近日，华南师范大学环境学院应光国教授团队张芊芊研究员等人在《Environmental Science & Technology》上发表了题为“Hybrid Physical Mechanism and Artificial Intelligence–Based Model for Evaluating Nonpoint Source Pesticide Pollution at a Megacity Scale”的论文（DOI: 10.1021/acs.est.4c14075）。该研究提出了一种结合物理机制与人工智能的混合模型，用于评估大城市尺度下的非点源农药污染。
全文速览
大规模非点源（NPS）农药污染已成为城市地区亟待解决的重要环境问题。然而，由于获取城市管道数据的困难以及污染物监测数据的稀缺，对这种污染的模拟和评估面临着诸多挑战。为了应对这一难题，本研究以广州市为案例，创新性提出在管网数据缺乏条件下可使用的混合模型。该模型融合了基于改进型门控循环单元（GRU）的降雨径流模块和基于物理机制方程的农药浓度模块，旨在精准评估大尺度城市区域的非点源农药污染状况。通过采用随机梯度下降算法，结合实地监测的径流量和农药浓度数据，对模型参数进行了校准与验证。所开发的混合模型在大尺度城市区域的模拟中表现优秀，其性能不仅与传统NPS模型在小尺度区域的模拟效果相当，甚至在某些方面实现了超越。使用该模型揭示了广州市NPS农药污染的时空特征，这些特征受到气象条件的显著影响。具体而言，冲刷负荷与最大农药浓度和径流量呈正相关，但与干旱持续天数不存在相关性。此外，研究还发现，是初始降雨强度而非总降雨量对农药的冲刷量起到了关键作用。这些发现为理解城市NPS农药污染的动态变化提供了科学依据，模型的成功应用展示了其在模拟城市区域新兴污染物方面的巨大潜力。
引言
城市非点源（NPS）农药污染是导致水质恶化的重要因素，对水生生物具有显著毒性。伴随城市扩张及公共卫生与绿地需求的增长，农药在土地利用多样化的城市功能区被频繁使用。降雨驱动的径流携带农药，经由渗透性低、不透水区域比例高的城市下垫面进入排水管网，最终未经处理排入水体。其特征表现为高频率排放、强冲刷潜力及排放点浓度急剧升高。相较于传统非点源污染，城市NPS农药污染更为复杂，源于其下垫面的高度异质性、大规模特性以及受气象条件与排水管网配置驱动的独特时空动态。特大城市高人口密度和对健康环境的需求，更凸显了此问题的关注价值。
由于大规模动态监测城市径流中农药浓度存在困难（采样点分散、分析成本高昂），模型模拟成为评估农药暴露的主要手段。鉴于城市排水口是NPS污染进入环境的关键节点并反映其污染特征，模型被用于估算排水口处污染物浓度的时空变化，进而描述径流及携带污染物的迁移过程。不同于由地形主导的传统径流，城市径流的路径与形成由管网布局塑造。排水口排出的农药浓度呈现高度非线性时间模式，需要大量数据校准模型。传统物理模型（如SWMM）虽能精确描述径流，但依赖详尽的管网与环境数据（如渗透性、土地利用、土壤湿度）。这些数据，尤其政府管理的管网数据，往往难以获取。加之监测数据稀缺，传统模型的应用通常局限于小尺度（如社区、流域）和易测污染物（如氮、磷）。此外，土地利用、功能区、不透水性及地形等空间变量导致排水口处农药浓度差异显著，城市扩张与功能区标准化加剧了农药施用带来的空间异质性，挑战了传统模型在小尺度捕捉农药暴露的能力。
预测和理解城市NPS农药污染的空间格局需要大尺度模型。机器学习模型虽在大流域径流模拟中表现优异，但在城市径流迁移方面仍有空白，且难以单独有效评估排水口处农药暴露（尤其训练数据不足时）。连续时空农药监测要求及时采集不易获取的径流样本并进行昂贵的仪器分析，数据匮乏有机污染物迁移转化模拟的主要瓶颈。农药冲刷特性与其物理化学性质密切相关，在数据有限时，参考验证过的物理机制有助于更好地模拟污染物累积与冲刷过程。因此，基于物理机制的模型对大尺度NPS农药暴露模拟仍不可或缺。鉴于上述，结合机器学习与物理机制的混合模型可能是评估大尺度城市NPS农药暴露的有效途径。本研究首次探索在缺乏管网数据、仅利用传统NPS模型易获取参数的条件下，为特大城市开发混合模型以评估新兴NPS农药污染。选择广州为案例，利用开发的混合模型评估了不同排水口处的时空污染特，征阐明了影响农药冲刷的关键因素。研究成果有助于指导城市农药高效使用，并为大尺度城市环境中模拟新兴污染物提供了新见解和方法支撑。
图文导读
1. 研究区域
