《Environmental Research》:Hybrid framework for rapid prediction, sparse flow field reconstruction, and boundary inversion of pollutant transport in urban lakes
编辑推荐:
Xianzhou Dong|Cun Zhou|Peng Liu|Yongqiang Luo|Gang Mei|Zhiyong Tian中国武汉430074,华中科技大学环境科学与工程学院人工智能研究所摘要城市湖泊面临着日益严重的污染压力,但由于计算成本高且监测数据稀少,准确预测污
Xianzhou Dong|Cun Zhou|Peng Liu|Yongqiang Luo|Gang Mei|Zhiyong Tian
中国武汉430074,华中科技大学环境科学与工程学院人工智能研究所
摘要
城市湖泊面临着日益严重的污染压力,但由于计算成本高且监测数据稀少,准确预测污染物传输路径及确定污染源仍面临挑战。本研究基于适当正交分解(POD)和径向基函数(RBF)插值方法,构建了一种混合框架,用于完成三项任务:在新边界条件下快速预测污染物分布、从稀疏观测数据重建完整流场,以及反演关键边界条件参数。该POD-RBF快速预测模型具有极高的精度(决定系数R2 > 0.97,平均绝对误差MAE =0.35),同时将计算时间从分钟级缩短至秒级。仅使用10个监测点,从稀疏数据重建的流场平均绝对误差为0.042,均方误差为0.004。借助20个监测点以及Nelder-Mead优化算法,边界条件反演的COD浓度相对误差仅为1.6%,且在监测点处的拟合度极高(R2 = 0.98)。SHAP分析表明,排放浓度是影响污染物扩散的最主要因素,其次是扩散时间和降雨强度。所提出的框架为城市湖泊的水质实时预测和污染源识别提供了精确、高效且适用于数据稀少场景的解决方案,对于数据匮乏环境下的应急处理尤为有用。
引言
城市湖泊是水生生态系统的重要组成部分,能够提供供水、防洪、保护生物多样性以及休闲娱乐等多重功能(Deng等,2023)。然而,快速的城市化进程以及人类活动的加剧,使得这些水体面临越来越严重的污染威胁,尤其是非点源污染物和意外排放物带来的污染(Derx等,2023)。这些污染物直接排入城市湖泊会导致湖泊富营养化等环境问题(W. Yang等,2025)。在此背景下,准确预测污染物扩散情况并及时确定污染源,对于有效开展环境保护和应急响应至关重要(Q. Zhang等,2025;Zhou等,2024)。
目前,用于模拟湖泊中流场和污染物传输的传统方法依赖高精度的数值模型,这类模型需要在精细网格上求解偏微分方程(Raznahan等,2021;Wang等,2022)。MIKE 21是一种专业的水动力学和水质建模软件,能够处理复杂的地形条件以及外部影响因素,如风场效应(Wu等,2024;G. Yang等,2025)。不过,城市湖泊的水环境受降雨强度、风向等多变量边界条件的显著影响(Behera等,2024)。如果改变边界条件,数值模拟方法需要重复计算,从而导致计算效率低下且资源消耗过大,难以满足实时预测的工程需求,迭代反演分析也难以实现(Chen等,2024;Zhao等,2024)。
另一方面,由于预算和物流限制,现场监测网络通常只能获取稀疏的观测数据,这些数据不足以全面反映污染物的空间分布,也无法唯一确定未知的边界条件(Jiang等,2025)。此类方法依赖时间序列模型,无法进行时空预测。此外,其缺乏可解释性,给城市生态湖泊的优化管理带来了很大困难(Hosseini-Sadabadi等,2024;Jiang等,2024)。
近年来,人们开始尝试用深度学习方法替代或补充传统数值模拟器,用于污染物传输预测、从稀疏传感器重建流场以及反演源参数等工作。长短期记忆网络等序列模型虽能捕捉时间动态,但本质上仍是点预测模型,无法从分散的观测数据中恢复出空间连续的场(F. Jiang等,2025)。有研究提出了基于注意力机制的图神经网络,该网络能够处理稀疏的监测数据,且性能优于卷积神经网络基线模型。不过,由于其依赖拓扑邻接关系,性能仍受网络密度和湖泊特定图结构的影响(Pang等,2024)。
