综述:可解释深度学习用于多污染物协同机理研究的关键性评述

《Toxics》:Explainable Deep Learning for Research on the Synergistic Mechanisms of Multiple Pollutants: A Critical Review Chang Liu, Anfei He, Jie Gu, Mulan Ji, Jie Hu, Shufeng Qiao, Fenghe Wang, Jing Hua and Jian Wang

【字体: 大 中 小 】 时间:2026年04月20日 来源:Toxics 4.1

编辑推荐:

  本研究聚焦大气与水体环境,系统评述了可解释深度学习在解析PM2.5与O3、重金属与有机物等多污染物非线性交互与协同控制机制中的应用。文章剖析了SHAP、注意力机制、物理信息神经网络等核心算法如何实现“高精度预测”与“决策可解释”的统一,并比较了大气(平流-扩散约束嵌入)与水环境(图神经网络拓扑建模)应用的技术差异,为从相关性分析迈向因果推断、推动污染治理从经验驱动转向智能驱动提供了系统框架与未来路径。

  
可解释深度学习(XDL)在复杂污染治理中的应用框架
随着工业化和城市化进程加速,环境问题已从单一污染演变为跨介质、多组分、多尺度的复杂污染格局。其中,大气中PM2.5与臭氧(O3)的协同污染、水体中重金属与持久性有机污染物的共存等问题日益突出,对生态安全和公众健康构成严重威胁。传统治理技术,无论是基于流体动力学和热力学基本原理的物理化学模型,还是随机森林等传统机器学习方法,在应对多污染物间的非线性交互、强时空异质性以及决策过程不透明等核心挑战时,均面临显著局限。可解释深度学习(XDL)通过融合“深度学习架构+可解释性模块+物理约束”的三元结构,为实现多污染物协同治理提供了兼具高预测精度与决策透明度的新范式。
核心科学问题与技术逻辑
多污染物协同治理的复杂性体现在污染物特性、环境行为和治理过程三个层面。例如,大气中PM2.5与O3存在“跷跷板”效应,水体中重金属可与腐殖酸络合增强毒性。这些协同或拮抗作用显著增加了管理难度。与此同时,污染物的迁移转化具有强烈的时空异质性,修复过程也常面临权衡,如降低二氧化硫可能导致臭氧浓度升高。因此,亟需能够系统捕捉非线性相互作用、解释时空动态并提供多目标协同优化方案的技术。
XDL通过其独特的技术框架回应了上述需求。在特征提取层面,卷积层、注意力机制等组件能有效捕捉污染物间的时空关联。在可解释性层面,SHAP、LIME等方法提供了从全局到局部的多尺度解释能力。在机理融合层面,通过将物理方程作为软约束引入损失函数,物理信息神经网络确保了模型预测的科学一致性。相较于传统技术,XDL的核心优势在于实现了“精准预测”与“清晰解释”的统一,具体体现在非线性交互分析、时空动态解释以及多目标协同优化三大能力上。
关键技术路径:内在可解释与事后解释
XDL技术体系主要分为内在可解释模型和事后解释方法两大类。内在可解释模型通过简化网络结构或引入先验约束来增强可解释性,主要包括稀疏神经网络、注意力机制网络和物理信息神经网络。例如,SOPiNet模型通过其双任务注意力层,突出显示了PM2.5与O3协同反演的关键区域;物理信息神经网络则通过将扩散方程等作为损失函数中的正则化项,在模拟大气污染物扩散时实现了预测精度与物理一致性的统一。
事后解释方法则在不改变模型结构的前提下,通过分析输入输出关系或内部参数实现可解释,分为模型无关和模型特定两类。模型无关方法如SHAP,其核心是夏普利值,用于公平分配合作联盟中个体的贡献。在环境模型应用中,SHAP值量化了单个特征(如大气中的NO2浓度)对最终预测值的平均边际贡献,正负值分别表示其“恶化”或“改善”的贡献方向。SHAP在空气污染预测中的采用率高达46.4%,已成为量化驱动因子的主导工具。另一模型无关方法LIME则通过局部线性逼近构建可解释模型。模型特定方法则针对特定网络架构,如针对卷积神经网络的类别激活图可用于定位影响污染物浓度的关键空间区域。
跨介质应用比较:大气与水体的共性与特性
本综述通过对大气和水体这两种典型流体介质的比较研究,揭示了XDL在多污染物协同控制中遵循“物机机理指导+事后特征归因”的统一技术逻辑框架,同时在具体应用中又展现出介质特异性。
在大气环境领域,研究重点在于PM2.5与O3的协同作用。XDL模型如SOPiNet利用多头注意力机制揭示了两者间的时空耦合关系,而XGBoost-SHAP等模型则量化了NO2、CO等污染物对PM2.5的贡献。该领域的领先之处在于成功嵌入了平流-扩散等物理约束,增强了模型在模拟污染物传输过程中的物理一致性。
在水体环境领域,应用侧重于重金属、营养盐等多种污染物的协同效应。例如,有研究构建了融合气象、土地利用和社会经济变量的可解释深度学习模型,利用SHAP识别主导因子,预测了六种河流水质参数的时空变化。另一项研究利用多任务深度神经网络,基于入湖河流数据同时预测了滇池多个站点的四项核心水质指标,并通过SHAP分析了各入湖河流的污染贡献权重,预测精度较传统模型最高提升56.3%。水环境研究的优势在于利用图神经网络对河流网络等空间拓扑结构进行高效建模。
当前瓶颈与未来方向
尽管XDL应用前景广阔,但目前仍存在若干关键瓶颈。首先,大多数特征归因仍是相关性的,而非因果性的,限制了其在制定根治性策略中的应用。其次,物理信息融合(软约束与硬约束)虽提升了物理一致性,但数据与物理定律之间的冲突仍然存在,且当前模型缺乏有效的冲突检测机制。此外,解释结果缺乏不确定性量化,且面临领域特异性数据稀缺的挑战。
针对这些瓶颈,未来发展方向明确。首先,需要推动研究从纯粹的相关性归因转向因果感知的归因,融合因果推断框架。其次,需开发能够检测并调和数据与物理知识冲突的智能融合系统,而非简单盲目的融合。最后,建立领域特定的验证基准和评估标准,以确保可解释结果的可靠性与可验证性。只有当可验证的可解释性和物理一致性成为核心设计原则时,XDL才能真正推动多污染物治理从经验驱动范式转向智能驱动范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号