基于非结构化网格的图神经网络预测淡水环境中人工甜味剂的时空分布

为解决传统数值模型（如HydroGeoSphere, HGS）在模拟复杂几何结构水体污染物传输时计算效率低的问题，研究人员开发了基于非结构化三角网格的图神经网络（Mesh-GNN），用于高效预测安赛蜜（acesulfame）在加拿大Grand River流域的时空分布。研究结果显示，Mesh-GNN在空间和时间划分验证中分别达到NSE（Nash-Sutcliffe效率系数）0.93和0.86，计算时间从HGS的数天缩短至秒级，结合实测数据后局部精度提升29.7%。该研究为水环境污染物快速预测提供了高效可扩展的替代模型框架。

　　

随着人工甜味剂在自然水体中的广泛检出，评估其生态风险成为环境科学的重要课题。安赛蜜（acesulfame）因其化学稳定性被用作污水排放示踪剂，但传统数值模型如HydroGeoSphere（HGS）在模拟其三维流域尺度传输时，面临计算耗时（单次模拟需数天）和复杂网格处理的瓶颈。尤其当采用非结构化三角网格刻画河流蜿蜒形态时，计算资源消耗呈指数增长，严重制约了长期或大尺度模拟的可行性。

针对这一挑战，加拿大研究团队创新性地将物理模拟与深度学习结合，开发了基于MeshGraphNet架构改进的网格图神经网络（Mesh-GNN）。该模型直接利用HGS生成的5,755节点非结构化三角网格，通过保留节点-边拓扑关系实现信息传递，仅需秒级推理时间即可完成二维河段安赛蜜浓度场预测。研究选取加拿大安大略省Grand River上游为案例区，整合地形、水文、气象及污水处理厂（WWTPs）排放数据，构建了包含2007-2009年高低流量期的时间序列数据集。

关键技术方法包括：（1）基于PyTorch-Geometric的MeshGraphNet改进架构，通过编码-消息传递-解码三阶段处理非欧几里得网格数据；（2）贝叶斯优化确定超参数（消息传递步数15-35、隐藏层维度32-256）；（3）空间划分（训练集占流域上/下游）与时间划分（训练集含2007年9月、2009年4月）两种验证策略；（4）蒙特卡洛dropout量化模型结构不确定性；（5）输入扰动敏感性分析评估WWTP排放数据的鲁棒性。

2.1 超参数调优影响
通过功能方差分析（f-ANOVA）发现消息传递步数和隐藏层维度对性能影响最大。空间划分最优配置为35步消息传递和64维隐藏层，其训练集NSE达0.92，验证集为0.69，较传统HGS提速约18万倍。

2.2 数据集划分效应
空间划分验证显示模型在未训练的中游河段出现性能衰减（NSE从0.92降至0.69），反映数据驱动模型对空间异质性敏感；而时间划分验证中，模型对未见的2007年6月数据预测NSE为0.70，表明时间外推更具稳定性。

2.3 数据整合的权衡
将HGS模拟值与7个观测站点实测值混合训练时，仅替换2个代表性站点（Sub-case 1）即提升局部精度29.7%，但过度替换（Sub-case 3）会导致验证性能下降，揭示"少而精"的数据整合策略更有效。

2.4 预测不确定性
蒙特卡洛dropout显示95%置信区间集中在预测中值附近（IQR<1.22E-08），而WWTP排放量扰动引发的浓度偏差可达0.41 kg·m^-3
，凸显点源输入是主要不确定性来源。

2.5 浓度场可视化
Mesh-GNN成功复现了HGS模拟的安赛蜜空间分布模式（图4），但在高流量期（2009年4月）低浓度区误差达19.57%，反映模型对极端水文条件适应性有待提升。

2.6 计算效能对比
HGS在全流域3D模拟（350万节点）需5.93天，而Mesh-GNN在消费级GPU上完成2D河段推理仅需1.07秒，内存占用稳定在35MB以内（表S5），为实时水质预警提供可能。

这项发表于《Water Research X》的研究，首次将MeshGraphNet架构应用于流域尺度污染物模拟，其创新性体现在三方面：一是突破传统深度学习对规则网格的依赖，直接处理非结构化环境数据；二是通过消息传递机制保留网格几何特征，使物理信息与数据驱动模型深度融合；三是为资源受限地区提供轻量级解决方案。未来扩展至三维域和多污染物耦合模拟，将进一步提升模型在复杂环境决策中的实用价值。