对于稀疏流场重建和边界条件反演任务,基于CNN的替代模型(如残差密集CNN)结合集成平滑算法(迭代局部更新集成平滑器ILUES),能够高效反演高维源场,但仍需要来自正向模型的充分采样数据集作为训练依据(Xia等,2023)。相关的GAN–CNN–ILUES混合模型进一步拓展了这一思路,可用于非高斯参数场和线源几何结构的分析(Zheng等,2024)。然而,纯CNN超分辨率方法假定网格为规则结构,这与三角形或非结构化的湖泊网格不匹配。综上所述,深度学习方法在模式插补方面表现优异,但在城市湖泊应急处理场景中存在三个瓶颈:一是黑箱模型缺乏严格的物理约束;二是难以理解各驱动因素对流场的影响,这不利于监管决策的制定。正是这些不足促使人们开发出基于物理原理的降阶替代模型——POD–RBF模型,该模型能够保证场的守恒性,即便观测数据极少也能正常工作,且评估成本较低,适合用于实时预测和迭代反演。
降阶建模技术,尤其是基于适当正交分解的算法,已成为加速流体动力学和环境传输问题数值模拟的强大工具(Singha等,2024)。POD算法能够从高维模拟数据中提取出主要的相干结构,从而实现对系统的简洁表示(Zhang等,2024)。将POD与径向基函数插值相结合,POD-RBF框架无需重新运行完整模型,即可高效预测新边界条件下的系统响应(Abbaszadeh和Dehghan,2020)。这种混合方法已在多个工程领域得到应用,但其在城市湖泊污染建模中的应用,尤其是在稀疏数据重建和边界条件反演方面的应用,还较少被研究。
本研究针对城市湖泊,构建了一种混合框架,用于解决三项相互关联的任务:(1)在新边界条件下快速预测污染物浓度场;(2)从稀疏监测数据重建完整的浓度分布场;(3)利用有限的监测点反演关键边界条件参数。该预测模型精度极高(R2>0.97),且将计算时间从分钟级缩短至秒级。仅使用10个监测点,稀疏数据重建的模型平均绝对误差为0.042,均方误差为0.004。通过20个监测点并采用Nelder-Mead方法进行边界条件反演,COD浓度的相对误差仅为1.6%。此外,本研究还系统分析了不同能量截断阈值和模态数量对模型性能的影响,并通过SHAP分析研究了风场、降雨强度、扩散时间和污染物浓度等关键因素对水流和水质变化的影响程度。
由于其计算成本低且对数据量要求低,该框架特别适用于数据匮乏环境下的实时应急响应和长期水质管理。
章节节选
方法
为清晰展示所提出的混合框架在高效预测、从稀疏数据重建流场以及反演城市湖泊污染物传输的边界条件方面的应用,图1展示了该方法的理论流程图及相应步骤。研究采用正交实验设计方法,基于正交性原则从全部参数空间中系统筛选出具有代表性的边界条件组合。所选的边界
边界条件与验证数值模拟结果
本研究采用正交实验设计方法,基于正交性原则从全部参数空间中系统筛选出具有代表性的边界条件组合(Luo等,2023;Ren等,2025)。主要的边界条件包括以下四个参数:(1)出水口的污染物浓度(以COD作为代表指标,浓度范围为100-220毫克/升);(2)扩散时间(0.5-2.5天);(3)暴雨重现期(10-50,重现期的变化
讨论
为评估模型的泛化能力,本研究系统分析了不同模态和能量条件下的模型性能。同时,通过SHAP分析确定了影响流场和水质的主要因素。
结论
本研究基于POD-RBF降阶模型构建了一种混合框架,用于高效预测城市湖泊中的污染物传输情况、从稀疏数据重建流场以及反演边界条件参数。研究还比较了不同能量阈值下的预测性能,并通过SHAP分析研究了导致水流和水质变化的内在驱动因素。主要结论如下:
CRediT作者贡献说明
Peng Liu:撰写——审稿与编辑、监督、资源提供、方法设计、概念构思。Cun Zhou:方法设计、实验研究、形式化分析。Xianzhou Dong:撰写——初稿撰写、软件应用、方法设计、实验研究、形式化分析、数据整理、概念构思。Zhiyong Tian:撰写——审稿与编辑、模型验证、软件应用。Gang Mei:软件应用、方法设计、实验研究。Yongqiang Luo:撰写——审稿与编辑、监督、方法设计、资金筹集
未引用参考文献
Jiang等,2025;Yang等,2025;Zhang等,2025。
利益冲突声明
作者们承认得到了湖北省科技研究计划(2025CSA138)的财政支持。
利益冲突声明
? 作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。