未分类

关于源项反演的思考

基于下游监测数据的上游水体污染源溯源与定位算法的探索和调研，这对反应堆的源项反演可以促发怎么样的思考？

水体污染源逆向溯源问题的科学背景与核心挑战

基于下游监测数据的上游水体污染源溯源与定位算法综合研究报告在全球城市化与工业化进程不断加速的背景下，水资源安全面临着前所未有的威胁。无论是地表水体（如河流、湖泊、河口）、地下水含水层，还是城市供水管网（Water Distribution Networks, WDNs）与城市排水系统，均极易受到各类突发性或隐蔽性污染事件的侵袭。这些污染可能源于意外的化学品泄漏、工业废水的非法违规排放、农业面源污染的长期渗透，抑或是管网系统内部的交叉污染与管道破裂漏损 1。为了在污染事件发生后迅速采取隔离、冲洗或生态修复措施，并为后续的法律追责与生态损害赔偿提供无可辩驳的科学依据，利用部署在下游有限且分布稀疏的传感器网络所捕获的水质异常数据，反向推演出上游污染源的确切空间位置、释放起始时间以及污染物的排放强度，构成了当前水环境管理与水文信息学中的核心科学难题，即污染源识别与定位（Contamination Source Identification, CSI）问题 5。

从流体力学与应用数学的本质属性来看，水体污染溯源是一个典型的非线性、病态（Ill-posed）数学逆问题。污染物在水体介质中的传输过程受制于对流、扩散和物理化学反应的综合作用。由于扩散过程的不可逆性以及不可压缩流体中动量交换的耗散特性，污染源在注入初期所具备的高频空间特征，在随水流向下游传输的过程中会因水动力弥散作用而被逐渐抹平。因此，试图基于下游有限的、经过时空平滑且往往伴随显著测量噪声的传感器时间序列数据，去精确反推上游极其尖锐的初始边界条件与状态，在数学上违背了阿达马（Hadamard）适定性原则的连续依赖性与解的唯一性 7。

具体而言，溯源计算面临着多重维度的严峻挑战。首先是解的非唯一性挑战，在复杂的管网拓扑或多分支河流中，位于不同上游分支的多个独立污染源组合，经过长距离的对流扩散后，极有可能在下游特定传感器位置产生完全相同的浓度时间响应曲线，导致溯源算法在多个等效“伪源”之间发生混淆 10。其次是系统动态性与随机性带来的挑战，城市管网中用户的用水需求呈现出高度的随机波动特征，通常只能用高斯模型或自回归模型进行概率描述；而在地表河网中，频繁的水闸调控、降雨径流的冲刷效应以及感潮河段的往复流，使得流场参数随时间剧烈变化 1。最后是高维搜索空间与计算时效性的矛盾，现代城市水网通常包含数以万计的节点与管段，若采用全局搜索策略，其计算复杂度呈指数级爆炸，难以满足应急响应场景下“分钟级”甚至“秒级”的实时定位需求 8。

为了系统性地攻克上述科学瓶颈，过去三十年间，学术界与工业界进行了一系列深入的探索，发展出了跨越多个理论维度的算法体系。从早期的纯数学偏微分方程解析与正则化重构，到结合水动力学仿真引擎的启发式全局优化框架，再到基于概率论的贝叶斯不确定性推断，乃至近年来蓬勃发展的、能够直接解析空间拓扑关系的数据驱动图神经网络技术。各类算法在计算效率、抗噪鲁棒性、物理机制融合深度以及场景普适性上各具千秋，共同构筑了现代水体污染溯源的技术矩阵。

污染物传输物理机理与确定性数学逆推算法

一切溯源算法的基石均建立在对污染物传输物理过程的深刻理解之上。无论是空气、地表水还是地下含水层，被动标量（污染物）在空间域内的时空演变均可由经典的对流-扩散-反应方程（Advection-Dispersion-Reaction Equation, ADE）进行精确的数学描述。该方程揭示了浓度场变化与流速场、扩散系数及源汇项之间的动态平衡关系 12。

在ADE模型中，控制方程通常表述为：

其中，C代表污染物浓度，V代表流体的对流速度向量，D为扩散系数张量（通常包含分子扩散与湍流弥散分量），γ为污染物的生化反应衰减系数，S（x，t）则是亟待识别的未知时空源项 12。

