《Journal of Environmental Management》：Feature-enhanced hybrid-optimized convolutional neural network–long short-term memory framework for real-time early warning of sudden total suspended solids pollution events in riverine waters
编辑推荐：
基于特征增强的CNN-LSTM框架，本研究开发了秒级突发河流悬浮固体污染预测模型。通过耦合一维水动力-二维水质模型模拟不同降雨事件下的污染迁移，验证模型在低至中等浓度时空间吻合度高（IoU>0.98），高浓度晚期表现优异，R2值稳定＞0.90，实现秒级污染负荷、浓度场及影响区预测，显著提升应急响应效率。
刘立军|侯静明|王天|陈光兆|栾光学|潘新欣|刘大
中国西北干旱地区生态水力学国家重点实验室，西安工业大学，西安，710048，中国
摘要
在突发河流污染事件中，快速预测污染物迁移对于应急响应至关重要。本研究提出了一种基于特征增强型卷积神经网络-长短期记忆（CNN-LSTM）框架的秒级预测模型，用于预测受合流制污水溢流（CSO）排放影响的石子河段悬浮固体污染情况。训练和验证数据集是使用由不同重现期降雨事件生成的溢流水文图驱动的一维-二维水动力-水质耦合模型生成的。该框架结合了多尺度卷积特征提取和递归时间建模，以预测空间悬浮固体浓度场、受影响区域和事件规模的污染物负荷。该模型能够捕捉污染物负荷对流量和源浓度的非线性依赖性，在广泛的浓度范围内实现了决定系数（R2）值始终高于0.90。在低至中等浓度下，空间一致性仍然很高，在高浓度事件的后期，交并比（IoU）超过0.98。训练完成后，该模型能在几秒钟内生成事件级预测结果，为突发河流悬浮固体污染的应急管理提供快速预警和决策支持。
引言
随着城市化进程的加快，水污染已成为一个重大的全球环境挑战，其根源在于人类活动的加剧和与气候相关的水文变化。气候变化会直接破坏气候热点地区的水质和卫生系统，从而加剧环境和健康风险（Kurniawan等人，2024年）。预计更温暖的气候将加剧城市中的极端天气事件，增加可能引发间歇性污染物输入的破坏性降雨事件的发生概率（Wang等人，2023年）。这些影响不仅限于环境退化，因为与气候相关的极端天气事件还与全球范围内的重大经济损失有关（Newman和Noy，2023年）。因此，城市水体持续面临工业废水、农业径流和生活污水的压力。在极端降雨事件期间，合流制污水溢流（CSO）排放会引入高度瞬变的污染物脉冲，迅速降低水体的自净能力。通过高分辨率模拟研究了此类溢流的产生和表面传输过程（Liu等人，2024年）。在流域尺度上，越来越多地采用结合最佳管理实践的动态环境容量评估方法，以平衡污染物负荷与水体的恢复能力（Chen等人，2024年）。
在由合流制污水溢流（CSO）引发的突发污染事件中，总悬浮固体（TSS）是一个关键的、具有操作相关性的指标。它反映了水的浑浊度和悬浮物质的流动性，可能促进颗粒污染物的迁移。重金属暴露被广泛认为对人类健康构成威胁（Ejigu，2021年）。健康风险评估研究进一步表明，受污染的水源会增加工业化城市环境中的人类暴露风险（Anwar等人，2024年）。这些因素强调了在紧急事件期间快速预测TSS浓度变化及其空间影响的必要性。
传统的水质监测通常依赖于手动采样和实验室分析。虽然这种方法准确可靠，但其工作流程往往受到高成本、报告延迟和有限的时空覆盖范围的限制，从而限制了其在突发污染事件应急响应中的有效性（Amador-Castro等人，2024年）。连续现场监测可以提高时间分辨率；然而，在不同水文条件下的站点覆盖范围限制以及将替代指标转换为污染物浓度的不确定性仍然是挑战（Skarb?vik等人，2023年）。将水动力学与水质过程耦合的机制建模框架已广泛应用于定量评估（Bai等人，2022年）和预测（Keller等人，2023年）。然而，在降雨引起的合流制污水溢流等紧急事件期间，大量的参数化、边界条件指定以及计算密集型的校准和模拟可能会限制机制模型在分钟或秒级决策时间内提供可操作信息的能力（Ejigu，2021年）。
除了基于监测的预警外，河流水质评估和决策支持长期以来一直依赖于基于过程的机制模型。污染物的时间和空间变化通常通过过程驱动的水质模拟框架来表征。这些模型以外部污染负荷和边界条件为输入，模拟河流中关键水质指标的变化，并支持情景分析和管理评估。这些模型为情景分析提供了可解释且物理上一致的基础，因此在污染控制、合规管理和应急情景模拟中具有很大价值。然而，在时间紧迫的紧急情况下，其工程应用往往受到参数识别不足、校准工作量大和高分辨率模拟计算成本高的限制。
