以知识为导向的深度学习框架,用于源分配和缓解河流盆地的酸盐污染

科学领域:

• 环境科学 环境科学
• 水文学的水文学
• 数据科学数据科学数据科学

背景情况:

• 烟花制造业是水生环境中甲酸盐污染的主要来源.
• 现有的方法无法解决复杂的工业污染动态和河流流域分散的治理问题,这阻碍了有效的减缓.

研究的目的:

• 调查中国烟花生产地区的甲酸盐污染模式.
• 开发和验证一种新的以知识为导向的框架,用于预测盆地级别的甲酸盐度动态.
• 区分和量化高酸盐污染的点和非点污染源的贡献.

主要方法:

• 开发了一个以知识为导向的框架,将基于过程的水文与深度学习 (专家混合) 整合在一起.
• 分析了中国关键烟花生产区的时空甲酸盐污染模式.
• 利用注意力分析来确定非点源污染的关键驱动因素.
• 执行多场景模拟来评估缓解策略.

主要成果:

• 确定了与工业区相关的显著的酸盐"积累走廊".
• 综合模型准确地预测了长期趋势和偶尔的峰值,超过了传统的数据驱动方法.
• 点源约占走廊总负载的65%.
• 非点源污染在雨季期间被放大 (1.72.8×高于干旱季节的流量).
• 烟花厂的密度,降水和土壤特性是非点酸盐来源的关键驱动因素.

结论:

• 开发的框架提供了一种可转移的方法,用于盆地规模诊断工业污染物风险.
• 针对点,非点和上游输入的协调控制策略可以显著减少甲酸盐的超标.
• 该研究提供了一个决策支持工具,用于管理工业污染物风险,适应当地条件和监管框架.