积分方程转换、基本解方法与Tikhonov正则化

在解析与传统数学反演框架中，直接对ADE偏微分方程进行时间反向积分（即求解后向时间演化问题）是极其困难的，因为扩散算子的反向操作会极大地放大高频误差，导致数值解迅速发散。为了规避这一数值灾难，研究人员采用积分变换策略，将含有未知点源强度分布的无界域柯西（Cauchy）问题转化为有界域上的狄利克雷（Dirichlet）边界问题 7。

通过引入伴随算子和特定物理环境下的格林函数（Green’s Function）或基本解（Fundamental Solutions），能够将偏微分方程转化为第一类或第二类Volterra积分方程或Fredholm积分方程。例如，通过将下游传感器位置 （x1，y1） 的时间浓度序列 Y（t）视为已知函数，将上游未知位置 （x0，y0） 的随时间变化的排放强度 f（t） 视为未知核函数，两者之间通过卷积积分建立联系 7。由于第一类Volterra积分方程本质上是不适定的，任何观测数据中的微小扰动均会导致求解结果产生巨大震荡。

为了获得稳定的物理意义解，Tikhonov正则化（Tikhonov Regularization）算法被引入并成为数学反演的核心工具。该算法通过修改目标函数，将单纯的最小二乘残差项替换为包含惩罚项的复合泛函：

在此公式中，第一项衡量模型预测值与传感器实测数据 g 之间的拟合程度，第二项则是正则化约束，α作为极其关键的正则化参数，用于平衡数据保真度与解的平滑度。矩阵 L往往不是简单的单位矩阵，而是涉及微分算子的特定类型矩阵，如全变分（Total Variation, TV）惩罚或熵惩罚项，旨在允许污染源强度突变的同时滤除背景高斯噪声与脉冲噪声 7。通过应用Morozov偏差原理自适应地选择最佳的正则化参数 α，配合配点法（Collocation method）在时间均匀网格上的空间离散，Tikhonov算法能够逐序地推演出连续点源的动态释放曲线。然而，这种纯粹的数学推导方法高度依赖于偏微分方程系数（如恒定流速和均质扩散率）的理想化假设，在面对具有复杂分叉拓扑、变截面或非恒定流的真实河流与管网系统时，难以直接求解出解析的格林函数，从而极大限制了其在工程实践中的推广 16。

伴随方程法与源-受体矩阵构建

为了突破在大尺度三维水体中正向模拟的高昂计算成本限制，计算流体力学（CFD）领域中的伴随方程法（Adjoint Equation Method）被广泛引入水质溯源。传统优化若采用有限差分或有限元（FEM）在每个可能的源节点处运行正向ADE方程，其计算量随网格节点数呈线性甚至多项式增长。相比之下，伴随方法利用对偶空间原理，将下游的每一个传感器视为一个独立的“虚拟释放源”，并在逆流方向上求解一次伴随的对流-扩散方程 12。

通过仅求解与传感器数量相等次数的伴随方程，可以高效地计算出整个计算域内所有网格点对下游观测结果的敏感性，即构建出“源-受体关联矩阵”（Source-Receptor Relationship）。基于这一敏感度矩阵，溯源问题可以直接转化为一个低维度的线性代数求解过程。研究表明，在涉及三维湍流扩散和复杂边界层影响的流场中，利用大涡模拟（LES）或雷诺平均纳维-斯托克斯（RANS）方程求解的伴随场，能够将溯源时间从数月大幅缩减至数小时，显示出对突发事件应急溯源的巨大潜力 12。

概率统计学与贝叶斯推断不确定性体系

在真实的水务环境工程中，传感器传回的数据不可避免地夹杂着测量噪声，同时由于对地下水渗透系数、河流底泥糙率以及管网管壁粗糙度的认知不足，物理模型本身亦存在结构性误差（Model Inadequacy）。若一味追求残差最小化而输出单一的确切污染源坐标与排放时间，极易导致环境管理者的误判。因此，提供一个包含置信区间和不确定性量化指标的概率分布，其工程价值远胜于单一的最优点估计。概率统计与贝叶斯推断（Bayesian Inference）体系正是为此而生 18。

贝叶斯推断的核心思想是利用贝叶斯定理，将人们对未知污染源参数的初始认知（先验概率，Prior Probability）与下游传感器提供的最新观测证据（似然函数，Likelihood Function）相结合，进而更新出对污染源真实状态的最终评估（后验概率分布，Posterior Probability Distribution）。

