《Water Research》：Coupling process-based and deep learning models for interpretable prediction of urban stormwater quality
编辑推荐：
•以SWMM输出作为特征，可提升LSTM对径流与水质状况的预测能力。•物理增强型模型对流量、COD、TN、NH3-N、TP的NSE均达到≥ 0.84。•SHAP归因分析识别出首冲效应与支流污染源信号。•高频数据在多种降雨情景下验证了模型的有效性。引言城市化的加速推进与气候变化
- •
以SWMM输出作为特征，可提升LSTM对径流与水质状况的预测能力。
- •
物理增强型模型对流量、COD、TN、NH3-N、TP的NSE均达到≥ 0.84。
- •
SHAP归因分析识别出首冲效应与支流污染源信号。
- •
高频数据在多种降雨情景下验证了模型的有效性。
引言
城市化的加速推进与气候变化正在从根本上重塑城市流域的水文与生物地球化学功能（Swain et al., 2025）。随着不透水面的不断扩大，降雨—径流响应时间缩短、洪峰强度加剧， Stormwater径流已成为将非点源（NPS）污染物动员并输运至受纳水体并主导的主要通道（Behrens et al., 2025）。要有效管理这种水量与水质耦合的动态过程，需要既能在实时条件下运行又能保持物理保真度的模拟工具，而这一要求恰恰暴露了当前建模实践中一个根本性的"三重困境"：物理真实性、计算效率与机制可解释性无法由任何单一现有方法同时实现（Zeng et al., 2025）。在这一背景下，利用快速、准确且具有可解释性的方法，对暴雨事件中的城市水文过程与非点源污染变化进行可靠刻画，是支撑服务于源汇削减、靶向调控、应急响应与绿色基础设施规划的智慧城市水管理的先决条件，然而这仍是一项挑战。
以暴雨管理模型（SWMM）为代表的物理过程驱动模型长期支撑着城市水环境模拟（Anik et al., 2025）。在水力方面，这类模型求解圣维南方程组（Saint-Venant, 1871）以驱动水流在管道与河道网络中传播；在水质方面，则采用经验性的累积与冲刷公式来描述污染物在子汇水面积土表面的累积与夹带过程。这种机制性基础赋予模型明确的物理可解释性。然而，随着城市排水设施日益复杂化，为刻画其结构所需的高精细空间离散，再结合实时预报所必需亚分钟级时间步，所带来的计算开销难以随流域复杂度良好地扩展（Liao et al., 2025）。此外，模型保真度依赖于大量参数，而这些参数的率定通常需要大量且往往难以获取的实测数据，这便在无资料或缺乏数据区域引入了显著的不确定性，在水质模块中尤为突出——其过程参数化成熟度明显落后于水力模块（Pan et al., 2025）。这两重约束——计算负担与参数欠定——在很大程度上阻碍了纯过程驱动方法支撑降雨事件演化过程中所要求的快速、连续预报。
另一方面，数据驱动方法，尤其是深度学习，在城市水文与水质预测中得到日益广泛的应用（Anik et al., 2025; Tripathy and Mishra, 2024; Zhi et al., 2024）。在众多架构中，长短期记忆（LSTM）网络因其对非线性时间序列模式的有效捕捉能力而成为首选。在城市流域应用中，基于LSTM的模型展现出了令人瞩目的精度，例如 Li et al. (2025) 开发了一种优化的LSTM框架，用于复杂城市河网水质异常的检测；Zhi et al. (2021) 在广泛的河流水系上实现了溶解氧动态的高精度预测。尽管已取得上述进展，独立的数据驱动模型本质上仍受限于缺乏物理约束。若未嵌入过程知识，一旦水文条件超出训练样本的分布范围，模型便倾向于给出物理上不合理的推论外推，且无法提供关于"为何得到某一特定预测"的机制性见解（Anik et al., 2025; Zhang et al., 2026）。换言之，数据驱动模型虽在效率这一端占据了三重困境的一个顶点，却牺牲了物理真实性与可解释性。
为了将机制可解释性与数据驱动的灵活性相结合，将过程驱动模型与深度学习模型相耦合的混合框架引起了越来越多的关注。表1针对所用模型、目标变量、空间尺度、观测来源与时间分辨率、以及可解释性等方面，汇总了代表性研究。SWMM与LSTM的组合已应用于径流与洪水预测。Zhao et al. (2023) 开发了一种混合模型，将SWMM生成的过程变量（例如入渗与蒸散发）输入LSTM网络，从而在保持模型效率的同时兼顾物理过程的表征。该模型在检验期取得了良好性能（R2 = 0.954），并在一天预报时距上实现了高预报精度（Nash-Sutcliffe效率系数 NSE = 0.967）。Yun and Kang (2025) 针对绿色基础设施（GI）在削减城市径流中的作用，开发了一种基于SWMM的LSTM模型，将单次SWMM模拟的运行时由1小时48分钟大幅缩短至约6.08秒，从而实现了实时预报。