时间序列反演重金属和非重金属水质参数并利用CNN-BiLSTM-Attention和PLS-SEM揭示其驱动机制

《Ecological Indicators》:Time-series inversion of heavy metal and non-heavy metal water quality parameters and reveal their driving mechanisms using CNN-BiLSTM-Attention and PLS-SEM

【字体: 大 中 小 】 时间:2026年07月17日 来源:Ecological Indicators 8.7

编辑推荐:

  监测饮用水源中的重金属和其他污染物对于保护公众健康、确保社会稳定和促进生态可持续发展至关重要。传统的定点采样方法存在空间覆盖不足、重金属遥感信号弱以及难以实现稳健长期反演等重大挑战。为克服这些局限,研究人员开发了一种多维度时间序列特征融合模型(CNN-BiLS

  
监测饮用水源中的重金属和其他污染物对于保护公众健康、确保社会稳定和促进生态可持续发展至关重要。传统的定点采样方法存在空间覆盖不足、重金属遥感信号弱以及难以实现稳健长期反演等重大挑战。为克服这些局限,研究人员开发了一种多维度时间序列特征融合模型(CNN-BiLSTM-Attention)用于水质参数反演。该模型集成了卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(Attention mechanism),实现了对溶解氧(DO)、化学需氧量(COD)、氨氮(NH3-N)、氟化物(F?)、高锰酸盐指数(CODMn)、锌(Zn)、硒(Se)和汞(Hg)共八项指标的月度反演。研究人员探究了平水期、枯水期和丰水期下重金属与非重金属水质参数的时空演变规律。构建了偏最小二乘结构方程模型(PLS-SEM),以量化气候、人类活动和水文特征对八项水质参数动态变化的直接和间接影响,从而识别其主要驱动因素。结果表明,CNN-BiLSTM-Attention模型通过捕捉水质参数间的非线性时空关系显著提升了反演性能(平均R2 = 0.791),相比传统CNN-LSTM模型(平均R2 = 0.599)提升了32.05%。从2018年到2024年,整体水质呈现改善趋势,其中Hg、Zn、Se和COD浓度显著下降(最大降幅68.3%),而DO和NH3-N略有上升。空间上,枯水期污染物在库区边缘和支流汇合处累积,丰水期则向库心迁移。值得注意的是,低DO区域与库区西南支流CODMn和COD峰值区域高度重叠。PLS-SEM揭示,有机污染负荷(CODMn、COD)是驱动重金属演变的核心枢纽,与重金属指标(Hg、Se)呈强正相关(β = 0.946,P < 0.001)。人类活动对耗氧污染物(DO、NH3-N)具有直接负向效应(β = ?0.359,P < 0.01),并通过有机污染负荷路径间接调控重金属动态(β = ?0.432,P < 0.05)。气候因子(主要为降雨量,β = 0.534,P < 0.1)和水温(β = ?0.562,P < 0.05)构成了重金属演变的动态基础。所提出的时间序列反演与驱动机制分析方法,能够实现水体中重金属和非重金属的时间监测与归因分析,为饮用水源水质管理提供可靠的科学支撑。
**研究背景与问题**

水库作为全球不可或缺的饮用水源地,在保障区域水安全与支撑社会经济发展中扮演关键角色。然而,快速工业化和城市化加剧了工业废水、农业径流等非点源污染,导致饮用水水库面临耗氧物质、营养物、有机物及重金属等复合污染物的严峻挑战。其中,重金属因其难降解、可生物富集且具有高毒性而尤为突出,一旦进入水体,易吸附于悬浮颗粒或沉积物,在水文扰动或环境波动下重新释放至水柱,造成二次污染。与传统污染物(如氮、磷)相比,重金属对水质安全的威胁更为关键,通过饮水摄入和食物链传递在生物和人体中蓄积,对公共健康和区域生态安全造成长期不可逆损害。因此,重金属已成为全球水污染治理的首要目标。开发高精度、高效率的重金属监测方法以实现饮用水源地精准水质评估,是亟待解决的关键科学问题。

传统水质监测依赖定点采样与实验室分析,虽可获得高精度理化测量值,但固有缺陷包括空间覆盖有限、劳动成本高、时间分辨率低,尤其对于低浓度、高隐匿性的重金属,定点采样易产生空间盲区。遥感技术具有大范围同步观测、连续多时相监测和不受地形约束等优势,可快速捕捉水体时空动态,为水质参数空间异质性分析提供了创新手段。水质参数根据其对光谱吸收和散射的影响分为光学活性参数和非光学活性参数。以往研究多聚焦于通过反射率光谱与水质成分(如悬浮物和叶绿素a)之间的经验关系反演光学活性参数。近年来,研究逐渐转向非光学活性参数,如总氮、总磷、溶解氧(DO)和化学需氧量(COD)等。这些参数缺乏直接光谱特征,其反演主要依赖于与光学活性物质的间接相关性或对水体整体光学特性的微弱影响。

