一种基于深度学习的海湾硝酸盐污染源同位素溯源方法

摘要: 本发明属于环境污染物溯源,具体涉及一种基于深度学习的海湾硝酸盐污染源同位素溯源方法。背景技术:1、近岸海湾是陆地与海洋生态系统的交互过渡带,承载着流域输入、海水...
一种基于深度学习的海湾硝酸盐污染源同位素溯源方法

本发明属于环境污染物溯源,具体涉及一种基于深度学习的海湾硝酸盐污染源同位素溯源方法。

背景技术:

1、近岸海湾是陆地与海洋生态系统的交互过渡带,承载着流域输入、海水养殖、城镇排污等多重压力。硝酸盐过量累积引发的富营养化、赤潮等生态问题,已成为制约近海环境质量提升的核心瓶颈。传统基于排放统计的污染负荷估算方法存在空间分辨率不足、过程机理缺失等局限,难以支撑精细化的污染管控决策,亟需发展能够精准识别硝酸盐来源与贡献的示踪技术。

2、硝酸盐氮氧双同位素

δ15n-no3-、

δ18o-no3-技术凭借其独特的“指纹”特征,已成为水体氮污染溯源的主流手段。不同来源的硝酸盐具有特征性的同位素组成区间,传统kendall图法通过二维散点分区实现污染源定性识别,但该方法忽略了水体中硝化、反硝化、同化等生化过程引发的同位素分馏效应,且无法定量解析多源混合的贡献比例。

3、近年来,机器学习技术开始应用于同位素溯源领域。现有研究多停留在单一环节优化,尚未形成系统的全流程改进框架。具体而言,当前研究存在三个核心缺口:(1)信息先验缺乏数据驱动机制,传统mixsiar的先验分布依赖专家经验与文献值,未能有效整合水文水质、土地利用、气象等多源异构数据的空间与时序特征;(2)不确定性量化维度单一,现有模型仅输出整体后验置信区间,无法区分数据采集偏差、模型结构假设偏差、参数取值偏差三类误差来源;(3)缺乏物理闭环验证机制,多数研究止步于数学模型求解,未建立“源贡献-正向同位素模拟-实测残差校验”的闭环验证流程。因此,开发一套融合深度学习与分层贝叶斯模型、具备闭环校验与不确定性拆分能力的海湾硝酸盐同位素溯源方法,对养殖型海湾氮污染精准管控具有重要现实意义。

技术实现思路

1、为解决上述问题,本发明提出一种基于深度学习的海湾硝酸盐污染源同位素溯源方法,该方法通过构建“信息先验提取、不确定性量化、闭环验证和迭代优化”的四步框架,实现海湾硝酸盐污染来源的高精度定量溯源。

2、为实现上述目的,本发明采用以下技术方案:

3、一种基于深度学习的海湾硝酸盐污染源同位素溯源方法,包括以下步骤:

4、s1、通过现场采样监测、公开数据库获取、文献整理相结合方式,构建海湾多源异构观测数据库;

5、s2、采集并测定五类污染源端元的硝酸盐氮氧同位素特征,构建同位素指纹基准库;

6、s3、从海湾多源异构观测数据库中,提取每个监测站点周边缓冲区的土地利用空间特征、气象时序特征与潮汐特征;

7、s4、构建cnn-transformer混合深度学习架构,提取各监测站点各污染源贡献的先验概率分布;

8、s5、构建多尺度分层贝叶斯不确定性量化模型,输出各污染源贡献的95%置信区间;

9、s6、基于同位素指纹基准库开展正向模拟与残差校验,剔除违背生物地球化学规律的伪解;

10、s7、将先验概率约束、误差边界约束与同位素残差约束共同嵌入目标函数,采用梯度下降算法进行逆向迭代收敛,输出各污染源最优贡献占比;

11、s8、对输出结果进行空间分区汇总与精度验证。

12、优选地,步骤s1中,所述海湾多源异构观测数据库包括各监测站点的硝酸盐

δ15n-no3-与

δ18o-no3-双同位素实测数据、水文水质参数、空间基础信息、流域土地利用矢量数据、气象时序数据和污染源同位素文献数据集;所述水文水质参数包括硝酸盐浓度、亚硝酸盐浓度、ph、电导率、氧化还原电位、总溶解固体和水温;所述空间基础信息包括经纬度、采样季节、采样时刻、潮汐水位和功能区归属;所述流域土地利用矢量数据包括耕地、海水养殖塘、城镇村落、林地、自然土壤区、大气沉降高风险区、河沟排污口和径流通道;所述气象时序数据包括逐月降雨量和月均气温;所述污染源同位素文献数据集包括已发表文献中五类污染源的

