《Ecotoxicology and Environmental Safety》:Rapid and uncertainty-aware source tracing of accidental river pollution using surrogate-assisted Bayesian inversion
编辑推荐:
Fan Wang|Jianmin Bian|Yu Wang|Xiaoqing Sun|Yuqi Lou教育部吉林大学地下水资源与环境重点实验室,吉林大学,长春市130021,中国摘要快速识别意外污染物泄漏对于降低河流的生态风险至关重要,但直接反演方法在紧急情况下往往速度过慢。本研
Fan Wang|Jianmin Bian|Yu Wang|Xiaoqing Sun|Yuqi Lou
教育部吉林大学地下水资源与环境重点实验室,吉林大学,长春市130021,中国
摘要
快速识别意外污染物泄漏对于降低河流的生态风险至关重要,但直接反演方法在紧急情况下往往速度过慢。本研究针对中国东北地区的东辽河突发地表水污染事件,构建了一种基于替代模型的贝叶斯反演框架。通过基于过程的水动力-水质模型生成虚拟事故数据库,进而利用重新优化的基于水母搜索的核极值学习机作为非线性源-响应关系的快速替代模型。该替代模型与贝叶斯-粒子群优化反演算法相结合,用于估算源变量并量化条件不确定性。在20个污染物监测点的测试中,JS-KELM在独立测试集上的R2值为0.9565,皮尔逊相关系数为0.9781。与GPR、SVR、ANN和JS-BP等方法相比,GPR和SVR的表现也很优异,而JS-KELM则在精度、速度、小样本稳定性以及多次反演能力之间取得了良好平衡。在多监测点情况下,MAP估计的平均相对误差为5.12%,浓度重建的R2值为0.9962,平均绝对百分比误差为2.73%;在监测点较少的情况下,平均相对误差上升至10.96%,但浓度重建的精度依然很高,R2值为0.9965,平均绝对百分比误差为4.41%。后验分布进一步确定了约束较弱的变量及可能的污染源范围。使用密苏里河的示踪剂数据进行的外部验证证明了该框架的通用性。所提出的方法为紧急情况下的河流污染源追踪提供了一种快速、具有物理依据且能考虑不确定性的工具。
抱歉,出现了一些错误。请再试一次,并确保已启用Cookie功能。