.png){kind=icon}
返回
A Hybrid Physics-Machine Learning Modeling Framework Enhances Nonpoint Source Pollution Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1021/acsestwater.5c01003.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
及时准确预测非点源（NPS）污染对水环境保护和管理至关重要。然而，无法获取实时径流测量数据以及化肥施用数据匮乏往往限制了模型的准确性和时效性。本研究开发了一种混合建模框架，将基于过程的HYPE模型与支持向量机（SVM）算法相结合，以提高在中国广东省典型农业子流域内日尺度上总氮（TN）浓度的预测。引入了降水依赖性的假设化肥施用情景以增强模拟的真实性。结果表明，将径流作为输入因子显著改善了模型性能，当使用3天累积流量作为输入时效果最佳。与原始HYPE模型相比，提出的HYPE-SVM模型实现了显著更好的性能（NSE = 0.6501，KGE = 0.6931，RMSE = 5.7664 mg/L，WI = 0.8795，PBIAS = –8.54%），表明其准确性和系统性偏差均有所改善。总体而言，HYPE-SVM模型优于物理模型，为数据匮乏区域非点源污染预测提供了一种有前景的方法。
期刊
A
IF:
4.3
论文数:
2.4K
被引数:
4.9K
机构
引用论文
Shang, F.Z.; Tang, S.J.; Wang, H.T.; Yang, R.Y.; Hou, Z.Q.; Ping, Y.; Zhang, Z.Z.; Chen, H.Y.; Yu, Y.E.; Goonetilleke, A.; et al. Assessing the effectiveness of non-point source pollution models in data-limited urban areas. J. Hydrol. 2025, 661, 133636. [Google Scholar] [CrossRef]商, F.Z.; 汤, S.J.; 王, H.T.; 杨, R.Y.; 侯, Z.Q.; 平, Y.; 张, Z.Z.; 陈, H.Y.; 俞, Y.E.; Goonetilleke, A.; 等. 评估数据有限城市地区非点源污染模型的有效性. 水文杂志. 2025, 661, 133636. [谷歌学术] [CrossRef].png)
IF0
PREAI
分享收藏Reservoir water quality deterioration due to deforestation emphasizes the indirect effects of global changeWATER RESEARCH
WATER RESEARCHIF12.4
PREAI
分享收藏Intercomparison of regional-scale hydrological models and climate change impacts projected for 12 large river basins worldwide-a synthesis全球12个大河流域的区域尺度水文模型和气候变化影响的比较-综合
OAAI
OAAI分享收藏Identifying critical source areas of non-point source pollution to enhance water quality: Integrated SWAT modeling and multi-variable statistical analysis to reveal key variables and thresholdsWATER RESEARCH
WATER RESEARCHIF12.4
PREAI
分享收藏
查看更多内容