δ15n与

δ18o同位素数据。

13、优选地,步骤s2中,所述五类污染源包括大气沉降、市政生活污水、有机化肥、无机化肥和海水养殖;步骤s2的具体过程为:

14、s21、野外实地采集五类污染源代表性水样,所采水样现场经0.45 µm滤膜过滤后置于聚乙烯瓶中,-20℃冷冻保存;

15、s22、采用细菌反硝化法将水样中no3-转化为n2o气体,通过稳定同位素比质谱仪测定

δ15n与

δ18o值,测定过程中以usgs32和usgs34作为两点校正标准物质,以iaea-no3作为过程质控标准,校正后的实测值偏差控制在±0.3‰以内;

16、s23、将实测均值和标准差与已发表文献数据整合,建立包含均值、标准差及波动区间的五类污染源的同位素指纹基准库。

17、优选地,步骤s3的具体过程为:

18、s31、土地利用空间特征的提取过程为:基于30 m分辨率遥感影像获取研究区域土地利用分类栅格数据,分类体系包括耕地、林地、草地、水域、建设用地和未利用地六类;再以每个监测站点为圆心,以3 km为半径创建缓冲区,并将缓冲区边界与土地利用分类栅格叠加,统计每个缓冲区内六类用地的面积占比,计算公式为:,式中,为第个监测站点缓冲区内第类用地类型的面积占比;为监测站点索引;为用地类型索引,

k =1,2,…, 6;为第个监测站点缓冲区内第类用地类型的面积;为第个监测站点缓冲区内六类用地的总面积;

19、s32、气象时序特征的提取过程为:基于监测站点所在区域气象站的逐日观测数据,计算每个监测站点采样前1个月、2个月、3个月的月均气温和月总降水量,形成6维气象时序特征向量;

20、s33、潮汐特征的提取过程为:基于国家海洋科学数据中心发布的逐时潮位预报数据,查询各采样日期的潮时与潮高,采用线性插值法计算每个监测站点采样时刻的潮位高度,插值公式为:s32、气象时序特征的提取过程为:基于监测站点所在区域气象站的逐日观测数据,计算每个监测站点采样前1个月、2个月、3个月的月均气温和月总降水量,形成6维气象时序特征向量;

21、s33、潮汐特征的提取过程为:基于国家海洋科学数据中心发布的逐时潮位预报数据,查询各采样日期的潮时与潮高,采用线性插值法计算每个监测站点采样时刻的潮位高度,插值公式为:,式中,为采样时刻的潮位高度;为采样时刻之前最近一次潮汐特征点的潮高;为采样时刻之后最近一次潮汐特征点的潮高;为采样时刻;为前一个潮汐特征点的时间;为后一个潮汐特征点的时间。

22、优选地,步骤s4中,所述cnn-transformer混合深度学习架构包括空间特征提取模块、时序特征提取模块和特征融合输出模块;所述空间特征提取模块采用卷积神经网络,以步骤s3提取的各监测站点缓冲区内六类用地类型的面积占比作为输入,通过一维卷积层与全连接网络提取空间特征;所述时序特征提取模块采用transformer编码器,以步骤s3提取的气象时序特征与潮汐特征拼接后的7维向量作为输入,叠加位置编码后通过多头自注意力机制捕捉时序依赖关系;所述特征融合输出模块将空间特征与时序特征拼接后经全连接层输出各监测站点五类污染源贡献的先验概率;各监测站点五类污染源的先验概率通过对用地类型加权结果归一化后获得,归一化公式为:,式中,为第个监测站点第类污染源的先验概率;为第个监测站点第类污染源的加权得分;为污染源类型索引,,依次对应大气沉降、市政生活污水、有机化肥、无机化肥、海水养殖。

