《Climate Risk Management》：A critical review of mathematical, statistical, and AI approaches to river pollution modelling for climate-resilient water management
编辑推荐：
河流污染已成为一个紧迫的全球关切，影响生态系统、人类健康和长期水安全。气候变化进一步加剧了这一挑战，它改变了降雨模式，升高了温度，增加了洪水和干旱的频率，所有这些都恶化了水质。本综述关键性地审视了数学、统计和人工智能（AI）模型在理解和预测河流污染中的作用。数
河流污染已成为一个紧迫的全球关切，影响生态系统、人类健康和长期水安全。气候变化进一步加剧了这一挑战，它改变了降雨模式，升高了温度，增加了洪水和干旱的频率，所有这些都恶化了水质。本综述关键性地审视了数学、统计和人工智能（AI）模型在理解和预测河流污染中的作用。数学模型描述污染物的物理传输，统计工具提供对趋势和预测的洞察，而AI方法揭示复杂数据集中的隐藏模式。尽管取得了这些进展，当前的方法常常忽视气候驱动因素，限制了它们应对未来风险的能力。研究人员强调需要整合的建模框架，将传统方法与现代数据驱动技术相结合，以增强气候韧性。通过识别研究空白并提出未来方向，本研究有助于推进可持续水资源管理，符合全球优先事项，如清洁饮水和卫生设施（SDG 6）和气候行动（SDG 13）。
**1. Introduction**
河流污染已成为全球性挑战，影响生态系统、人类健康和长期水安全。气候变化通过改变降雨模式、升高温度和加剧极端事件（如洪水和干旱）进一步恶化了水质。研究人员开发了从数学公式（如平流-弥散方程）到统计模型（如回归和概率框架）再到人工智能（AI）技术（如人工神经网络和长短期记忆网络）的多种建模方法。这些方法提升了污染评估能力，但传统方法常忽视气候驱动因素。本综述通过整合数学、统计和AI方法，评估其在气候变化下的适用性，填补了现有研究的空白，并联系可持续发展目标（SDG 6和SDG 13）。
**2. Integrated modelling paradigms and the climate-resilience narrative**
气候变化改变了水文循环，影响污染物的“输送”机制（如强化降雨和基流变化）。研究范式从静态数学评估转向集成范式，将水动力模型与AI结合，以捕捉气候驱动的非线性特征。这种集成支持水质管理的韧性，强调通过耦合模型来应对非平稳挑战。
**2.1. Methodological intersections in hydrological and hydrochemical forecasting**
集成方法整合数学、统计和AI模型，用于预测污染物扩散和生态影响，为早期预警系统提供支持。机器学习（ML）技术提升了对复杂水文地质数据的分析效率，改进了洪水预测和水质评估。例如，支持向量回归、自适应神经模糊推理系统和前馈神经网络在气候变量和地下水位分析中表现出色。物理信息神经网络（PINNs）结合传统水动力模型，克服了纯数据驱动方法的局限性，确保了物理一致性并提高了计算效率。
**3. Scope of the review**
本综述基于目的性抽样选择了24条河流系统，标准包括：水文多样性（涵盖常年性、季节性及三角洲河流）、气候变率（跨越热带、半干旱和温带区域）和社会经济背景（对比发达地区的数据丰富流域与发展中国家数据稀疏流域）。这确保了全球范围内污染挑战的覆盖，从全球北方的工业废水到全球南方的未经处理生活污水和采矿径流。
**4. Mathematical modelling**
数学建模是河流水质研究的基础，通过模拟污染物传输和转化来评估生态影响。表1总结了多种模型应用，包括一维平流-弥散方程、二维水动力模型（如RMA2/RMA4）和集成框架（如QUAL2K、MIKE 11、MIKE 21）。案例研究涵盖城市化、农业、工业排放和突发污染事故（如油泄漏）。例如，QUAL2K模型在多个河流中成功模拟了BOD、DO、重金属等时空变化。模型从简单过程公式发展到混合方法，但面临参数不确定性、站点特定校准需求及跨流域迁移性有限等挑战。全球范围内，全球北方趋向于高分辨率2D/3D框架，而全球南方仍以1D工具如QUAL2K为主，体现了空间分辨率与数据可用性之间的权衡。
**4.1. Comparative analysis of mathematical modelling frameworks**
一维（1D）模型（如平流-弥散框架）计算效率高，适合长期气候趋势分析，但无法捕捉横向梯度。二维（2D）和三维（3D）模型（如RMA2/RMA4和ANSYS Fluent）提供更高空间分辨率，但数据需求和计算成本高。确定性过程模型（如QUAL2K和MIKE 11）具有强机械可解释性，而区间常微分方程系统在应急场景中更稳健。框架选择取决于研究目标：1D模型适合热趋势分析，2D/3D模型在模拟强降雨事件中的污染物冲刷和空间扩散中不可或缺。
