【研究进展】机器学习助力地下水有机污染源-羽传输机制研究与污染通量精准预测

发布者:崔岚发布时间:2024-07-02浏览次数:10

        持续深入打好“净土”保卫战是全面推进美丽中国建设的重要任务之一。我国化工/农药企业关闭和搬迁遗留近千处有机类污染场地,严重威胁土壤与地下水环境。场界有机污染物释放通量描述了场地内有机污染源所释放的溶解羽迁移出场界的质量通量,常作为污染场地决策管理及环境风险评估中的重要指标。

       有机污染源释放通量受控于污染源的空间结构。由于污染源空间结构与溶出污染羽通量之间具有强非线性,难以直接由显式物理规律描述,上述“有机污染源-羽”之间的复杂关系仍有待厘清。现有研究仅探讨了两者之间的定性关系,难以定量刻画有机物污染源的非线性多阶段溶出过程,且缺乏准确的定量模型来模拟和预测该过程。

       近日,吴吉春教授与施小清教授研究团队提出了一种基于可解释性神经网络研究地下水有机污染源-羽质量传输机制与污染通量预测的新方法。针对“有机污染源结构-污染羽”之间强非线性难表征的问题,研究团队构建了贝叶斯神经网络框架,首次从数据驱动的角度学习“有机污染源-羽”之间的复杂关系,并通过机器学习反向解译技术“期望梯度法”(Expected Gradients)剖析了有机污染源多阶段非线性溶出的物理成因及主控因素,发现污染源衰减初期的污染通量峰值主要受控于低饱和污染源的垂向展布,而衰减后期的污染通量拖尾值主要受高饱和污染源的横向长度与渗透性的综合控制。基于上述理论发现,研发了基于深度学习的有机污染源溶解升尺度预测模型,仅凭少量源区结构参数即可精准模拟多阶段非线性溶解过程,可为有机污染场地管控及风险评估提供有力的技术支撑。

1. 基于贝叶斯神经网络刻画“有机污染源空间结构-污染羽通量”之间的非线性关系

2. 基于反向解译技术识别有机污染源多阶段非线性溶出的主控因素

3. 基于贝叶斯神经网络的场界有机污染通量预测模型及不确定性估计

       上述研究成果近期以“Modeling upscaled mass discharge from complex DNAPL source zones using a Bayesian Neural Network: prediction accuracy, uncertainty quantification and source zone feature importance”为题,发表于水文水资源领域国际权威期刊Water Resources Research。康学远博士为论文第一作者,施小清教授和吴吉春教授为共同通讯作者,南京大学为第一署名单位。合作者包括美国旧金山大学Amalia Kokkinaki教授、夏威夷大学Jonghyun Lee教授、南方科技大学郭芷琳教授、南京水利科学研究院倪玲玲博士。该研究得到国家自然科学基金和南京大学AI & AI for Science项目的联合资助。课题组前期已结合机器学习研发了一系列有机污染源区结构精细刻画与模拟方法(如Kang et al., 2021WRR, 2022WRR),本研究(Kang et al., 2024)在此基础上利用可解释性神经网络来帮助理解有机污染传质机制并建立升尺度溶解模型,与前述有机污染源刻画方法结合,将更好服务于有机污染场地管控。

 

论文信息:

[1] Kang, X., Kokkinaki, A., Shi, X., Lee, J., Guo, Z., Ni, L., Wu, J. (2024). Modeling Upscaled Mass Discharge From Complex DNAPL Source Zones Using a Bayesian Neural Network: Prediction Accuracy, Uncertainty Quantification and Source Zone Feature Importance. Water Resources Research, 60, e2023WR036864. https://doi.org/10.1029/2023WR036864

[2] Kang, X., Kokkinaki, A., Shi, X., Yoon, H., Lee, J., Kitanidis, P. K., Wu, J. (2022). Integration of Deep Learning‐Based Inversion and Upscaled Mass‐Transfer Model for DNAPL Mass‐Discharge Estimation and Uncertainty Assessment. Water Resources Research, 58, e2022WR033277. https://doi.org/10.1029/2022WR033277

[3] Kang, X., Kokkinaki, A., Kitanidis, P. K., Shi, X., Lee, J., Mo, S., Wu, J. (2021). Hydrogeophysical Characterization of Nonstationary DNAPL Source Zones by Integrating a Convolutional Variational Autoencoder and Ensemble Smoother. Water Resources Research, 57, e2020WR028538. https://doi.org/10.1029/2020WR028538