多光谱遥感结合先进算法可识别和量化非光学活性参数。高光谱遥感凭借连续窄波段光谱信息,有潜力区分光学特征与非光学活性参数的微弱相关性,从而提升反演精度。然而,不同重金属的光谱特征差异显著,其表观光学行为受环境条件强烈制约,构成构建普适性反演模型的重大障碍。当前直接通过遥感估算重金属浓度的精度仍然有限。值得注意的是,尽管重金属本身非光学活性,但在特定水体环境中可通过吸附-解吸到悬浮颗粒、共沉淀及与溶解性有机物的络合等机制间接改变水体整体光学特性,为基于间接相关性的遥感反演方法提供了理论基础和可行途径。

遥感时间序列水质反演方法主要包括经验模型、机器学习和深度学习三类。经验模型因结构简单、计算高效、局部表现强而广泛应用,但依赖区域统计关系,可迁移性差。机器学习方法通过多层非线性映射自动提取特征,可有效建模复杂关系,但在重金属间接反演方面应用有限且模型可解释性不足。深度学习方法通过多层神经网络结构自动从数据中学习深层特征表示,促进遥感信息的光谱、时间和空间维融合,为提升复杂水质参数长时序反演的鲁棒性提供了有前景的路径。然而,多驱动因素与水质动态之间的机制路径仍未被充分理解。

深度学习在从多源遥感图像中提取特征和预测水质参数方面具有独特优势,支持低浓度、动态变化的重金属参数时间序列反演。传统单向长短期记忆网络(LSTM)模型被广泛用于常规水质参数时间序列反演,但仅捕获单向时间依赖,忽略了水质参数的前向和后向时间关联,且缺乏空间特征提取能力,导致反演精度受限。研究表明,CNN-BiLSTM-Attention模型通过集成卷积神经网络的空间特征提取能力、双向长短期记忆网络(BiLSTM)对前向和后向时间依赖的建模能力以及注意力机制对关键信息的动态加权功能,可提升多尺度特征融合效率并控制模型复杂度。尽管该架构在时间序列信号分类和预测任务中表现优异,但在饮用水源地等复杂水体环境中的水质时间序列反演有效性和适应性尚待验证。

可持续水资源管理要求深入理解水质变化驱动机理。传统研究常聚焦于单一驱动因素,忽略了人类活动、气候变化和水文特征之间复杂交互作用的综合效应。人类活动通过污染物排放和水利工程影响水质;气候变化通过降水模式和温度波动影响水体环境过程;水文特征通过流速、水位和水温等因子调节污染物迁移、吸附和释放。现有研究常用多变量统计和排序技术如冗余分析(RDA)、典型对应分析(CCA)和主成分分析(PCA),虽能有效识别变量间统计相关,但难以区分不同驱动因素的主次作用,更无法揭示多因子协同效应的路径结构。相比之下,偏最小二乘结构方程模型(PLS-SEM)凭借潜变量能力,可分析复杂路径结构,区分各驱动因素的贡献及协同机制,并整合多源数据进行多路径耦合效应分析。

**研究概述**

为应对上述问题,研究人员构建了CNN-BiLSTM-Attention模型对八项水质指标进行时间序列反演,并利用PLS-SEM定量分析人类活动、气候变化和水文特征对水质演变的驱动机制。研究区域为洪潮江水库(位于广西),该水库是北部湾地区大型水利枢纽和灌溉区,服务于约180万人口。研究人员使用2018年至2024年月度现场水质样本(共192个样本,来自广西水文中心监测站),结合Sentinel-2 MSI多光谱影像(经大气校正、云掩膜、重采样至10米分辨率),通过Pearson相关系数筛选特征变量(60个光谱特征中保留|r|≥0.3的最优特征集),构建了用于八项水质参数反演的特征数据集。模型训练与测试按7:3比例时间分割(2018-2022训练,2023-2024独立验证)。关键技术创新包括:(1)CNN-BiLSTM-Attention模型:包含三层一维卷积模块(每层256个1×1卷积核,嵌入L2正则化和Dropout)提取局部时空特征;注意力模块(基于全局平均池化和全连接层)重校准特征权重;双层BiLSTM捕获前向和后向时间依赖(训练阶段双向,部署阶段单向)。优化采用两阶段训练策略(先冻结循环层训练卷积模块,再联合微调),配合学习率衰减和早停机制(以验证集R2为监控指标)。(2)PLS-SEM:构建混合结构方程模型,以工业GDP和潜在农业污染指数(PAPLI=GDPAgricultural×ln(Rainfall))为人类活动观测变量,降雨量和气温为气候变量,水温为水文特征变量;通过外载荷筛选(保留>0.70指标),最终将重金属(Hg、Se)、有机污染(DO、NH3-N)和耗氧水质(COD、CODMn)作为内生潜变量。模型评估包括组合信度(CR)、平均方差提取(AVE)、预测相关性(Q2)和标准化均方根残差(SRMR)等指标,并通过5000次自助抽样进行路径显著性检验。