**5. Statistical modelling**
统计模型（如主成分分析PCA、层次聚类分析HCA、多元线性回归MLR）广泛应用于水质评估、源识别和风险评价。表2总结了多种应用，包括构建水质指数（WQI）、追踪重金属污染源和评估健康风险。例如，PCA在多个河流中减少了变量维度，识别了自然和人为污染源。统计模型在数据有限或高度变异的场景中提供洞察，但存在线性假设和缺乏物理约束的局限。
**5.1. Critical limitations of statistical paradigms in non-stationary climates**
统计模型依赖于历史数据中的平稳性假设，在气候变化引起的非平稳条件下失效。例如，降雨强度和基流的变化会改变稀释和冲刷速率，导致基于历史数据的系数在极端事件中产生显著预测误差。与数学模型不同，纯统计方法缺乏模拟“新”环境条件的物理约束，需要转向AI方法以捕捉非线性、高维气候反馈。
**6. Artificial intelligence modelling**
AI模型（包括深度学习、集成模型和混合统计-AI框架）显著提升了对气候驱动与污染物动态之间非线性相互作用的捕捉能力。表3总结了应用实例，如M5模型树在哈德逊河估算水质指数（WQI），人工神经网络（ANN）在亚穆纳河预测溶解氧，长短期记忆网络（LSTM）捕捉时间变化，以及混合ANN-支持向量机（SVM）在马来西亚处理季风变异。这些方法提高了预测准确性，但面临“黑箱”问题，缺乏可解释性。
**6.1. The “black box” challenge and the need for explainability**
AI模型的高预测性能（如R2>0.95）常伴随透明度不足，阻碍政策采纳。管理人员需要机理证明来支持应急干预。因此，可解释AI（XAI）和物理信息神经网络（PINNs）的兴起成为趋势，通过嵌入物理约束（如质量守恒）来平衡准确性与科学可解释性。在热带地区，AI模型优化于季风变异；而在工业化盆地，则侧重于集成遥感以克服高成本监测。
**7. Evolution and contributions of integrated modelling frameworks**
集成框架结合过程模型（提供物理一致性和机理基础）与AI代理（提供计算速度和预测敏捷性），能够高效模拟高保真“what-if”场景（如强化降水模式或基流变化）。通过将物理约束嵌入数据驱动架构，这些模型解决了“黑箱”问题，并在非平稳气候条件下保持鲁棒性，为政策制定者和现代河流系统管理提供自适应工具。
**8. Outlook**
河流处于气候变化前沿，承受温度升高、降雨模式改变和人类利用加剧的压力。数学、统计和AI建模为理解污染动态提供了新途径，但需与气候适应和水治理对齐。未来研究应融合科学严谨性与可操作政策工具，支持可持续发展目标和社区韧性。
**9. Future directions**
- 数学建模：开发耦合气候-水文-污染模型，集成非线性动力和反馈回路，应对极端事件。
- 统计建模：推进混合统计-机理框架，量化气候驱动变率，改进不确定性量化。
- AI建模：强化可解释和物理信息AI方法，提供机理洞察，支持气候智能型污染预测。
- 数据集成：建立全球开放数据集，链接河流污染指标与气候指标，促进跨区域比较和模型基准测试。
- 政策联系：将建模成果转化为决策工具，直接指导气候适应策略、水质标准和SDG目标。
- 公平与包容：优先考虑发展中国家脆弱流域的建模框架，确保全球解决方案不偏向数据丰富地区。
**10. Conclusion**
河流污染建模正从传统数学和统计方法向先进AI和混合方法转变。AI技术揭示隐藏模式和捕捉非线性交互，而数学模型提供机理理解。最强大的进展来自混合框架，结合物理定律与机器学习，实现科学基础与高预测性的统一。这一转变不仅是技术演进，更是迈向可持续水资源管理和韧性生态系统的关键步骤。主要结论包括：传统模型（如QUAL2K、MIKE 11）在非稳态和数据稀疏条件下受限；统计技术（如PCA、MLR）用于源解析但缺乏预测适应性；AI和混合模型（如ANN、LSTM、XGBoost）因高精度和实时适应性而兴起；集成空间工具、传感器数据和健康风险指标增强了政策相关性；未来需要可解释、多尺度和实时工具来应对气候变化和快速城市化。对于水资源管理者，气候韧性需要“三重方法”：数学模型提供机理根基，统计工具量化不确定性，AI提供预测敏捷性。