广州是一座面积7434km2的亚热带城市，植被覆盖率43.6%，河网密度0.75km·km-2，高度不透水的建成区与密集河湖交织，形成复杂的降雨径流格局。为支撑3722个子汇水区的高分辨率模型校准，研究团队综合地形、道路、排水口与河网信息，在代表性土地利用单元布设5处排放口采样点，持续监测径流量与农药浓度，采样点按大学区、工业区、商业区、公园及其他功能区遴选，确保地表类型差异充分体现。结合广州农药使用现状，选定11种常用城市农药作为研究对象，包括五种新烟碱类农药（啶虫脒ACE、噻虫胺CLO、吡虫啉IMI、噻虫啉THI、噻虫嗪THM）和六种城市灭蚊剂（氟氯氰菊酯CYF、氯氰菊酯CYP、氯菊酯PER、胺菊酯TET、倍硫磷FEN、残杀威PRO）。
2. 模型结构
图1. 模型框架和运行机制
图1展示了模型的示意框架，突出了一个基于改进型门控循环单元（GRU）的降雨径流模块和一个基于物理过程方程的农药浓度模块。通常情况下，利用历史和当前降雨数据结合下垫面侵蚀方程来模拟每个子流域的径流形成。然后，使用改进型GRU对这一过程中涉及的一系列参数进行校准，最终得出每个子流域中每个排水口的径流量，作为农药迁移的介质。根据农药的应用模式和控制污染物积累与降解的物理过程方程，利用监测到的农药浓度数据对农药浓度模块中的一系列参数进行校准，最终得出每个排水口的农药浓度。最后，将模型中某些子流域中校准的降雨径流和农药冲刷模式扩展到所有子流域，完成大尺度城市NPS建模。数据处理和模型构建使用了Python和ArcGIS软件。
序列数据涵盖2021年5月至2022年12月期间的降雨、径流与农药浓度三类要素。降雨量来自SIAS网格数据，覆盖216个数据网格。利用多普勒流速仪在5处排水口（O1-O5）实地监测45场降雨事件，共获得3156条10min解析度记录的径流量；在3处排水口（O1-O3）监测21场降雨过程，每10min采集一次水样并完成实验室分析，获得相应目标农药浓度。化学与环境背景数据则涵盖11种目标农药的年度施用量和施药区域（来源于国家农药信息网和各区政府依申请公开平台），并结合遥感土地利用、道路河网、DEM及排水口位置，将广州市划分为3722个子汇水区，进一步按照既定算法分配到逐日施药量。
在此数据基础上，混合模型由径流预测模块与浓度预测模块组成。径流预测模块：以10min为时间步，将降雨量与下垫面比例耦合Horton渗透与Manning公式估算损失，再用改进GRU（移除非线性激活，仅输出端ReLU）学习径流滞后与汇水特征。浓度预测模块：根据施药日历线性累积农药量，引入幂函数损失描述降解与环境损耗，并以logistic曲线模拟冲刷速率和浓度变化。 双模块经校准后，参数迁移至所有子汇水区，在Python/PyTorch环境中自动运行，生成10min分辨率的径流量、农药负荷与浓度时序，为缺乏管网资料的大型城市提供可复制的农药非点源污染评估方案。
3. 径流预测性能
图2. 模型训练和验证阶段径流预测模块的性能以及模拟期间的降水量
径流预测模块在5个代表性子汇水区（总面积 3522 km2）上实现了10min分辨率的序列预测，训练集包含2568个时间序列与37场降雨事件，验证集为588个时间序列与8场事件，总计3156个时间点。模型使用改进GRU学习降雨-径流响应，校准阶段的Nash效率（NSE）与决定系数（R2）分别为0.516和0.520；在完全独立的验证阶段，NSE和R2分别升至0.554和0.557，表明模型具备稳健的泛化能力。进一步排除降雨强度低于0.001mm·10min-1的微雨后，NSE与R2分别提高到0.725和0.757，说明较大的降雨量为网络提供了更清晰的径流信号，有助于模式识别。与传统城市非点源模型相比，本研究在缺乏管网数据、气象数据空间分辨率有限的条件下，仍能在超大城市尺度获得可比精度：其性能接近SWMM模型在20km2量级流域（R2≈0.61-0.89）的表现，也优于HSPF模型在1670km2流域（R2≈0.61）的结果。这表明，通过简化时序特征学习并引入物理信息，即使在监测资料稀缺、下垫面高度异质的大范围城区，也可实现对暴雨径流过程的有效再现。
4. 农药浓度预测性能
图3. 模型训练（T）和验证（V）阶段农药浓度预测模块的性能。左轴显示对数差异（LD）的百分比，右轴显示泰尔不等式（TIC）值
浓度预测模块在21场降雨、3个排水口的10min序列上进行了校准与验证。训练阶段Theil不等系数（TIC）均值为0.431，验证阶段为0.433；83%的TIC小于0.5，表明总体误差可接受。对数差（LD）进一步印证了这一结果：56.6%的样本LD小于0.5，69.9%小于0.7，几乎全部控制在一个数量级内。在11种目标化合物中，新烟碱类（ACE、CLO、IMI、THI、THM）和大部分灭蚊剂均表现出良好拟合，仅PER和PRO偏差稍大，主要因部分样品浓度低于检出限。这两种化合物logK_ow为5-7，易与颗粒结合，降低了在径流中的可检测性，也压缩了有效训练样本。与已有的小尺度模型相比（TIC约0.15-0.35），本模型在城市3000km2量级上取得相近精度，已可满足大尺度暴雨冲刷评估需求。仅6场降雨出现峰谷错配，集中在CLO、ACE、CYP、THM，原因与原始降雨数据为1h降雨及10min计算步长对突发强雨的分辨率不足有关。提升降雨数据精度和扩充实测浓度序列，将有助于进一步逼近峰值响应，但当前结果已证明模型能够可靠表征城市尺度农药浓度的时空动态。