马尔可夫链蒙特卡洛（MCMC）在高维参数空间中的探索

在构建出包含污染源坐标（X, Y）、注入强度、启动时间及持续时间的联合后验概率密度函数后，由于似然函数往往是非线性的且难以积分，采用解析法求解归一化常数是不可能的。此时，马尔可夫链蒙特卡洛（MCMC）算法及其衍生变体（如Metropolis-Hastings准则、Gibbs采样器）成为了破解高维概率积分的核心工具 12。

MCMC算法通过在多维参数空间中构造一条平稳分布与目标后验分布相一致的马尔可夫链，进行随机漫步式采样。在每一步采样中，算法根据提议分布（Proposal Distribution）生成一组包含特定污染源坐标和排放强度的候选样本，将其输入至水质物理正向模拟引擎（如基于Galerkin最小二乘法的FEM求解器）中，并计算模拟下游浓度与传感器真实数据的残差。利用Metropolis接受/拒绝准则，MCMC能够在不陷入局部低谷的情况下，全面探索整个高维空间，最终提取出具有高概率密度的源位置及排放特征。在复杂城市河段和地下含水层的真实案例验证中，改进的Bayesian-MCMC模型不仅能准确收敛到距真实污染源极小误差范围内的区域，还能清晰呈现各不确定参数间的相互依赖性（例如污染质量负荷与扩散系数呈现强烈正相关，而流速参数则主导释放时间的判定） 22。

实时数据同化与集合卡尔曼滤波（EnKF）

传统MCMC模型虽然在严密的事后评估与法医溯源（Forensic Investigation）中具备极高可信度，但其需要成千上万次反复调用流体力学引擎的特性导致计算极其缓慢。为了适应物联网（IoT）时代连续水质数据流的实时处理需求，结合状态空间更新的数据同化（Data Assimilation, DA）技术被引入，其中集合卡尔曼滤波（EnKF）尤为突出 27。

EnKF采用一系列随机微扰的蒙特卡洛集合样本来近似非线性系统状态的均值与协方差矩阵。随着下游传感器新的水质观测值每一个时间步的持续流入，EnKF无需重新模拟整个历史进程，而是通过卡尔曼增益矩阵在当前时刻直接对水力学状态变量与污染源参数集合进行联合修正与贝叶斯更新。这种时间递进式的概率框架，结合无导数优化的自适应代理模型技术，大大缓解了传统MCMC的计算瓶颈，使其在应对带有强降雨冲刷干扰的城市地表径流系统及排水管网的瞬态污染溯源时展现出极大的灵活性 29。

启发式元优化理论与“模拟-优化”（S-O）耦合框架

面对包含非线性控制阀门、多水库调蓄且管段极度密集的城市供水管网系统，纯粹的偏微分方程推导显得力不从心。此时，“模拟-优化”（Simulation-Optimization, S/O）耦合模型成为业界解决地下水与大规模管网溯源问题的主流工业级方案 30。S/O框架的本质是将专业的环境数值模拟黑盒软件（如用于管网的EPANET、用于地下水的MODFLOW/MT3DMS、以及用于一维河流的MIKE 11与CE-QUAL-W2）同外部控制的启发式（Heuristic）或元启发式（Meta-heuristic）全局搜索算法相互嵌套，进行协同计算 31。

在这一体系中，启发式优化算法作为“大脑”，负责生成并向模拟器传递假设的污染源位置与排放历史参数组合；而仿真软件则作为“验证器”，计算该假设下管网末端传感器所应产生的水质时间序列。优化算法随后根据两者之间的目标残差适应度，指引种群向更优解进化。这种黑盒式调用使得S/O模型极其通用，能够轻易处理包括恒定流、非恒定瞬态流、单源或多源在内的复杂非线性混合场景，并且通过参数外部映射避免了干预底层物理代码 28。

经典遗传算法与粒子群优化的演进

在众多启发式优化算法中，遗传算法（Genetic Algorithm, GA）与粒子群优化算法（Particle Swarm Optimization, PSO）在水质溯源领域的应用最为广泛。遗传算法借鉴达尔文生物进化论中的自然选择学说，将污染源坐标、发生时间等参量进行二进制或实数编码。通过多代种群内部的选择、交叉（Crossover）重组与变异（Mutation）机制，GA展现出强大的全局搜索能力，特别擅长处理管网节点离散与排污量连续的混合整数非线性规划（MINLP）问题 8。然而，当面临含有大量传感器观测误差以及水力弥散带来的“多平缓峰值”适应度地形时，纯GA算法容易出现早熟收敛，且其每一步评价均需进行大量的网络正向流体力学计算，导致极度耗时 31。

