渗滤液是垃圾填埋场的主要污染源,即使在垃圾填埋场关闭后,其不利影响仍会持续数年。近年来,地球物理方法被认为是绘制渗滤液羽流分布图像的有效工具。然而,它们只能生成单个物理变量的地下横截面图,因此根据地球物理模型作出的解释可能模棱两可,所圈出的污染区也存在不确定性。在这项工作中,我们提出了一种基于机器学习的方法,通过有效综合地电层析成像数据来绘制渗滤液污染分布图。我们将提出的方法应用于查明两个城市垃圾填埋场的特征。在这两个例子中,都对其数据集进行了多变量分析。这些数据集包括从以前反演的模型剖面中提取出的电阻率、荷电率和归一化荷电率(荷电率与电阻率之比)等数据。通过K-Means聚类分析,我们发现两个城市数据集的最佳分区分别包含10个和11个类。通过这种分类并引入基于距离的颜色编码,我们获得了新的横截面图,并得到了一种简单且少有歧义的渗滤液聚集区识别方法。聚集区的特点是其坐标值(即电阻率、荷电率和归一化荷电率)分别<3Ωm、>27mV/V和11mS/m。我们的发现也得到其中一个调查场地的钻孔数据支持,表明地球物理成像和无监督机器学习方法的结合使用令人期待,可以为垃圾填埋场渗滤液分布区的表征和污染评估提供新的工具。