基于物理原理的时空图神经网络模型用于地下水污染物预测

《Journal of Contaminant Hydrology》:Physics-informed spatiotemporal graph neural network models for groundwater contaminant prediction

【字体: 大 中 小 】 时间:2026年07月30日 来源:Journal of Contaminant Hydrology 5.5

编辑推荐:

  摘要地下水污染预测面临诸多挑战,因为物理机制模型存在较强的隐蔽性、复杂的时空耦合性以及高度的参数依赖性。而传统的数据驱动模型缺乏空间表示能力。为克服这些局限,本研究开发了三种基于物理原理的时空图神经网络架构用于地下水污染预测:循环型模型(RGNN-ST)、卷积型模型(ConvGN

  

摘要

地下水污染预测面临诸多挑战,因为物理机制模型存在较强的隐蔽性、复杂的时空耦合性以及高度的参数依赖性。而传统的数据驱动模型缺乏空间表示能力。为克服这些局限,本研究开发了三种基于物理原理的时空图神经网络架构用于地下水污染预测:循环型模型(RGNN-ST)、卷积型模型(ConvGNN-ST)以及基于注意力机制的模型(AttentionGNN-ST)。研究设计了一种动态图构建策略,将水头和导水率纳入边权重中,从而将数据驱动学习与达西流规律相结合。训练和测试数据集是通过耦合MODFLOW-MT3DMS模型对均匀及非均匀含水层进行的模拟得到的。模型性能从预测精度、计算效率、稳健性以及结果的可解释性等方面进行评估。结果表明,RGNN-ST在整体性能上最为可靠:在均匀条件下,其R2值可达99.95%,NRMSE值为1.68%;在非均匀条件下,平均R2值为99.60%。此外,RGNN-ST在各种监测配置下都表现出最强的稳定性以及最佳的精度-效率平衡。所有模型都对监测节点密度、时间窗口长度以及含水层非均匀性具有较好的稳健性,且能够准确捕捉污染物的时空迁移规律。可解释性分析显示,RGNN-ST能够综合考虑多源物理特征(浓度、水头、导水率),自动识别关键监测节点和重要时间步,其预测行为也符合地下水运动的物理机制。所提出的基于物理原理的STGNN框架为地下水污染预报、风险管理和监测网络优化提供了一种可迁移的建模方法。