然而，这两项研究均局限于水量（径流/洪水），并未延伸至水质预测。Xi et al. (2026) 将SWAT与LSTM耦合，对易河流域总磷（TP）浓度进行预报。与独立SWAT模型相比，其报告的耦合模型显著提升了预测精度（NSE由0.08提升至0.80）。即便将训练数据削减至40%，该耦合模型仍将NSE维持在0.72以上，表明其在数据稀缺流域中具有明显优势。类似地，在英国Salmons Brook流域应用于氮磷预测的混合模型，其表现显著优于纯数据驱动的LSTM模型；值得注意的是，磷的预测受益于极端天气指数，而氮的预测更依赖历史水质记录（Tang et al., 2026a）。然而，这些耦合的水质研究并未与水文过程相关联，且主要在水系尺度上以稀疏观测（日尺度、月尺度或瞬时取样）为基础（Tang et al., 2026a），或基于模型生成的数据训练（Xi et al., 2026; Zhi et al., 2021）。相比之下，高频实测的水文与水质数据在准确刻画降雨—径流过程——尤其是短时强降水事件——方面仍然相当稀缺（Tang et al., 2026b），且相关模型的保真度仍不清楚，从而限制了针对城市内涝与NPS污染的靶向调控与智慧管理有效指南的开发。此外，现有研究所报告的可解释性通常局限于单一的全局特征重要性排序（Asadi et al., 2025; Xi et al., 2026），缺乏对降雨事件所驱动的洪水与污染响应及其变化之间耦合机制的进一步阐释。
为弥补上述空白，本研究构建了一种耦合过程驱动与数据驱动方法、并由高时间分辨率实测水文与水质数据加以支撑与验证的模型框架，并将其应用于降雨驱动的洪水与NPS污染过程的表征及机制解释。本研究的目标包括：1）填补在利用高分辨率连续时间序列数据刻画由城市降雨事件驱动的径流与污染过程时耦合模型应用方面的空白；2）拓展当前模型在评估城市流域尺度降雨驱动NPS污染行为方面的局限，通过更准确地预测典型占比单次降雨事件中主要污染负荷的首冲现象，从而提升模型保真度；3）将机制解释从全局重要性排序推进至多指标归因分析，通过解析降雨与NPS污染之间的关联，确定关键影响指标。研究涵盖的降雨时段包括持续时间、强度与复杂程度各异的多次降雨事件，以确保模型保真度不仅限于个别案例，而可推广至更广泛谱系下的降雨类型，从而为针对城市NPS污染的靶向控制以及实际智慧水管理决策，提供准确、可解释且可复现的技术支撑。
章节摘要
城市化流域特征与水文条件
研究区域选定位于中国南部珠江三角洲地区深圳市龙岗区的梧桐山河流域（面积15.66 km2）（图1a）。过去数十年间，深圳经历了异常快速的城市化进程，城市建成区面积由3 km2扩展至超过968 km2（深圳市统计局，2025）。该流域高度城市化，土地利用以居住与工业用地为主，不透水率
连续降雨过程间的预测增益与污染物输出的演变
首先，在两个时间尺度上评估了独立SWMM、独立LSTM以及混合SWMM-LSTM框架的预测性能，即整个独立检验期尺度与单事件尺度。前者指标用于评估在旱季与降雨径流条件下连续预报的能力；后者指标则基于Event 7与Event 8的合并径流期观测值计算得出，涵盖上升段与首冲响应、洪峰
结论
本研究开发了一种物理增强的SWMM-LSTM框架，并结合SHAP归因分析，用于支持在时变降雨条件下事件尺度河道流量与水质响应的高频预测与解释。在该框架中，SWMM生成的过程变量被用作LSTM网络的物理驱动输入特征，而非直接替代机制性模拟。模型在深圳市城市化梧桐山河流域中，利用高频数据
CRediT作者贡献声明
Genyu Yuan（袁冠宇）：数据整理、方法论、软件、撰写——初稿。Peng Wei（魏鹏）：数据整理、方法论、软件、撰写——初稿。Wei Luo（罗伟）：调查研究、软件、可视化。Bing Yuan（袁兵）：可视化。Xiaohong Chen（陈晓红）：调查研究。Kairong Lin（林凯荣）：监督指导、撰写——审阅与编辑。Cuijie Feng（冯翠杰）：概念构思、经费获取、项目管理、监督指导、撰写——审阅与编辑。
CRediT作者贡献声明
Genyu Yuan（袁冠宇）： 撰写——初稿、软件、方法论、数据整理。Peng Wei（魏鹏）： 撰写——初稿、软件、方法论、数据整理。Wei Luo（罗伟）： 可视化、软件、调查研究。Bing Yuan（袁兵）： 可视化。Xiaohong Chen（陈晓红）： 调查研究。Kairong Lin（林凯荣）： 撰写——审阅与编辑、监督指导。Cuijie Feng（冯翠杰）： 撰写——审阅与编辑、监督指导、项目管理、经费获取、概念构思。
利益冲突声明
作者声明不存在任何已知的、可能影响本文所报告工作的竞争性经济利益关系或人际关系。
致谢
本研究得到国家自然科学基金（42677651、U25A20356）、广东省基础与应用基础研究基金（2023B1515040028）以及广东省科技计划项目（2024QN11H030）的资金支持。
袁冠宇|魏鹏|罗伟|袁兵|陈晓红|林凯荣|冯翠杰