**研究结果**

**4.1 不同模型的反演精度**

**4.1.1 CNN-BiLSTM-Attention模型**:该模型在2023-2024年间对八项水质参数表现出优异反演性能,平均R2超过0.7,平均RMSE为0.212。空间上,三号监测站精度最高(R2=0.810)。不同水文时期中,平水期反演精度最高(RMSE=1.432),枯水期次之(RMSE=1.581),丰水期最低(RMSE=1.740)。Hg、Se和NH3-N未出现显著时间扰动,表明模型对这些指标具有高精度和时间一致性。

**4.1.2 CNN-LSTM模型**:CNN-LSTM模型平均R2=0.569,显著低于CNN-BiLSTM-Attention。时空精度呈逐渐下降趋势,部分参数(如CODMn、DO、Hg、Se、Zn)表现出较大波动,缺乏普适性。空间上,反演精度从东南向西北递增。

**4.1.3 三种建模方法的比较评估**:CNN-BiLSTM-Attention在整体精度(平均R2=0.782 vs. 0.569)和空间稳定性上全面优于CNN-LSTM。在三号监测站差异最大(ΔR2=0.197),表明该区域光谱特征相对稳定。与随机森林(RF, R2=0.585)、多元线性回归(MLR, R2=0.557)和梯度提升回归树(GBRT, R2=0.552)相比,CNN-BiLSTM-Attention在所有八项参数上均取得最高R2(平均0.791),尤其NH3-N(R2=0.950)和COD(R2=0.861)提升显著。SHAP分析表明,季节变量(Month_sin和Month_cos)和光谱变量(WI2015、Red波段、RENDWI)是重要预测因子,而重金属预测依赖多个光谱特征综合贡献。

**4.2 水质参数的时空演变特征**

**4.2.1 重金属和类金属参数的时空演变特征**:Hg、Zn和Se总体呈下降趋势。Hg年均浓度从2023年0.041 g/m3降至2024年0.013 g/m3;空间上枯水期富集于支流和岸线,丰水期向库心迁移。Zn浓度波动明显,丰水期均值(25.739 g/m3)显著高于枯水期(13.015 g/m3)和平水期(11.024 g/m3),呈现“降-升-降-升”周期波动。Se在平水期浓度最高(1.052 g/m3),丰水期最低(0.896 g/m3),支流入口和岸线持续高值。

**4.2.2 有机污染负荷和无机离子的时空演变特征**:COD平均值11.120 mg/L,各水文期差异不显著,高值区从南向北迁移。CODMn丰水期均值(3.266 mg/L)高于枯水期(2.749 mg/L)和平水期(2.968 mg/L),高值区集中在库岸和西南支流入口。F?呈下降趋势,枯水期浓度(99.944 g/m3)显著高于丰水期(87.032 g/m3),表现出“增-减-增”年周期模式。

**4.2.3 DO和NH3-N的时空演变特征**:NH3-N平均0.516 mg/L,枯水期最高(0.618 mg/L),丰水期最低(0.417 mg/L),库心浓度高于支流入口。DO平均8.698 mg/L,丰水期(8.298 mg/L)低于枯水期(9.021 mg/L)和平水期(8.775 mg/L),库区整体DO较低,尤其在丰水期,与CODMn和COD峰值区域高度重叠,证实有机物氧化是局部缺氧的核心机制。

**4.3 水质时间演变的驱动指标**

**4.3.1 PLS-SEM模型评估**:测量模型检验显示,反射性指标外载荷介于0.860-0.952,CR介于0.895-0.947,AVE介于0.811-0.900,均优于推荐阈值,表明出色的内部一致性和收敛效度。形成性指标权重显著(P<0.05),VIF<2.771,内模型VIF<2.105,无多重共线性。饱和模型SRMR=0.097,整体拟合良好。

**4.3.2 水质演变的多因子协同驱动力与主导因素**:路径分析显示,人类活动对水质恶化(DO、NH3-N)有直接负向驱动(β=?0.359, P<0.01),但对重金属和有机负荷的直接路径不显著。有机负荷对水质恶化有显著正向贡献(β=0.552, P<0.006),对重金属呈极强正向驱动(β=0.946, P<0.001),揭示有机污染是重金属迁移转化的核心枢纽。气候因素对重金属呈边缘显著正向驱动(β=0.534, P<0.1),水温显著负向驱动(β=?0.562, P<0.05),共同构成重金属演变的水动力基础。降雨量权重(0.845)高于气温(0.469),DO_RE权重(0.755)高于NH3-N(0.388),CODMn载荷(0.952)略高于COD(0.945),Se载荷(0.944)略高于Hg(0.912)。