与之相对，粒子群优化（PSO）模拟鸟群觅食的信息共享机制。在溯源问题中，每一个粒子代表一个潜在的污染源配置解，粒子通过跟踪自身的历史最优位置（Pbest）以及整个种群的全局最优位置（Gbest），利用速度与位置更新公式不断向目标收敛。PSO因其数学形式简洁、控制参数少且收敛速度快等优势，被大量应用于寻找局部最优及连续源浓度的精细调节。但同样，在求解非凸非线性方程组时，PSO极易陷入局部最优死区，无法跳出从而得到错误的上游节点定位 38。

混合策略与模拟退火（SA）的破局机制

为了兼顾计算速度并克服容易陷入局部最优的顽疾，融合不同元启发式算法优势的混合动力学模型相继涌现。其中，结合了模拟退火（Simulated Annealing, SA）准则的混合算法展现出了卓越的性能。模拟退火源于固体物理中金属退火降温的热力学过程。最关键的改进在于引入Metropolis接受准则：在迭代初期阶段（即高温阶段），算法有较高的概率随机接受一个比当前解更劣的参数组合；随着搜索进程推移（降温），接受劣解的概率逐渐趋近于零。这一机制赋予了算法逃离局部最优陷阱的强大动能 36。

例如，SA-PSO（模拟退火-粒子群）混合算法通过将SA的突变退火机制嵌入PSO的位置更新环中，在处理含多种用水模式和不确定水力参数的供水管网多峰值溯源优化时，不仅大幅缩短了收敛时间，更在突发水污染事件模拟中使诊断定位精度跃升至近乎完美的置信度区间，其整体效能显著超越了独立的PSO和GA算法 40。同样，GA-PSO混合架构通过在算法搜索前期利用GA大范围交叉探索保证多样性，在后期利用PSO高效剥离细化局部参数，在地下水及管网定位中表现出惊人的抗噪鲁棒性（当测量误差达到一定水平时仍能收敛）并大幅降低了定位距离误差 40。此外，诸如自适应模拟退火（ASA）、差分进化（DE）、人工蜂群（ABC）、和声搜索（HS）等新型智能优化手段也在大规模流域和地下水资源管理溯源领域展现出了特定优势，推动了基于群体智能反演技术的持续繁荣 36。

数据驱动时代的机器学习分类与回归策略

尽管各类改进的“模拟-优化”框架及其衍生代理模型（Surrogate Models）在算法收敛性上取得了显著突破，但在应对数百万用户量级的现代特大城市级供水系统时，优化迭代过程动辄需要数十分钟乃至数小时的耗时依然构成了严重制约。水务运营与应急响应的核心痛点在于：在传感器警报触发的最初期，必须在数秒至几分钟内提供污染源的近似定位范围，以实施紧急关阀切断指令。针对此种强时效约束，不再依赖正向动力学迭代计算，而是转而依赖预先提取隐含模式特征的完全数据驱动（Data-Driven）机器学习范式（Machine Learning, ML）成为了革命性的替代方案 45。

随机森林（RF）的层级定位框架

在机器学习领域中，由于随机森林（Random Forest, RF）和梯度提升树（如XGBoost, AdaBoost）具备出色的非线性拟合、抗噪特性与抗过拟合能力，被广泛证实为执行污染节点筛选的最佳利器 46。在典型的基于ML的水网溯源架构中，算法被精巧地解耦为“多分类筛选”与“回归预测”两级流程。

在模型训练阶段，利用高性能并行计算平台与EPANET或SWMM等引擎，预先实施海量包含随机注入位置、随机注入浓度的蒙特卡洛（Monte Carlo）正向仿真。在分类阶段，RF分类器或多层感知机（MLP）深度神经网络接受多个下游传感器在一段时间序列内的污染浓度阵列作为输入特征向量，并将庞大管网中的全体节点作为输出类别标签。算法依据概率输出，对嫌疑节点池执行严密的锦标赛式淘汰（Tournament style selection）或K-最近邻排序，能在瞬间将溯源怀疑目标从上千个管网分支剔除过滤至十个以下的最核心可疑点。继而在回归阶段，利用RF回归模块专项预测这些核心节点的排污起始时刻、结束时间以及污染物的初始释放量分布。大量仿真论证表明，即便存在严重的数据缺失或模糊不清的布尔级传感器警报，此类RF-MLP级联机制也能将搜索范围缩减90%以上，且各项参数的方差误差控制在极低的范围内 47。

