一种融合物理与机器学习的建模框架提升了非点源污染的预测能力

《ACS ES&T Water》：A Hybrid Physics-Machine Learning Modeling Framework Enhances Nonpoint Source Pollution Forecasting

非点源污染预测中融合HYPE-SVM模型与降雨依赖的化肥施用情景，发现3天累计径流输入显著提升总氮日尺度预测精度（NSE=0.6501，KGE=0.6931），系统偏差降低8.54%，验证模型在数据稀缺地区的适用性。

　　

及时准确地预测非点源（NPS）污染对于保护和管理水环境至关重要。然而，由于无法获取实时径流数据以及肥料施用数据的匮乏，模型的准确性和时效性常常受到限制。在这项研究中，我们开发了一个混合建模框架，将基于过程的HYPE模型与支持向量机（SVM）算法相结合，以提高中国广东省一个典型农业子流域内总氮（TN）浓度的日尺度预测能力。为了增强模拟的真实性，我们引入了一个依赖于降水的假设性肥料施用情景。结果表明，将径流作为输入因素显著提高了模型性能，其中使用3天累积流量作为输入时获得了最佳效果。与原始的HYPE模型相比，提出的HYPE-SVM模型表现出显著更好的性能（NSE = 0.6501，KGE = 0.6931，RMSE = 5.7664 mg/L，WI = 0.8795，PBIAS = –8.54%），表明模型的准确性和系统性偏差都有所改善。总体而言，HYPE-SVM模型优于物理模型，为数据匮乏地区的NPS污染预测提供了一种有前景的方法。