地下水是人类和生态系统赖以生存的宝贵资源，但极易受到工业废水排放、畜牧养殖等人类生产活动的污染。利用数值模拟技术准确模拟地下水污染物迁移过程对地下水管理和保护至关重要。目前，基于物理过程的模拟技术在地下水污染物迁移过程研究和工程实践中被广泛应用。然而，受限于污染物迁移过程的复杂性、水文地质数据的可得性以及数值模拟高昂的计算成本，传统模拟技术在地下水污染物迁移领域的发展面临很大挑战。
近期，宁波东方理工大学（暂名）/南方科技大学郑春苗讲席教授研究团队以“Contaminant transport modeling and source attribution with attention-based graph neural network”为题发表于水文水资源领域国际权威期刊Water Resources Research。该团队利用人工智能技术在地下水污染物迁移领域取得创新成果。
研究团队根据地下水污染物迁移过程的特点构建了一种基于注意力的图神经网络（attention-based Graph Neural Network, aGNN）深度学习模型（图1）。该模型可以利用有限的的水文地质监测数据实现对地下水污染物迁移过程的准确模拟，并建立污染源与给定位置污染物浓度之间的因果网络关系。
图1. aGNN的模型结构与数据输入输出机制
研究团队利用代表性地下含水层和污染源释放情景对模型的模拟预测能力进行了验证（图2）。结果表明aGNN对污染物迁移过程的模拟精度显著高于LSTM、RNN等目前常用的深度学习模型，尤其是在污染物浓度时空变化模拟方面具有更高的准确性。经过与物理过程模型的交叉验证，aGNN可以较为准确地推断出目标点位的污染物浓度变化，并对多个污染源与给定点位污染浓度的因果关系网络进行定量的归因识别，从而为地下水管理和污染治理提供重要的决策工具。
图2.选取的代表性地下含水层特征和污染物释放情景
图3.基于aGNN的地下水污染因果归因识别
本论文的第一作者为河海大学逄敏副研究员，郑春苗教授与河海大学杜二虎教授为本文共同通讯作者，论文得到了科技部重点研发计划、国家自然科学基金等经费支持。
论文链接：
Pang,M., E.Du, C.Zheng. 2024. Contaminant transport modeling and source attribution with attention‐based graph neural network.WaterResources Research,60,e2023WR035278.
https://doi.org/10.1029/2023WR035278
