数据稀缺条件下潮汐河段水质建模：通过上游污染控制提升海湾水产养殖承载力

《Journal of Hydro-environment Research》：Modeling water quality in tidal reaches under data-scarce conditions: enhancing aquaculture carrying capacity in bays through upstream contamination control

本文针对潮汐河段水质预测中数据稀缺的难题，创新性地提出结合模拟退火算法（SAA）、正交试验（OT）与有限差分法（FDM）的混合模型。该模型仅需历史水质与潮位数据即可实现总磷（TP）等指标的高精度拟合（提升40.3%）与预测（提升36.0%），揭示潮汐运动使海湾水产养殖对河段TP贡献仅占18.5%，强调上游污染控制（年减9%可使TP浓度下降38.7–40.4%）对平衡海鲜需求增长（SDG 2）与海洋环境保护（SDG 12）的关键作用。

　　

Highlight

模型分析与可解释参数

相关性分析、主成分分析（PCA）和聚类分析对观测数据进行了深入挖掘。结果发现，电导率、氨氮（NH₃-N）和总氮（TN）这三个指标与潮位（Ht）表现出最强的相关性，皮尔逊相关系数在0.46到0.55之间（P < 0.01）（图1b和图S4）。主成分分析和层次聚类分析也得出了相似的结果。在由第一主成分（PC1）和第二主成分（PC2）定义的二维平面上，这些指标与潮位紧密聚集在一起。

模型性能与可解释参数

我们的SAA-OT-FDM混合模型展现出了卓越的性能！与简单的线性回归模型相比，它在数据拟合能力上实现了40.3%的巨大提升，在预测未来水质方面更是有36.0%的显著进步。更重要的是，模型反演得到的参数（如扩散系数、降解速率）都具有明确的物理意义，让我们能够清晰地“看见”污染物在潮汐动力下的运移和转化过程，而不是一个难以捉摸的“黑箱”。

结论

这项工作成功地将模拟退火算法（SAA）和正交试验法（OT）与有限差分法（FDM）强强联合，用于确定关键的水动力参数和污染参数。基于这些优化后的参数，我们进行了数值模拟，不仅完美拟合了历史数据，还展望了未来的污染情景。本研究以秋芦溪-兴化湾系统为背景，通过该方法筛选出敏感指标，并对污染...