使用混合机器学习框架识别东河突然水污染事件的来源
Yanchen Wang1,2, Yu Wang3,4, Peng Shi5
1Key Laboratory of Groundwater Resources and Environment (Jilin University), Ministry of Education, Jilin University, Changchun, 130021, People's Republic of China.
Scientific reports
|March 4, 2026
概括
本研究介绍了一种混合框架,将机器学习和数值建模结合起来,以有效地识别水污染源. 这种新的方法显著提高了准确性和稳定性,这对于紧急水污染管理至关重要.
科学领域:
- 环境科学 环境科学
- 水资源管理 水资源管理
- 计算科学 计算科学
背景情况:
- 准确的污染源识别对于应急响应至关重要,但受到传统模型的计算需求和不确定性所阻碍.
- 现有的方法在效率和稳定性方面扎,需要实时环境监测的创新解决方案.
研究的目的:
- 开发一种新的混合框架,整合机器学习 (ML) 和数值建模,以实现高效和强大的水污染源逆转.
- 将不同ML模型的性能进行比较,并将表现最好的模型与优化和贝叶斯框架集成在一起.
- 提高污染源识别的准确性和可靠性,特别是在噪音较大的数据条件下.
主要方法:
- 开发了一个MIKE 21水力动力水质模型来生成合成数据.
- 训练并比较长期短期记忆 (LSTM),内核极端学习机器和支持矢量机器替代模型.
- 集成优质的LSTM模型与鱼优化算法 (WOA) 进行决定性反转和贝叶斯框架进行概率反转.
主要成果:
- 与其他ML模型相比,LSTM替代模型显示出更高的准确性.
- WOA-LSTM模型显著减少了确定性源识别的反转误差和计算时间.
- 概率逆转系统,将WOA-LSTM与贝叶斯推理结合起来,显示出了显著的稳定性,在数据噪声下提高了超过47%的准确性.
结论:
- 将物理知情的ML替代品与贝叶斯推理集成,有效地平衡了污染源逆转中的效率和不确定性.
- 开发的混合框架为水污染事件的智能预警系统提供了一个强大的工具.
- 这种方法支持决策者有效管理和缓解突发水污染事件.