编辑推荐：
在城市水污染问题严峻的当下，研究人员开展了人工神经网络（ANNs）模型预测城市水质的研究，对比单输出、双输出和多输出神经网络模型。结果显示多输出模型效率高、适应性强，该研究为城市水质管理提供了新方向。
城市化进程不断加快，城市的自然水系被大幅改变。大量的不透水地面出现，雨水下渗减少，暴雨径流却大大增加。这些径流裹挟着各种污染物，像营养物质、沉积物等，一股脑地冲进附近水体，使得水质急剧恶化。其中，初雨（FF）现象尤其让人头疼，在暴雨刚开始的阶段，大量污染物集中排放，对城市水环境造成极大冲击。准确模拟初雨事件中总悬浮固体（TSS）、总氮（TN）和总磷（TP）等污染物浓度，对提升城市雨水管理水平、保障水环境安全至关重要。
然而，传统的水质模型面对城市径流这种复杂多变的情况，往往力不从心。它们大多依赖预先设定的方程和假设，很难精准捕捉水文变量和污染物负荷之间复杂的非线性关系。正因如此，研究人员急需找到新的方法来解决这些问题。
在此背景下，意大利等相关研究机构的研究人员开展了一项关于人工神经网络（ANNs）模型预测城市水质的研究。他们详细对比了单输出、双输出和多输出前馈神经网络模型在预测城市雨水水质方面的表现，重点关注初雨事件分类和污染物事件平均负荷（EML）预测。该研究成果发表在《Chemosphere》上，为城市水质管理领域带来了新的思路和方法。
在研究方法上，研究人员收集了包含 577 个数据点的综合数据集，涵盖观测事件、模拟值和生成数据。在特定配置的笔记本电脑上完成模型训练和评估。采用两种常用的初雨定义（30/80 定义和 M (V) 曲线）对事件进行分类。
研究结果
- 初雨事件分类：研究人员利用两种定义对 577 个事件进行分类。30/80 定义能给出明确的 “FF 是” 或 “FF 否” 的二元结果；M (V) 曲线法则更细致，不仅能判断初雨是否发生，还能区分其强度（弱、中、强）。基于此，后续对不同神经网络模型在分类任务上的表现进行评估。
- 模型性能评估：综合评估发现，单输出模型在特定任务的精度上表现出色，例如针对单一污染物预测或特定初雨事件分类时，能更精准地把握相关变量的变化规律；多输出模型虽然在精度上稍有下降，但效率极高，其训练时间仅为单输出模型总时间的 6.75%，而且它可以同时对多种污染物和初雨事件分类进行预测，通用性更强。在 TSS、TN 和 TP 分类任务中，模型平均 F1 分数达到 0.70，准确率为 0.77；在 EML 预测方面，TSS 的纳什效率系数（NSE）平均值为 0.85，TN 为 0.77，TP 为 0.83，展现出较强的预测能力。
研究结论与讨论
该研究清晰地揭示了不同神经网络架构在城市水质预测中的优势与局限。单输出模型适合对特定污染物或单一任务进行高精度预测；多输出模型则在综合预测多种污染物和初雨事件分类时，展现出更好的效率和适应性，更契合城市水质综合管理的需求。这些研究成果为城市水质管理提供了重要的理论依据和技术支持。它有助于管理者根据实际需求，合理选择合适的神经网络模型，更科学地制定城市雨水管理策略，从而有效应对城市水污染问题，保障公众健康和生态系统的稳定。同时，该研究也为后续在城市水文和水质预测领域的研究指明了方向，推动相关技术不断发展和完善。