例如，Iqbal等人（2018年）将水质分析模拟程序（WASP）应用于拉维河，以支持河流水质评估和管理情景分析。通过机制模拟，他们确定了主要驱动因素并评估了不同负荷条件下的控制方案。在以工程管理为导向的情景中，Han等人（2023年）开发了MIKE 11（DHI，丹麦），这是一种适用于万福河的一维水动力-水质模型，并在校准后分析了运行条件下的水质变化模式，展示了了一维（1D）过程模型在河流规划和评估任务中的广泛应用。总体而言，传统的机制模型提供了强大的物理约束和情景模拟能力，但其部署成本和有限的时效性限制了在紧急情况下的快速决策支持，这促使人们引入更高效的预测框架。
同时，机器学习和深度学习为从高频监测数据中提取非线性关系提供了新的机会。基于物联网（IoT）的传感技术与机器学习分析的进步被总结为连续水质监测的一种新兴范式（Essamlali等人，2024年）。已经开发了混合深度学习模型，利用传感器数据流进行实时污染监测（Bagheri等人，2024年）。对于时间序列预测，分解辅助的长短期记忆（LSTM）架构在水质变量预测方面表现出改进的性能（Ruan等人，2023年），而比较研究表明，混合深度神经网络可以在实时监测环境中提高短期预测的准确性（Sha等人，2021年）。尽管取得了这些进展，但在应急管理方面仍存在实际差距，特别是在实现突发污染事件的快速时空预测和提供跟踪污染物扩散路径的可视化方面，以支持决策制定（Pang等人，2025年）。为了满足这些应急管理需求，对河流和运河的研究表明，深度时间模型可以支持快速水质预测，为采用此处提出的快速预测框架提供了证据。例如，在运河系统中，Salem等人（2025年）将QUAL2K流水质模型与CNN-LSTM相结合，在伊斯梅利亚运河进行了多指标水质模拟和预测，表明这种混合框架可以补充传统的评估工作流程。在河流系统中，Baek等人（2020年）基于高频监测数据构建了基于CNN-LSTM的模型，用于短期预测水位和多个水质指标，结果表明此类模型可以捕捉水质变量的非线性时间变化并提高短期预测能力。因此，这些研究不仅支持快速预测方法在河流或运河水质任务中的适用性，还表明在发生重大突发变化（如紧急污染）的情景中，仍然需要引入物理一致性信息以提高模型在观测稀疏和突发事件存在时的鲁棒性。
为了解决这些差距，本研究旨在开发一种基于特征增强型卷积神经网络-长短期记忆（CNN-LSTM）框架，用于突发TSS污染事件的秒级时空预测，包括浓度场、受影响区域和污染物负荷。
材料与方法
开发了一个物理约束的、数据驱动的框架，用于突发河流TSS污染事件的秒级预测。使用了一维-二维（1D-2D）水动力-水质耦合模型进行情景模拟和数据生成，并使用特征增强型多任务CNN-LSTM进行快速时空预测。工作流程如图1所示。
该工作流程将1D-2D水动力-水质情景模拟与特征增强型CNN-LSTM相结合
1D-2D耦合河流模型的校准
使用石子河上游测量站的测量流量历史作为模型的上游边界条件，并选择了2023年12月10日09:00至2023年12月11日22:00的时段。在石子河-黑水河交汇处，每小时比较模拟和观测的水位，以校准水动力参数并验证边界条件的一致性。获得了上游排放时间序列和交汇处的水位测量数据
整体性能和架构机制支持
基于第3.2节的结果，本节讨论了CNN-LSTM模型表现出色的设计选择。该模型的出色性能源于第2.5节提出的创新机制，主要体现在以下几个方面。
(1)多尺度时间特征和事件增强感知：该模型采用多尺度卷积核（k∈{3,7,15,31}）来精确捕捉污染扩散的时空动态。
结论
本研究开发了一种基于特征增强型CNN-LSTM的框架，用于河流中总悬浮固体污染事件的秒级预测。训练和验证数据来自一维-二维水动力-水质耦合模型的模拟结果。该框架可以快速提供关键预测结果，如TSS浓度场、受影响区域和事件规模的污染物负荷，从而增强了预警能力
CRediT作者贡献声明
刘立军：正式分析。侯静明：可视化。王天：概念化。陈光兆：验证。栾光学：监督。潘新欣：监督。刘大：验证。
资助
本工作部分得到了中国国家重点研发计划（2024YFC3012403）、国家自然科学基金（52,409,104）、中国博士后科学基金（2024M762625）、西安市科技计划（24SFSF0010）、陕西省技术创新引领计划（2024QY-SZX-27）和陕西省自然科学基金（2025JC-YBQN-725）的支持。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或关系可能影响本文报告的工作。