引言

地下水污染对水资源安全构成了持续威胁,因为污染物迁移速度缓慢、长期隐藏,一旦形成污染带就需要耗费巨大成本进行治理。工业排放、农业面源污染以及城市活动不断增加含水层中的污染物负荷,从而在区域乃至全球范围内带来生态和公共卫生风险(Ren等人,2022;联合国教科文组织,2022;Xie等人,2023;Wang等人,2024;Zhou等人,2025)。因此,准确预测污染物浓度场对于早期预警、监测网络设计以及基于风险的地下水管理至关重要。
传统上,地下水污染物预测依赖于两种互补的方法:数值建模和统计学习(Zheng和Wang,1999;Harbaugh,2005;Markstrom等人,2005;Li等人,2018;Kang,2026)。数值模拟模型即基于物理的模型,这类方法以地下水流动和污染物迁移的基本理论为基础,通过模拟控制污染物迁移的实际物理过程来生成预测结果。统计学习模型则是数据驱动的方法,它利用算法从大量多源异构的历史数据中挖掘模式和关联,通过学习到的映射函数来描述地下水污染物的时空变化特征(见图1。(见表1。)
基于过程的地下水污染数值模型严重依赖水文地质参数和监测数据,而这些在实际情况中往往难以获取或数量不足(Pietrzak等人,2021;Pang等人,2022)。此外,这类模型还需要求解复杂的偏微分方程,才能准确描述包括水动力扩散和吸附-解吸作用在内的多种物理化学过程(Tong等人,2022;Zheng和Bennett,2002)。因此,大规模、长时序的模拟会带来极高的计算成本(Gorelick和Zheng,2015;Xia和Shoemaker,2022),这就限制了基于物理的模型在实际管理和决策中的应用。
统计学习则为从历史或模拟的水文环境数据中提取预测关系提供了另一种途径。早期的浅层机器学习模型包括线性模型(LMs)、支持向量机(SVMs)、决策树(DTs)、朴素贝叶斯(NB)以及集成学习模型(EL)(Ji等人,2017;Chen等人,2020;Wang等人,2020;Zhu等人,2022;Chen等人,2023;Nafouanti等人,2026)。当数据规模适中且时间序列模式简单时,这些模型能够发挥良好效果,但对于高维度、非线性且动态变化的时间序列,它们的泛化能力较为有限。
循环神经网络(RNNs)、长短期记忆网络(LSTMs)以及门控循环单元(GRUs)等深度学习模型,提升了非线性水文和水质时间序列的时间特征提取能力(Hochreiter和Schmidhuber,1997;Chung等人,2014;Wang等人,2017;Liu等人,2019;Wang等人,2021;Valadkhan等人,2022;Dai等人,2024;Rostami等人,2025)。然而,地下水污染物的时空分布受多种相互关联的因素影响,包括水文地质条件、污染物输入模式、物理化学相互作用过程以及人类活动(Lall等人,2020)。因此,其变化具有很强的时空耦合性,需要同时捕捉时间和空间上的依赖关系。图神经网络(GNNs)则将空间特征学习扩展到了非欧几里得空间(Gori等人,2005)。通过以监测井作为节点、以井之间的水文地质关联作为边来构建图结构,就可以直接捕捉监测网络中的空间依赖关系(Fan等人,2019;Li等人,2021)。
旨在同时处理空间结构和时间序列的时空图神经网络(STGNNs)已成为一个极具前景的研究方向,并已在多项近期研究中得到应用(Bai和Tahmasebi,2023;Pang等人,2024;Corradini等人,2025;Zhu和Wang,2026)。
基于GNN的时空预测模型可分为三类:(1)基于循环结构的时空图神经网络(RGNN-ST)(Scarselli等人,2009),这类模型将图卷积网络(GCNs)与循环神经网络(RNNs)相结合,擅长捕捉历史状态的记忆与演变规律;(2)基于卷积结构的时空图神经网络(ConvGNN-ST)(Kipf和Welling,2017;Wu等人,2020;Chen等人,2024;Chen和Eldardiry,2024),这类模型借鉴传统的时空卷积概念,用时间卷积网络(TCNs)或传统的1D卷积神经网络(1D-CNNs)替代RNN,用来提取局部的时空特征;(3)基于注意力机制的时空图神经网络(AttentionGNN-ST)(Vaswani等人,2017;Velickovic等人,2017;Brody等人,2021),这类模型通过在空间和时间维度上应用注意力机制,能够动态且自适应地聚焦于输入数据中的关键信息。
尽管现有研究在特定的地下水预测场景中已取得初步进展,但独立的时间型人工神经网络(Hridoy等人,2026)仍仅能用于预测单个监测站的水质参数。同时,目前的静态时空图神经网络(Bai和Tahmasebi,2023;Pang等人,2024;Taccari等人,2024)大多依赖固定的或自学习的邻接矩阵,而这些矩阵是基于空间距离或数据驱动的关联关系构建的。目前,还缺乏在统一数据集、一致的物理约束条件以及标准化的评估体系下,对不同时空图神经网络模型进行系统比较的研究。在以非均匀物理场为主的复杂地下水环境中,这一研究缺口尤为突出。正是这些局限性促使我们设计了这种基于物理原理的动态STGNN模型。据此,本研究主要有三方面的贡献:(1)基于循环、卷积和注意力机制开发了三种类型的时空图神经网络模型;(2)提出了一种基于物理原理的动态图构建方法,可将水头和导水率纳入其中;(3)在多种实验条件下,系统评估了这三种模型类型的预测精度、计算效率以及可解释性。

章节节选

图神经网络的构建方式

图神经网络是一类专门用于处理图结构数据的深度学习模型。其核心思想是,通过邻居聚合机制,每个节点可以逐步整合来自邻近节点的信息,从而学习到包含局部图结构信息的节点表示(Gori等人,2005;Scarselli等人,2008)。
给定一个图G?=?(V,E),其中V代表节点集合,E代表边集合,那么V中的每个节点v都拥有

均匀条件下的预测性能

本研究首先在均匀水文地质条件下评估了三种STGNN模型的预测性能。模型验证是在8个监测节点(节点数介于5到100之间)和7种时间窗口长度(时间步数介于5到50之间)的条件下进行的。为了全面评估模型的预测能力,本研究采用了两个核心的定量指标:决定系数(R2)和归一化均方根误差(NRMSE),以下是这两个指标的数学定义

结论

本研究构建了一个基于物理原理的STGNN框架,用于预测地下水污染物的迁移规律,并在统一的数值实验设计下对比了RGNN-ST、ConvGNN-ST以及AttentionGNN-ST这三种架构的性能。研究采用基于水头和导水率的动态图构建方法,将达西流规律融入图边权重中。主要结论如下:
  • (2)
    三种STGNN模型均能实现高精度的地下水污染物预测

CRediT作者贡献说明

戴万:撰写——审阅与编辑,撰写——初稿,方法论,概念构思。葛颖:撰写——初稿,验证,正式分析。胡丹欣:验证,资源获取,调研。徐瑞冰:验证,数据整理。邓毅:撰写——审阅与编辑,可视化。易淑平:撰写——审阅与编辑,方法论,正式分析。

未引用参考文献

Dai等人,2025
Kang等人,2026
Kipf和Welling,2016
Pietrzak,2021
Veli?kovi?等人,2017

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本研究得到了土壤污染控制与安全国家重点实验室、深圳市高层次人才科研启动资金(编号01296126)、中国国家自然科学基金(编号41931292)以及生态环境部流域地表水-地下水污染综合防治重点实验室的支持。
Dai Wan|Ge Ying|Hu Danxin|Xu Ruibing|DengYi|Yi Shuping
中国广东省广州市510060,广东省生态环境监测中心广州分局
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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