全球工业化进程的加速已加剧了水污染问题，河流排污口作为陆源污染物进入水体的主要通道，正日益成为关注的重点（Johnson & Mehrvar, 2019; Sadak et al., 2020）。这些排放对全球河流系统构成了严重威胁（Fan & Fang, 2020; Li et al., 2018），损害了生态系统完整性（Munz et al., 2017; Naughton & Hynds, 2014），并危及公众健康（Mills et al., 2024; Pal et al., 2014）。因此，开发精确可靠的排污口监测系统是有效污染物负荷管理（Besley & Birch, 2019）、受损环境修复以及促进水资源可持续利用的基石（Xu et al., 2019）。鉴于这一紧迫性，包括中国生态环境部在内的政府部门近期已出台政策，加强对排污口监测技术的研究，并鼓励地方投资（中华人民共和国生态环境部, 2025）。
然而，现有的监测策略不足以全面捕捉河流污染的实际情况。传统方法如人工巡检（Wu et al., 2022）劳动密集型且时空覆盖范围有限。虽然卫星遥感（Wang et al., 2022）和无人机（Wu et al., 2022）等现代遥感技术提供了更广的监测范围，但其应用仅限于检测大规模或视觉上明显的排放。至关重要的是，这两种方法均无法识别非法工业排污中常见的小型、隐蔽或水下排污口，从而在环境监管中留下了重大空白。
分布式声学传感（DAS）为这些监测挑战提供了一种有效的解决方案。这项新兴的光纤技术将标准通信电缆转变为由数千个振动传感器组成的密集阵列，能够实现远距离连续实时监测，具有高分辨率且使用寿命长达数十年（Bao & Wang, 2021）。这些优势使其在地震监测（Lindsey et al., 2019）、管道安全（Muggleton et al., 2020）和地质勘探（Yin et al., 2022）等领域取得了成功应用。近期研究也证明了DAS在水下地震探测中的有效性（Guerin et al., 2022; Williams et al., 2019）。我们团队先前的工作首次在受控实验中展示了DAS监测河流污水排放的潜力（Chen et al., 2024）。然而，将该技术从实验室推向实际执法面临两个重大障碍。首先，排放的微弱声学信号可能被船舶交通、湍流和生物活动等造成的显著河道环境噪声所掩盖。其次，DAS系统产生的海量数据——通常每天产生数千亿字节的数据（Clarke et al., 2019; Ma et al., 2023）——需要自动化处理和分析才能适用于连续监测。
依赖人工特征提取的传统分析方法难以应对这些挑战，无法从如此大规模、复杂的数据中实现自动检测。深度学习，尤其是卷积神经网络（CNN），为从噪声数据集中提取有意义的信号提供了强大的解决方案（Ross et al., 2018; Sun et al., 2024; Zhu & Beroza, 2018）。近期研究已成功将深度学习应用于复杂水域环境中有害藻华预测和水文参数监测（Kim et al., 2024）。在众多架构中，残差网络（ResNet）架构特别适合此任务。通过引入"跳跃连接"，ResNet模型能够有效地训练非常深的网络而不会受到梯度消失问题的影响。这使它们能够识别时空数据中微妙的长程依赖关系，从而从河道噪声的喧嚣中区分废水排放微弱的振动特征（He et al., 2016; S. Zhang et al., 2021; Zhao et al., 2020）。
在本研究中，我们提出了一个将DAS技术与基于ResNet的模型相结合的智能框架，用于检测隐蔽废水排放。我们在中国苏州严重工业化的水道——太平河中部署了光纤电缆，以连续监测其声学环境。通过训练模型识别废水排放独特的声学指纹，我们成功识别并定位了一处隐蔽的纺织厂排污口。对排放信号的进一步分析使我们能够表征其流体力学特征，证明该技术可以提供对污染事件的多维度评估，最终实现更智能、更快速响应的环境管理和风险管控。
