Predicción espaciotemporal de la contaminación de metales pesados en aguas subterráneas utilizando agrupación basada
Yong He1, Zi-Long Duan2, Xiang-Hong Ding3
1Central South University, Changsha, 410083, China; Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring (Central South University), Ministry of Education, Changsha, 410083, China; School of Geosciences and Info-Physics, Central South University, Changsha, 410083, China; Key Laboratory of Nonferrous and Geological Hazard Detection, Changsha, 410083, China.
Una nueva Red Neuronal de Grafos basada en agrupación (SDCGNN) con Dynamic Time Warping Suave (Soft-DTW) predice con precisión las zonas de contaminación de metales pesados en aguas subterráneas. Este enfoque mejora las estrategias de monitorización y remediación para sitios contaminados.
Área de la Ciencia:
- Ciencias Ambientales
- Hidrogeología
- Ciencia de Datos
Sus antecedentes:
- La contaminación de aguas subterráneas por metales pesados representa un riesgo para los ecosistemas y la salud humana.
- La predicción espaciotemporal precisa es crucial para una gestión eficaz del sitio.
- La heterogeneidad y las correlaciones complejas desafían los modelos de predicción existentes.
Objetivo del estudio:
- Desarrollar un modelo avanzado para identificar zonas de contaminación de aguas subterráneas.
- Mejorar la precisión de la predicción espaciotemporal de contaminantes de metales pesados.
- Mejorar la optimización de la monitorización y la toma de decisiones de remediación.
Principales métodos:
- Se propuso una Red Neuronal de Grafos basada en agrupación con Dynamic Time Warping Suave (SDCGNN).
- Se utilizó Soft Dynamic Time Warping (Soft-DTW) para la agrupación de patrones temporales.
- Se implementó un marco de fusión de grafos local-global jerárquico para la modelización multiescala.
Principales resultados:
- SDCGNN logró una alta precisión con una MAE de 0,213 mg/L y un MAPE del 5,51 %.
- Superó a los modelos de referencia en un 49,9 % (MAE) y un 61,4 % (MAPE).
- Predijo con precisión la contaminación en las zonas de origen, penacho y atenuación, capturando la dinámica del transporte.
Conclusiones:
- El modelo SDCGNN ofrece un enfoque prometedor para la predicción de la contaminación de aguas subterráneas por metales pesados.
- La modelización consciente de la zona mejora la comprensión del comportamiento de los contaminantes.
- Los hallazgos facilitan estrategias optimizadas de remediación y monitorización del sitio.
