軟DTWベースのクラスタリングとグラフニューラルネットワークフレームワークを用いた地下水重金属汚染の時空間予測
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.
Water research
|December 30, 2025
まとめ
新しいSoft Dynamic Time WarpingクラスタリングベースのGraph Neural Network（SDCGNN）は、地下水の重金属汚染地帯を正確に予測します。このアプローチは、汚染された場所の監視および修復戦略を改善します。
科学分野:
- 環境科学
- 水理地質学
- データサイエンス
背景:
- 地下水の重金属汚染は、生態系と人間の健康にリスクをもたらします。
- 効果的なサイト管理には、正確な時空間予測が不可欠です。
- 不均一性と複雑な相関関係は、既存の予測モデルに課題をもたらします。
研究 の 目的:
- 地下水汚染地帯を特定するための高度なモデルを開発すること。
- 重金属汚染物質の時空間予測の精度を向上させること。
- 監視の最適化と修復の意思決定を強化すること。
主な方法:
- Soft Dynamic Time WarpingクラスタリングベースのGraph Neural Network（SDCGNN）を提案しました。
- Soft Dynamic Time Warping（Soft-DTW）を使用して時間的パターンのクラスタリングを行いました。
- マルチスケールモデリングのために階層的なローカルグローバルグラフ融合フレームワークを実装しました。
主要な成果:
- SDCGNNは、MAE 0.213 mg/L、MAPE 5.51%で高精度を達成しました。
- ベースラインモデルをMAEで49.9%、MAPEで61.4%上回りました。
- 汚染源、プルーム、減衰ゾーンにおける汚染を正確に予測し、輸送ダイナミクスを捉えました。
結論:
- SDCGNNモデルは、地下水の重金属汚染予測に有望なアプローチを提供します。
- ゾーンを認識したモデリングは、汚染物質の挙動の理解を深めます。
- この調査結果は、サイトの修復戦略と監視の最適化を促進します。
