一种融合信息熵与机器学习的两阶段框架用于环状河网中污染源快速识别

《Journal of Hydrology》:A two-stage framework integrating information entropy and machine learning for rapid pollution source identification in looped river networks

【字体: 大 中 小 】 时间:2026年10月02日 来源:Journal of Hydrology 7.3

编辑推荐:

   •两阶段框架实现了环路河网中的快速污染源识别。•IE-ML 实现了 98% 以上的河流识别准确率。•IE-EF 在五条代表性河流中以低于 1 公里的平均绝对误差 (MAE) 定位污染源。•该框架在噪声、流量变异性及多污染源条件下进行了评估。引言随着工业化和城市活动的加剧,突发

  
  • •
    两阶段框架实现了环路河网中的快速污染源识别。
  • •
    IE-ML 实现了 98% 以上的河流识别准确率。
  • •
    IE-EF 在五条代表性河流中以低于 1 公里的平均绝对误差 (MAE) 定位污染源。
  • •
    该框架在噪声、流量变异性及多污染源条件下进行了评估。

引言

随着工业化和城市活动的加剧,突发性水污染事件变得更加频繁。它们迅速降低水质,扰乱饮用水供应,并造成巨大的生态和经济损失。水质监测不足持续威胁公共健康和日常生活,全球许多人仍然无法获得安全的饮用水 (Al-Tohamy 等人,2022, Uddin 等人,2023, Yang 等人,2016)。在中国,每年报告的近 1,000 起水污染事件中,许多发生在高度工业化的东部沿海地区 (Chai 等人,2020, Huang 等人,2022)。常见原因包括非法工业排放、运输事故、建筑径流和不当废物处理 (Wu 等人,2018)。这些事件通常以短时间内污染物浓度迅速上升至安全阈值以上为特征 (Bello 等人,2024)。快速识别污染源对于应急响应和风险控制至关重要 (Wu 等人,2020)。早期源识别有助于缩小搜索范围,改善监测,并促成更快的行动。然而,污染物受平流、扩散和物理化学反应的影响,而监测数据往往有限或延迟 (Zhang 等人,2011, Zhao 等人,2024)。因此,在短时间内识别污染源仍然困难。
在过去四十年中,水系统污染源识别领域开发了各种方法,包括确定性、概率性、数据同化和数据驱动方法 (Mahinthakumar and Sayeed, 2005, Yin 等人,2023)。早期研究通常将污染源识别视为优化问题 (Wang 等人,2022)。他们使用了诸如最小二乘法 (Alapati and Kabala, 2000)、正则化 (Skaggs and Kabala, 1994, Ak?elik 等人,2003)、遗传算法 (Aral and Guan, 1996, Leichombam and Bhattacharjya, 2016, Ritzel 等人,1994) 和模拟退火 (Jha and Datta, 2011, Rao, 2006) 等方法来估计未知源参数。后来,引入了概率和数据同化方法来处理模型和观测中的不确定性,特别是在实时应用中。这些方法包括贝叶斯推断 (Hazart 等人,2014, Wu 等人,2020, Yang 等人,2016)、后向概率方法 (Cheng and Jia, 2010, Ghane 等人,2016, Hwang 等人,2020) 和集合卡尔曼滤波 (Evensen, 2003, Chen 等人,2018, Xu and Gómez-Hernández, 2016, Zhang and Huang, 2017)。例如,Wang 等人 (2019) 将后向定位概率与集合卡尔曼滤波相结合,用于河流系统中的快速在线污染源识别。最近,人工智能的进步促进了数据驱动方法在污染源识别中的应用 (Secci 等人,2022)。机器学习 (ML) 对污染源识别很有用,因为它可以处理非线性关系和高维响应数据 (Banerjee 等人,2022, Wu 等人,2021, Kwon 等人,2021)。近年来,地表水系统中的污染源识别得到了越来越多的探索,相关方法也得到了进一步发展 (Cheng and Jia, 2010, Ghane 等人,2016, Lee 等人,2018, Wang 等人,2019, Kwon 等人,2021)。然而,许多关于河流系统的研究仍然关注单条河流或树状河网中的直接污染源识别,而环路河网则受到的关注少得多。
在环路河网中,由于网络结构和污染物传输高度复杂,直接在整个网络上进行污染源识别很困难 (Sarker 等人,2019, Yang 等人,2021)。在这种情况下,我们需要首先识别含有污染源的河流,然后才能识别确切的源位置。因此,第一步可以表述为分类问题。一个难点是浓度时间序列是高维的,这使得它们难以直接用于快速识别 (Telci 等人,2011; Lee 等人,2018)。Wang 等人 (2025) 开发了一个两阶段污染源识别框架,使用多种传统统计特征进行河流识别 (RI) 和后向定位概率密度 (BLPD) 方法进行位置识别 (LI)。直接使用原始时间序列数据计算成本高昂。此外,诸如相对峰值浓度和方差等常见描述符包含的源相关信息有限 (Srivastava and Singh, 2014, Ghane 等人,2016, Cheng and Jia, 2010, Brooks and Wise, 2005)。因此,快速便捷地从污染响应数据中提取有用信息很重要。
在本研究中,引入香农信息熵作为每个突破曲线 (BTC) 整体时间分布的紧凑标量表示,该曲线描述了监测站污染物浓度的时间变化 (Kwon 等人,2021)。信息熵 (IE) 最初由香农 (1948) 提出,越来越多地用于与水相关的研究中,以描述系统的不确定性和复杂性 (Karamouz 等人,2009, Shi 等人,2018)。近年来,它也被用于污染物传输和水质监测。例如,Pang 等人 (2023) 将空间熵与水动力佩克莱数联系起来,并表明 IE 与污染物传输和扩散有关。Yang 等人 (2024) 发现空间熵与可靠污染源识别所需的临界观测时间之间存在显著负相关关系。综上所述,现有研究表明 IE 捕获了有关污染物传输和扩散的有用信息。遵循这一逻辑,我们的研究应用 IE 从监测数据中提取和分析污染物传输信号。
为了应对环路河网中污染源识别的挑战,本研究提出了一个整合 IE 和 ML 的两阶段框架。通过使用 IE 从监测数据中提取关键的污染物传输信号,任务被分为 RI 和 LI。RI 首先识别含有污染源的河流,而 LI 随后确定其中的确切源位置。这种两阶段策略有效地减少了高维搜索空间并缓解了环路网络的结构复杂性。为了验证其在应急响应中的实际可靠性,该框架在各种不确定性条件下进一步进行了评估,包括测量噪声、水动力变异性及多污染源污染案例。

