近期，弹珠台游戏 杨志峰院士团队蔡宴朋教授课题组在Water Research上发表题为“Integrating Landscape "Source-Transport-Sink" Mechanisms into GeoAI to Enhance Surrogate Modeling of Watershed Nutrient Loads”的研究论文。蔡宴朋教授为论文通讯作者，弹珠台游戏 博士后齐子萱为论文第一作者。

【论文中文名称】

融合景观“源-移-汇”机制的GeoAl模型用于提升流域营养盐负荷模拟能力

【中文摘要】

流域氮磷负荷的精准预测与有效管理，始终是控制面源污染（NPS）面临的关键挑战。现有大多数替代模型主要依赖土地利用变量，往往忽略了土地利用变化所引发的景观结构与功能转变对营养盐负荷动态的影响，从而限制了替代模型的可解释性与泛化能力。针对这一问题，本研究提出了一种融合“源-移-汇”机制的地理空间人工智能（GeoAI）替代模型框架。在该框架中，研究引入源汇景观类型、水文连通性（IC）以及景观破碎化指数等代理变量，用以表征“源-移-汇”机制。Pearson相关分析、地理探测器以及偏最小二乘结构方程模型（PLS-SEM）共同验证了这些变量在解释流域营养盐负荷方面的相关性、交互作用及其作用机制路径。研究采用耦合输出系数模型（ECM）与土壤水评价工具模型（SWAT）模拟得到的2000-2022年子流域总氮（TN）和总磷（TP）负荷数据（R² > 0.9）作为训练样本，对传统机器学习模型（XGBoost、CatBoost、ANN）与GeoAI模型（GeoXGBoost、GNNWR、GTNNWR）在流域面源污染模拟中的表现进行了比较。结果表明，GTNNWR模型在泛化能力和过拟合控制方面表现最佳，在测试集上对TN和TP的R²分别达到0.698和0.755。进一步地，本研究将intPLUS模型与GTNNWR耦合，预测了东江流域到2030年在经济发展、生态保护和自然发展三种情景下TN和TP负荷的变化。结果显示，生态保护情景能够显著减缓东江流域TN和TP负荷的增长趋势。TP高风险热点主要集中于流域中游，而TN风险则更广泛分布于中下游地区，其中东莞和深圳周边区域增幅最为显著。总体而言，本研究所构建的GeoAI替代模型以“源-移-汇”机制为理论基础，具有较强的科学支撑性和可迁移性，可为流域面源污染风险的模拟、预警与管理提供一种适用范围广、推广潜力强的新工具。

【创新发现点】

1.研究首次把“源-输移-汇”机制系统引入GeoAI代理模型，用源汇景观类型、水文连通性和景观破碎化等关键指标刻画营养盐迁移过程，不仅提升了预测能力，也更清晰解释了TN和TP负荷形成的内在机制。

2.研究提出“ECM-SWAT提供训练样本+ GeoAI建模”的新方法，用过程模型弥补长期监测样本不足，再由GeoAI实现快速、高精度模拟，为流域面源污染管理和情景预测提供了兼顾精度和效率的代理模型。

【关键图示】

图1.影响流域面源污染负荷时空分异特征的“源-移-汇”机制示意图。

图2.耦合“源-流-汇”机制的流域面源污染负荷代理模型建模方法框架。

图3.图左为ECM-SWAT模型模拟的东江流域氮磷负荷的时空变化特征；图右为不同机器学习模型和GeoAI模型氮磷负荷模拟精度对比。

致谢：本研究得到了国家自然科学基金项目（52439005、52388101）和广东省引进创新创业人才团队项目（2021ZT090543）的支持。

【原文链接】：//doi.org/10.1016/j.watres.2025.125263

供稿：齐子萱

初审：陆丽莹

复审：梁赛

终审：马金星