**讨论总结**

讨论部分指出,CNN-BiLSTM-Attention模型在所有八项水质参数上持续优于CNN-LSTM和传统机器学习模型,尤其在反演非光学活性参数方面,通过间接推断机制(重金属吸附于载体相如悬浮颗粒、黏土矿物和溶解有机物)实现有效检测。BiLSTM结合注意力机制增强了空间泛化能力,在空间异质性大的监测站间仍保持强预测稳定性。然而,模型在不同水文期存在精度波动:枯水期水位下降导致“同物异谱”现象加剧,影响COD和Zn反演;丰水期藻华引起光学性质快速变化,模型难以准确捕捉参数变异。未来需在不同水库和更长时间尺度验证模型泛化性。

时空反演结果揭示了污染物从边缘富集向库心迁移的动态过程。枯水期水流缓慢、滞留时间长,污染物主要累积于支流合并处和库岸;丰水期径流增强、水动力加剧,导致沉积物扰动和污染物远距离输送,促使重金属(如Hg)从沉积物中释放和再分配。水库调度措施进一步增强水交换,调控污染扩散。Zn的周期性波动表明污染物在输运过程中存在滞留和二次富集。COD在库区相对均匀,表明已适应该水体的循环系统。西南支流入口持续高CODMn值被识别为有机负荷冲击的敏感区。

PLS-SEM揭示,有机污染负荷是重金属演变的核心中介变量,而人类活动主要通过非点源方式(农业、畜牧、土地利用变化)输入营养物和有机物,触发藻类增殖,藻类死亡分解后产生大量内源有机负荷,通过“有机物-重金属”络合机制间接驱动重金属浓度变化。气候因素(降雨)的“冲刷效应”将富含重金属的土壤颗粒和沉积物冲入支流,导致外源重金属输入;水温对重金属的调节效应凸显了自然条件对水质的影响。针对Zn和F?的时空轨迹与其他指标偏离,归因于局部沉积物或点源排放的复杂源异质性,研究聚焦于最具代表性的非点源污染路径。

**研究结论翻译**

本研究开发了CNN-BiLSTM-Attention模型对八项水质指标进行时间反演,并全面探究了不同水文期这些指标的时空演变模式和空间异质性。利用PLS-SEM阐明了多因子协同效应下水质演变的驱动机制。主要结论如下:
(1)CNN-BiLSTM-Attention模型的反演性能(平均R2 = 0.791)显著优于CNN-LSTM模型(平均R2 = 0.599),提升了32.05%。对于重金属和非重金属参数,所提模型平均R2分别为0.722和0.832,显著优于传统模型(平均R2 = 0.562和0.621),提升幅度分别达28.41%和33.98%。BiLSTM和注意力模块的引入不仅增强了泛化能力,还有效捕获了微弱的水质光谱特征。
(2)重金属Hg、Zn和Se总体呈下降趋势,降幅分别为68.3%、40.6%和34.2%。Hg和Se在平水期出现季节峰值,丰水期为低谷,而Zn呈丰水期高浓度、枯水期低浓度的特征。空间上,枯水期高值区受局部源和支流汇入控制,富集于库岸和支流入口;丰水期径流增加和洪水脉冲效应驱动高值区从边缘向库心扩展,表明水动力是控制重金属空间异质性的核心因素。
(3)DO、COD、F?和CODMn均呈改善趋势,而NH3-N略有增加。受降雨冲刷驱动,CODMn(3.266 mg/L)和COD(10.66 mg/L)在丰水期达到峰值。F?和NH3-N在枯水期浓度最高。空间上,COD高值区在不同水文期由南向北迁移,CODMn在西南支流入口持续富集。此外,丰水期低DO值与有机污染物峰值在时间上重合,证实有机物氧化是引起库区局部缺氧的核心机制。
(4)基于PLS-SEM的路径分析确定有机污染负荷是控制重金属运移和归宿的关键中介,具有强正系数(β = 0.946, P < 0.001)。该发现表明有机质通过络合机制对沉积物重金属累积产生显著影响。人为压力直接影响耗氧污染物(DO和NH3-N,β = ?0.359, P < 0.01),并通过有机污染负荷路径间接调控重金属动态。气候驱动因子,主要为降雨量(β = 0.534, P < 0.1),以及水温(β = ?0.562, P < 0.05),共同构成重金属分布的基本演变模式。
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