23、优选地,步骤s5中,所述多尺度分层贝叶斯不确定性量化模型将溯源全过程的不确定性分解为数据采集层误差、模型结构层误差和参数层误差三类;所述数据采集层误差采用正态分布描述实验室测试偏差;所述模型结构层误差采用均匀分布描述源同位素季节波动范围;所述参数层误差采用正态分布描述先验概率与分馏系数的不确定性;采用分层贝叶斯建模,分别对数据采集层误差对应的参数、模型结构层误差对应的参数和参数层误差对应的参数,进行马尔可夫链蒙特卡洛采样,输出每个污染源贡献的95%置信区间。

24、优选地,步骤s6的具体过程为:

25、s61、以同位素指纹基准库为约束,将步骤s5输出的每一组污染源贡献比例代入氮同位素混合模型,计算各监测站点混合样本的

δ15n理论值与

δ18o理论值,计算公式为:,,式中,和分别为各监测站点混合样本的

δ15n理论值与

δ18o理论值;为第类污染源的贡献比例;和分别为第类污染源端元的

δ15n基准值与

δ18o基准值;

26、s62、计算理论值与步骤s1中实测同位素值的残差,计算公式为:,式中,为总残差;和分别为各监测站点的

δ15n实测值与

δ18o实测值;

27、s63、设定残差阈值,以稳定同位素比质谱仪的标准分析精度为基准,叠加各污染源端元同位素的标准差的加权平均值,计算公式为:,式中,为残差阈值;为仪器分析精度;为五类污染源端元

δ15n与

δ18o标准差的均值;k为调节系数;

28、k的取值依据端元分离度指标确定,端元分离度指标确定的计算公式为:,式中,λ为端元分离度指标;为每对端元之间的最小欧氏距离;为取最大值函数;和分别为距离最近的一对端元各自的标准差取

δ15n与

δ18o标准差的较大值;为端元a的

δ15n均值;为端元b的

δ15n均值;为端元a的

δ18o均值;为端元b的

δ18o均值;

29、s64、当时判定为高分离度,时判定为中等分离度,时判定为低分离度;高分离度时k取1.0~1.3,中等分离度时k取1.3~1.7,低分离度时k取1.7~2.0;将的源贡献组合判定为违背生物地球化学规律的伪解并予以剔除。

30、优选地,步骤s7中,所述目标函数为:,式中,为目标函数;为先验概率约束项;为同位素残差项;为误差边界约束项;、、为各约束项的权重系数;

31、的计算公式为:,式中,为第类污染源的先验概率;为第类污染源的先验概率的方差;

32、的计算公式为:,同位素残差项为不等式约束的惩罚项,用于确保各污染源贡献比例满足且;采用梯度下降算法对目标函数进行逆向迭代求解,迭代公式为:,式中,为第+1次迭代时第类污染源的贡献比例;为第次迭代时第类污染源的贡献比例;为学习率;为损失函数对的梯度;为对求微分;为对求微分;迭代至损失函数变化量小于预设阈值时收敛,输出各污染源最优贡献占比及对应的95%置信区间。

33、优选地,步骤s8中,所述空间分区汇总的具体过程为:基于各监测站点的空间位置,将监测站点划分为湾口区、海湾区、养殖区和河口区四个功能区;对各功能区内所有监测站点的溯源结果进行统计分析,计算各功能区五类污染源贡献的均值与标准差,识别各功能区的核心污染来源;采用arcgis软件将溯源结果空间化,生成各污染源贡献的空间分布图层;以先验概率与最优贡献占比之间的平均绝对误差评估先验概率准确性,以95%置信区间宽度的收窄率评估有信息先验相对于均匀先验的不确定性约束效果。

34、采用上述技术方案后,本发明具有如下有益效果:

35、1、本发明采用cnn-transformer混合深度学习架构,融合土地利用空间特征、气象时序特征和潮汐特征,生成数据驱动的有信息先验,替代mixsiar默认均匀先验,有效缩小求解空间,可抑制“异参同效”问题。

36、2、本发明构建多尺度分层贝叶斯不确定性量化模型,将不确定性分解为数据采集层、模型结构层和参数层三类并分别量化,突破了传统模型仅输出整体置信区间的局限。

37、3、本发明建立“正向同位素模拟、残差校验和伪解剔除”的物理闭环验证机制,通过基于端元分离度的自适应残差阈值,确保溯源结果符合生物地球化学规律。

38、4、本发明将先验概率约束、误差边界约束与同位素残差约束共同嵌入目标函数,采用梯度下降逆向迭代求解,实现多约束下的全局最优收敛,各污染源贡献的95%置信区间显著收窄,溯源精度大幅提升。