《Sustainability》：Deep Physics-Informed Machine Learning Integrating Socio-Economic Indicators for Sustainable Water Governance: A Digital Twin of the Bouregreg Estuary, Morocco
编辑推荐：
河口生态系统可持续性管理是一个复杂的问题，需要模型在物理上合理、在社会上有意义，且从机制角度具有可解释性。尽管传统人工智能在环境预测方面展现出潜力，但黑盒模型通常无法满足基本的守恒要求，也无法充分考虑改变水质的人为压力。研究人员引入了一种基于深度物理知识神经网
河口生态系统可持续性管理是一个复杂的问题，需要模型在物理上合理、在社会上有意义，且从机制角度具有可解释性。尽管传统人工智能在环境预测方面展现出潜力，但黑盒模型通常无法满足基本的守恒要求，也无法充分考虑改变水质的人为压力。研究人员引入了一种基于深度物理知识神经网络的全新框架，用于预测摩洛哥Bouregreg河口溶解氧的动态变化。研究人员通过将非线性平流-扩散-反应输运方程直接集成到深度残差架构（包含12-20层的ResNet）的损失函数中，提升了基准标准。这种集成确保模型考虑了河口流体动力学的两个重要方面：重力环流和盐水楔效应。结合社会-水文-物理联系是这项工作的独特之处，该联系使用Rabat-Salé市区的区域水价指数和城市废水排放量作为人为压力的代理变量。在确定系数和Nash-Sutcliffe效率方面，深度物理知识神经网络取得了更好的结果，在预测误差减少方面优于传统的自适应神经模糊推理系统（ANFIS）和人工神经网络（ANN）基准。在无约束数据驱动模型失效的情况下，该框架除了具有数值准确性外，还展现出捕捉垂直溶解氧分层现象的物理鲁棒性。基于使用Shapley加性解释进行的机制特征归因分析，城市废水排量对预测方差有显著影响，占模型内部归因的28%，超过了热溶解度的相对影响。最后，探索性管理情景表明，减少20%的排量可以缓解夏季缺氧状况。该研究通过提供符合物理规律的数字孪生框架来弥合科学建模与政策实施之间的差距，以支持联合国可持续发展目标（UN SDG 6）和摩洛哥国家水计划。
河口生态系统在全球范围内承受着前所未有的压力，这主要源于日益加剧的人类活动、气候变化和快速城市化。河口既是河流与海洋交汇、生物繁衍的重要栖息地，也承担着城市供水和渔业等重要功能。然而，海平面上升引起的盐水入侵、上游大坝建设导致的径流减少，以及营养物过度加载，严重破坏了这些系统的自然平衡。位于摩洛哥的Bouregreg河口是一个中潮汐且部分混合的系统，在建造Sidi Mohammed Ben Abdellah大坝后，其自然冲刷能力减弱，维持着持久的盐水楔。尽管当地开展了Redals污染控制项目，但上游营养物输入和残留有机物仍对水体溶解氧水平构成压力。溶解氧是评估河口功能的关键指标。以往研究人员常采用自适应神经模糊推理系统（ANFIS）和人工神经网络（ANN）等传统机器学习模型来预测水质，但这些统计模型在极端潮汐条件下会违背质量守恒等基本物理定律，产生不合理的预测结果。此外，现有模型未充分考虑影响河口生化状态的社会经济因素，如定价政策对废水排放量的影响。为弥补传统黑盒机器学习模型和经典数值求解器在物理一致性与计算效率方面的不足，研究人员开展了一项研究，提出了一种融合物理先验与社会经济驱动因素的深度学习建模新范式。该研究成功构建了一个物理一致且具备社会意识的数字孪生框架，为联合国可持续发展目标（SDG 6）和摩洛哥国家水计划提供了科学建模与政策实施之间的桥梁。该研究成果发表在《Sustainability》期刊上。
为开展此项研究，研究人员主要采用了深度残差物理知识神经网络架构，结合1D轴向流近似和2D平流-扩散-反应方程，对数据与物理规律进行多尺度约束。样本队列来源于Bouregreg河口的实地测量数据，涵盖环境和物理数据，以及HCP与Redal系统提供的社会经济数据。研究使用了Shapley加性解释方法进行特征归因分析，并利用神经切向核自适应权重平衡和双阶段混合优化器进行模型训练。
基准预测保真度与结构鲁棒性：通过将模型与基准ANN和ANFIS4进行对比分析，并进行严格的留一交叉验证，发现纯数据驱动模型在处理未见数据时出现严重的泛化失败，而提出的深度物理知识神经网络展现出卓越的架构弹性，在确定系数、Nash-Sutcliffe效率及均方根误差（RMSE）等指标上均表现优异。将2D平流-扩散-反应方程直接纳入损失函数有效消除了统计过拟合问题，显著减少了系统偏差。
垂直分层与流体动力学：研究人员探究了盐度依赖的理查森数与垂直分散系数。结果表明，该模型能够精确模拟河口由于重力环流引发的垂直溶解氧梯度。模型成功捕捉到了表层低氧、底层富氧的特殊分层现象，这在纯随机模型中难以实现。
可解释性与政策导向诊断：通过结合Shapley加性解释方法，研究将复杂的黑盒预测转化为明确的诊断见解。全局特征归因分析显示，城市废水排量是影响系统动态的主导驱动因素，占模型总预测行为的28%，其影响显著超过自然潮汐变化和水温热力学效应。法医学分析进一步揭示，缺氧事件并非由单一因素导致，而是废水直接排放、水流停滞效应及高温多重压力叠加的结果。
基于情景的管理：数字孪生方法：基于深度物理知识神经网络的数字孪生框架，研究人员模拟了未来的多项关键政策情景。结果显示，若将基准废水排放率降低20%，可使最低溶解氧浓度提升，使其超过维持水生生态系统健康的关键阈值。而在2030年“照常营业”风险情景下，溶解氧可能下降20%。该分析为区域决策者在规划基础设施方面提供了量化基准。
该研究得出的主要结论如下：使用包含16至20个投影层的深度物理知识神经网络，能够准确预测Bouregreg河口长24公里范围内的溶解氧动态。该框架在预测精度上优于传统基准模型，均方根误差显著降低，并在严格的留一交叉验证中保持了高物理泛化能力。模型在5万个物理配置点的约束下，成功解析了0.5米深度间隔的垂直分层现象。基于Shapley加性解释分析表明，城市废水排量是导致模型内部归因变化的主要因素。情景模拟进一步证明，减少20%的废水体积排量可有效缩短夏季低流期的缺氧持续时间。这种受物理约束的数字孪生框架，为决策者评估局地环境策略提供了数学正则化的量化工具。