5. 城市径流排水口处农药污染的时空特征
图4. 城市月平均冲刷负荷及农药最大和平均浓度分布
雨季（7-9月）对广州城市农药迁移具有决定性作用：在2021-2022年的模拟期内，84.78%的月度冲刷负荷发生于雨季，单月峰值负荷较旱季（10-12月）高2.44倍，平均与峰值浓度亦分别抬升132%与127%。统计结果显示，月度冲刷负荷与累计降雨量之间呈显著正相关（p<0.05），说明丰沛降雨与高温高湿气候、施药高峰时段叠加后，会显著提高城市径流中的农药输入量和浓度水平。空间上，山地林区与高密度建成区是两类显著高值区。新烟碱类农药（ACE、CLO、IMI、THI、THM）在山区郊区和人口密度较高城区均显示较高平均浓度，而灭蚊剂（CYF、FEN、PER、TET）则主要富集于人口密集、靠近珠江干流的行政区域。暴雨过程内部的时序特征亦展现出差异化行为。小雨下，多数农药浓度在径流开始30min左右出现峰值；而在中到暴雨条件下，浓度峰值延迟且更离散（平均滞后150-192min），表明总雨量对负荷的贡献大于对瞬时浓度的影响。
6. 影响农药冲刷的关键因素
图5. 径流、降雨持续时间和干旱持续时间与11种农药之间的相关系数。（a）与农药冲刷负荷的相关性；（b）与最大农药浓度的相关性。
污染物负荷与径流量、降雨历时存在强正相关（r > 0.8），符合传统模型认知。最大农药浓度（除IMI外，其r=0.34）与径流量也呈中度正相关（0.4 < r < 0.6）。然而，平均农药浓度（除IMI外）与径流量仅呈弱相关（0.2 < r < 0.4），提示在高强度降雨条件下，冲刷负荷的激增可能抵消甚至超越了径流量增大带来的稀释效应。前期干燥天数（ADD）与农药浓度的相关性最弱（0 < r < 0.2），且与最大浓度的相关性均不显著（p > 0.05）。这主要归因于农药相对较短的半衰期，使其在施用后能通过降解、吸附和渗透等过程迅速达到逸度平衡状态。因此，降雨对城市农药污染的影响远大于农药的累积施用量，预示着在降雨丰沛的热带/亚热带地区，此类问题可能比在干燥/凉爽的温带地区更为严峻。农药的理化性质也是关键控制因素：水溶性高、吸附弱的新烟碱类更易随初期径流迅速进入排水系统，而高logKow的灭蚊剂则需更长降雨历时才能通过颗粒再悬浮被冲离地表。这些结果共同表明，雨量、降雨强度与污染物的理化性质的耦合作用决定了城市农药污染在时间与空间上的多层次差异，对需求灭蚊剂喷洒的热带-亚热带城市制定差异化的施药和雨洪管理策略具有直接参考价值。
环境意义和小结
城市化进程显著增加了径流量及污染物向河网的迁移负荷。虽然传统污染物已引起广泛关注，但针对城市径流中有机污染物，尤其是新兴污染物的研究仍处于初期阶段。本研究聚焦于两类具有代表性的城市NPS农药污染物，揭示了其复杂的冲刷机制和时空分布特征。本研究开发的混合模型-结合机器学习径流预测与物理机制污染物迁移预测，具有重要的延伸价值。其核心在于基于完整下垫面数据的合理子流域划分，这意味着该模型可被推广应用于具备基础数据的其他城市区域，用于评估可通过物理过程（如积累-冲刷方程）描述的其他新兴有机污染物（如阻燃剂、抗氧化剂、微塑料等）的迁移归趋。随着城市环境管理中对新兴污染物监测与管控的加强，相关数据将日益丰富。通过整合这些数据，本研究所提出的混合模型有望为未来城市非点源污染的管理决策提供强有力的科学工具。
文章信息：
Zhao Guo, Qian-Qian Zhang, Ya-Ya Cai, Zi-Yang Wen, Jian-Liang Zhao, and Guang-Guo Ying. Hybrid Physical Mechanism and Artificial Intelligence–Based Model for Evaluating Nonpoint Source Pesticide Pollution at a Megacity Scale. Environmental Science & Technology 2025, 59 (22), 11083-11094. DOI: 10.1021/acs.est.4c14075.