使用基于软DTW的聚类和图形神经网络框架对地下水重金属污染的时空空间预测
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
概括
一个新的基于集群的软动态时间扭曲图形神经网络 (SDCGNN) 准确地预测了地下水重金属污染区域. 这种方法可以改善受污染地点的监测和修复策略.
科学领域:
- 环境科学 环境科学
- 水文地质学 水文地质学
- 数据科学数据科学数据科学
背景情况:
- 地下水重金属污染对生态系统和人类健康构成风险.
- 准确的时空预测对于有效的场地管理至关重要.
- 异质性和复杂的相关性挑战了现有的预测模型.
研究的目的:
- 开发一个先进的模型来识别地下水污染区域.
- 为了提高重金属污染物的空间时间预测的准确性.
- 加强监控,优化和整治决策.
主要方法:
- 提出了一个基于集群的软动态时间曲线图形神经网络 (SDCGNN).
- 使用软动态时间曲线 (Soft-DTW) 进行时间模式集群.
- 实施了一个分层的局部-全球图形融合框架,用于多尺度建模.
主要成果:
- SDCGNN实现了高精度,MAE为0.213 mg/L,MAPE为5.51%的高精度.
- 超过基线模型的表现为49.9% (MAE) 和61.4% (MAPE).
- 准确预测源,羽毛和衰减区域的污染情况,捕捉运输动态.
结论:
- SDCGNN模型为地下水重金属污染预测提供了一个有希望的方法.
- 区域意识模型增强了对污染物行为的理解.
- 这些发现有助于优化场地整治策略和监测.
