水污染仍然是全球环境安全面临的一个严峻且持续的威胁,一直受到科学界和政策制定者的密切关注。这一问题的产生主要是由于废水成分的复杂性以及可能的非法排放行为(Saxena, 2025; Shi, 2020)。世界卫生组织2023年的数据显示,每年约有357万人死于与受污染水源相关的疾病(Maged et al., 2023)。这凸显出迫切需要高效准确地定位各种水系统中的广泛分布的点源污染(Grbcic et al., 2020)。
传统方法通常是根据污染物的物理化学特性来追踪其来源。例如,三维激发-发射矩阵(3D-EEM)光谱技术可以识别水中的光谱峰和污染物浓度,然后将其与荧光数据库匹配,从而确定污染物来源(Zacharioudaki et al., 2022; Zheng et al., 2013)。然而,工业污染物种类的不断增加使得光谱模式愈发复杂,这就需要不断扩展和更新数据库(Yuan et al., 2025)。此外,化学成分相似的废水会产生几乎相同的“指纹特征”,极大地限制了光谱匹配的区分能力(Zacharioudaki et al., 2022)。
基于正向模拟的方法为污染源定位提供了可靠的数据基础,因为它们通过运用优化算法构建和校准水力模型或水质模型,从而生成高质量的分析数据(Wu et al., 2023)。根据模拟数据的利用方式,这些方法可分为模拟优化法、概率选择法和替代模型法三类(Gómez-Hernández and Xu, 2022; Moghaddam et al., 2021; Todaro et al., 2021)。具体而言,这些方法要么将模拟结果融入优化过程,要么将模拟输出作为贝叶斯先验值,或是对模拟的输入输出关系进行近似处理。不过,随着环境法规和科学知识的不断发展,水动力模型的复杂性也大幅增加。这就要求现有模型能够纳入多个污染源和不同的化学形态(Eid et al., 2025; Hfaiedh et al., 2025),考虑污染物传输过程中的生化变化,以及沉积物和土壤中的吸附-解吸动态(见图1)。这些要求大大提升了计算的难度和模型的复杂度(Asher et al., 2015; Keating et al., 2010; Yu et al., 2020)。
将人工智能和大规模数据分析技术与水动力模型相结合,显著提升了地表水、地下水和饮用水系统的水质预测精度(Elsayed et al., 2021; Gad et al., 2023, Gad et al., 2024)。这使得污染源的定位更加精准,且计算效率更高。尽管取得了这些进展,但一些根本性挑战依然存在,尤其是污染源属性(如起始时间、位置、排放模式和污染物数量)本身就具有非唯一性和时空变异性,这些因素会给定位研究带来较大的不确定性(Zhao et al., 2025)。
本综述系统地研究了目前用于点源水污染定位的正向模拟方法,分析了这三种技术的发展趋势及其相互关联。同时,还总结了模型透明度不足、新污染物识别以及多源数据整合等长期存在的 metodological和实际应用方面的挑战。总体而言,本工作为研究人员和工程师在选择方法方面提供了实用指导,同时也指出了未来的研究方向。