地下水是一种重要的水资源，准确描述和模拟污染物的迁移变化对保护和管理地下水资源至关重要。然而，过程的复杂性、数据可用性的限制以及高计算要求为地下水污染研究带来了巨大挑战。在大数据时代，深度学习等前沿领域的机器学习为研究地下水中污染物迁移提供了新的探索途径。

近期，77779193永利逄敏副研究员及其合作团队利用基于图神经网络的人工智能技术在地下水污染物运移模拟方面取得新进展，并在水资源权威期刊Water resources research 上发表题为《Contaminant transport modeling and source attribution with attention-based graph neural network》的论文，文中针对地下水污染迁移过程提出了一种名为 “基于注意力的图神经网络（aGNN）”的新型深度学习模型，旨在利用稀疏的监测数据建立污染物迁移机制，并分析污染物来源与特定地点观测浓度之间的响应关系。在具有不同监测点位设置以及不同含水层系统的五个合成案例研究中，aGNN 的模拟精度均高于多种常用的深度网络模型，对比结果表明，注意力机制与图神经网络的融合在时间与空间的变化关系上均提高到了模拟的准确性。对未监测地点的预测结果表明，aGNN能在一定程度上很好地推断出缺失监测数据地点处的污染水平。此外，使用 aGNN 进行的解释性分析有效地量化了每个污染源的影响，其结果得到了基于物理模型的验证。本研究模型成果可用于地下污染物迁移的复杂时空关系预测模拟，并可为地下水管理和污染物源识别的提供重要工具。

该研究由77779193永利逄敏副研究员，77779193永利长江保护与绿色发展研究院杜二虎教授，宁波东方理工大学郑春苗教授合作发表，论文链接如下：

Pang, M., Du, E., Zheng, C. (2024). Contaminant transport modeling and source attribution with attention‐based graph neural network. Water Resources Research, 60, e2023WR035278. https://doi.org/10.1029/2023WR035278

图1. 污染物迁移建模工作流程和数据的概览，使用两种方法：深度学习和基于物理的模型（MODFLOW 和 MT3DMS）。这些模型在三个任务中进行评估：直推学习、归纳学习和模型解释。

图2.基于aGNN使用SHAP方法分析三种污染源（W1、W2和W3）对三口观测井（O1、O2和O3）的影响值Φ，包括对 (a) O1、(b) O2、(c) O3 的长期影响和对 (d) O1、(e) O2、(f) O3 的短期影响。W1、W2 和W3 的累积质量流量 (CMF) 分别在 (a)、(b)、(c) 中以虚线表示。(g) 显示了三个污染源的位置和受影响的位置，三个子图分别表示相对于 O1、O2 和 O3 的水力梯度。(h) 表示污染源在受其自身污染物释放影响下的平均短期 Φ 值。