摘要: 工业聚集区因长期高强度工业活动，面临多源复合污染渗漏与排放的严峻挑战，在监测网络稀疏的区域，污染物持续迁移扩散，对区域生态环境与公共健康构成潜在威胁。地下水污染精准溯源是实施有效修复与风险管控的前提，其核心在于联合反演非均质弥散系数场与未知污染源项。然而，该过程长期受困于现场监测数据极度稀疏、高噪声干扰以及反演问题高度不适定的瓶颈，传统方法在精度与稳定性上难以满足工程需求。针对上述难点，本文提出一种基于物理信息神经网络（PINN）的联合反演框架。通过构建多输出深度学习网络，在损失函数中耦合地下水溶质运移控制方程的物理约束，并引入总变差（TV）与L1范数混合正则化策略，有效缓解了弥散系数场空间平滑性与污染源项稀疏性之间的耦合矛盾，提升了反演的数值稳定性与物理合理性。研究设计了单/双污染源典型数值算例以验证方法的有效性。结果表明，即便在仅布设少量监测井且数据含有5%–15%高斯噪声的极端条件下，该方法仍能稳健重建非均质弥散系数场（相对L2误差8.2%–12.5%），精准识别污染源位置（定位误差2.1–4.2m）与强度（相对误差15.3%–22.8%），浓度场预测决定系数(R2)分别达到0.963与0.924。本研究为工业密集区在低数据密度条件下的地下水污染溯源提供了一种适应性较强且具备抗噪能力的技术手段，对保障水资源安全具有参考价值。