章节摘要

方法学

该方法学遵循 Wang 等人 (2025) 引入的两阶段层次结构。然而,两个阶段使用的特征表示和识别方法均经过重新设计,以实现快速污染源识别。如图 1 所示,该框架整合了四个关键组件:数据采集与处理、RI、LI 和可靠性评估。在获取和处理监测数据后,执行 RI 以识别含有污染源的河流

案例研究

为了便于进行受控的方法学比较,本研究采用了 Wang 等人 (2025) 之前调查过的珠江流域代表性环路河网 (图 5)。该案例保留了环路河系统的主要连通性和水力特征 (Hafsi 等人,2018)。计算域由 12 条具有梯形截面的河流 (R1–R12) 和 9 个交汇点 (N1–N9) 组成。边界条件在河流 R1–R4 的外部节点处指定,

讨论

该两阶段框架在基准案例中表现良好。然而,实际工程应用通常涉及更复杂和不确定的条件。例如,监测数据经常受到测量误差的影响,不同事件的流量条件不同,且可能存在多污染源污染事件。因此,本节评估了所提出框架在测量噪声、水动力变异性及多污染源污染案例下的稳定性。

结论

本研究提出了一个用于环路河网中快速污染源识别的两阶段框架。通过将浓度和流量时间序列转换为信息熵 (IE) 特征,污染源识别问题被分为两步:河流识别 (RI) 和位置识别 (LI)。在 RI 阶段,IE 特征被用作机器学习模型的输入,以识别含有污染源的河流。在 LI 阶段,IE-EF

CRediT 作者贡献声明

赵乐昊 (Lehao Zhao):撰写 – 原稿,可视化,验证,软件,方法论,调查,形式化分析,概念化。 王佳彪 (Jiabiao Wang):撰写 – 审阅与编辑,可视化,监督,经费获取,数据管理,概念化。 赵同铁岗 (Tongtiegang Zhao):验证,监督,调查,数据管理。 陈晓红 (Xiaohong Chen):监督,软件,资源,概念化。

资金

本研究得到了中国国家重点研发计划 (批准号 2023YFC3209403) 和中国国家自然科学基金 (批准号 52109047) 的支持。

未引用参考文献

Telci and Aral (2011)。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能会影响本文报告的工作。
赵乐昊 | 王佳彪 | 赵同铁岗 | 陈晓红
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号