基于紫外-可见光谱仪网络的多变量混合密度网络实现小流域面源污染实时监测及不确定性评估

本研究创新性地构建了包含20个紫外-可见光谱仪（UV-Vis）的监测网络，并开发了多变量混合密度网络（multi-MDN）模型，通过联合反演总氮（TN）、总磷（TP）和高锰酸盐指数（CODMn），有效解决了光学非活性参数（如TP）的监测难题。该模型利用水质参数间的协变关系，显著提升了泛化能力（R2达0.84-0.92），并首次实现了实时不确定性评估，为小流域面源污染（NPSP）精准管控提供了可靠技术支撑。

　　

Section snippets

研究区域

在邳州市部署了紫外-可见光谱仪（UV-Vis）监测网络。邳州市位于江苏省北部，与山东省接壤。该地区河网密布，京杭大运河、房亭河和沂河是主要河流，共同构成了重要的水文网络。

反演水质参数的性能评估

多变量混合密度网络模型在化学需氧量（COD_Mn）、总磷（TP）和总氮（TN）的实测与估算值之间表现出良好的一致性。验证集和测试集的R²分别达到0.83-0.91和0.89-0.90，表明模型具有优秀的泛化能力。各参数反演效果稳定，其中COD_Mn的R²为0.89，TP为0.94，展现出模型在处理光学活性与非活性参数方面的协同优势。

多变量混合密度网络的作用机制

为深入理解多变量混合密度网络的工作原理和不确定性评估的统计学意义，我们展示了四个由模型生成的多变量高斯混合分布。与仅输出最优估值的确定性模型不同，多变量混合密度网络能够输出完整的概率分布，从而推导出最优估值及其相关不确定性。根据统计学理论，对分布进行重复抽样后，其方差将收敛于理论值——这就像通过多次抛硬币实验来逼近正反面的真实概率一样，生动体现了概率模型在不确定性量化中的核心价值。

结论

针对小流域面源污染监测中的数据稀缺难题，我们构建了紫外-可见光谱仪网络并开发了多变量混合密度网络，实现了总氮、总磷和高锰酸盐指数的联合反演。主要发现如下：

• 多变量混合密度网络有效利用了水质参数间的协变关系，显著提升了光学非活性成分的反演精度。