【文献精选】Journal of Hydrology｜稀疏监测条件下地下水污染源识别的物理约束深度学习方法

背景：地下水污染对环境和公众健康构成持续性风险，尤其是在监测网络稀疏且不确定的工业区域。污染源识别对于有效修复和风险管理至关重要，但含水层非均质性以及有限的观测条件对其形成了显著制约。研究目的：本文提出了一种物理约束深度学习框架，旨在在监测井数量稀疏、观测不确定性较高的条件下，可靠识别地下水污染源，包括准确反演污染源空间位置、估计污染物释放起始时间、量化污染物释放强度/浓度，并通过显式引入水力梯度与浓度梯度等物理信息，提升模型的物理一致性、稳定性与可解释性。结论：该框架在模拟和现场案例中均表现出良好的性能，能够以约20 m的平均空间误差实现污染源定位，并对释放参数给出可靠估计。稳健性分析表明，该方法对观测噪声和不规则采样具有良好适应性。研究展示了将物理机理与深度学习方法相结合，为复杂污染场地的环境管理与修复规划提供了一种具有实际应用价值的技术工具。