息系统，将二氧化碳地质封存项目场址划分为362列246行，共获得89052个场址栅格单元数据（图1），通过深度神经网络（DNN）、极端梯度提升树（XGB）、随机森林（RF）、支持向量机（SVM）和K近邻算法（KNN）五种机器学习模型（图2），以“与采煤塌区距离、与活动断裂距离、与居民点距离、地貌类型、地势、地形坡度、土地利用类型、与碳源距离”等8个场址评价指标为输入特征，以“适宜”、“较适宜”、“一般适宜”、“较不适宜”和“不适宜”5个适宜性等级为输出特征，分析了不同模型预测的稳定性，优化了相关选址指标体系，提出了机器学习指标优化流程，开发了快速评估模型。

图1 场址适宜性结果

图2 研究框架

结果表明，五种模型的准确度均超过95%（图3），即五种模型对选址评价指标均有强大判别能力；其中DNN模型准确度最高，达96.4%，表明其在选址方面具有更可靠的稳定性和更广泛的适用性。基于高准确度的XGB、RF和SVM三个模型，提出了指标优化流程。他们根据指标重要性学习结果，综合工程地质、封存潜力和社会经济等条件，将8个选址指标划分为重要指标（含“与采煤塌陷区距离”、“与活动断裂距离”、“与居民点距离”和“地貌类型”）、次重要指标（含“土地利用类型”和“地势”）和一般指标（含“与碳源的距离”和“地形坡度”）三类。同时，采用准确度最高的DNN模型，对不同指标组合的选址指标体系进行学习预测，发现仅考虑前述划分的重要指标即可获得令人满意的评估结果（图4），且预测准确度高达85.67%。这对解决选址过程中关于指标冗杂难以选择或数据不完整无法评价的问题，具有重要意义。

图3 各模型预测结果

图4 不同数量指标组合下最高精度预测结果（d1-与采煤塌陷区距离，d2-与活动断裂距离，d3-与居民点距离，d4-地貌类型，d5地势，d6-地形坡度，d7-土地利用类型，d8-与碳源距离）

此外，在选址过程中，由于工程项目的特殊性，可用数据有限，获取用于评估适宜性指标的数据面临着巨大挑战。他们利用DNN模型，通过改变数据集划分方法来控制数据量，建立了一个初步的快速评估模型。结果表明，不同数据集划分模式的准确度均高于95%（图5，图6）。其中，相比其他模型，模式1采用的数据集有丰富的多样性和随机性，确保了它更高的准确度。值得注意的是，模式4训练集数据量仅为模式1的24.55%，但DNN模型的准确度仍然可保持在95%以上。这凸显了该模型利用有限数据实现稳健预测的能力。因此，DNN模型能有效利用较少的数据进行快速评估，为后续的选址工作提供重要的参照和指导。

图5 （a）不同数据集划分模式；（b）不同模式预测准确度

图6 不同数据集模式预测结果

研究结果优化了相关选址指标体系，提出了机器学习指标优化流程，开发了二氧化碳地质封存选址快速评估模型，有助于解决当前碳封存选址所面临的繁杂选址指标遴选和有限选址数据筛选的问题。该研究采用的8项指标已经过工程检查验证，目前项目运行良好，确保了选址结果的可信度。该研究结果的应用前景广阔，有望为越来越多的在选拟选的二氧化碳地质封存项目提供科学支撑。

研究成果发表于国际学术期刊G4（Lu Wei, Qi Shengwen*, Zheng Bowen*, Zhang Wang, Wang Zan, Ru Yi, Zhang Yan, Ma Lina, Diao Yujie, Fu Lei. Optimisation study of carbon dioxide geological storage sites based on GIS and machine learning algorithms[J]. Geomechanics and Geophysics for Geo-Energy and Geo-Resources, 2025, 11(1): 1-19. DOI: 10.1007/s40948-025-00945-3.）。研究得到了国家自然科学基金项目（42141009）、中国科学院地质与地球物理研究所重点部署项目（IGGCAS-202201）等项目资助。

路伟（博士生）