时序深度学习：RNN与LSTM的时空捕获

针对河流、流域和水库等开阔水体，水质数据天然呈现出极强的序列相关性（Time Series Dependency）。在这种情形下，普通的浅层前馈网络（如传统BP神经网络）往往难以捕捉污染物随长距离输移而积累的延迟效应与时序记忆。因此，在循环神经网络（RNN）基础上发展而来的长短期记忆网络（Long Short-Term Memory, LSTM）与门控循环单元（GRU），由于其独特的记忆门和遗忘门结构设计，成为了时间序列污染特征提取的首选算法 52。

LSTM不仅可以处理长距离依赖问题以防止梯度弥散，还能完美融合气象因素（风向、风速、降水、气温）及复杂多源数据，以此反演出大尺度河网中工农业混合型排放引起的水质异常波动演化规律 1。在进一步处理极度不平衡的水质异常数据时（即由于安全保障机制的存在，正常水质数据占极大比例，而严重污染事件样本极少），引入基于机器学习算法的数据扩充技术，如自适应合成采样（ADASYN）或边界少数类过采样技术（SMOTE+TLTE），能够有效补充模型对于小样本极端污染爆发场景的学习边界，极大提高深度学习系统对于新发污染源定位预测的灵敏度与泛化容错率 48。

拓扑感知的理论飞跃：图神经网络（GNN）的全面应用

尽管基于随机森林与深度长短期记忆网络的溯源算法在时效性上取得了巨大成功，但这些主流的基于欧几里得空间数据构建的机器学习算法在底层逻辑上存在一个致命的盲区：它们不可避免地将输入传感器数据扁平化为纯粹的向量矩阵进行处理，从而完全割裂了水力管网或河流网络在物理空间上绝对不容忽视的拓扑连通结构属性与流体动力学的有向性。在实际的水务系统中，地理位置虽然相近但处于不同压力分区或分属不同集水流域的两个节点之间，其实际的水动力交叉污染概率可能为零。如何让智能算法如同人类水利工程师一样，直接“读懂”错综复杂的管网图纸与流向关联，成为突破瓶颈的关键。

随着图深度学习技术在复杂网络系统中的爆发，图神经网络（Graph Neural Networks, GNN）作为一项为非欧空间拓扑数据量身定制的前沿算法，彻底重塑了水网漏损评估与污染溯源研究的理论范式 58。

基于拓扑空间映射与消息传递机制的图卷积网络（GCN）

在应用GNN框架构建管网或地表径流系统时，真实的水网架构被直接抽象为一个复杂的拓扑图模型。其中，管网交叉连接点、水泵、水库水塔均被赋予节点的概念，节点的特征矩阵密集包含了管龄、管径大小、管道材质属性及其配置的实时水质水压传感信号；连接这些节点的物理管道则被抽象为图的边（Edges），图的邻接矩阵（Adjacency Matrix）极其精确且直观地描述了节点与节点之间的空间空间依附性与水流连通路径规律 58。

图卷积神经网络（Graph Convolutional Network, GCN）依托图拉普拉斯算子展开频域和空域层面的消息传递（Message Passing）。它能够沿着定义好的水网物理边，聚合直接相连邻居节点的水质水压特征，从而深刻地理解到在整个流向拓扑中，某上游节点的管段老化、破裂漏损或污染物侵入风险如何沿着管壁传递并辐射到下游感应节点。这种依托内蕴物理拓扑的表征学习有效消除了传统算法因为忽视空间结构而在复杂环境中做出的误判 60。

引入注意力机制的GAT与处理稀疏数据的泛化优势

针对供水管网内由于泵站切换和阀门开闭导致的实时流量剧烈变化以及流向反转的动态场景，图注意力网络（Graph Attention Network, GAT）展现出比GCN更优的动态适应性。GAT算法为其卷积过程引入了深度注意力计算机制，赋予模型对不同流向分支的重要程度进行动态定权的能力。它能够自动识别出具有大流量上游汇入特征的重要管段，同时自动削弱水力关联薄弱的盲端或边缘节点的影响。在涉及社区管道老化重金属（如铅）释放等复杂慢源污染溯源预测的研究中，基于水路连接和邻近性构建的GAT模型显著超越了诸如XGBoost等传统树模型的诊断准确率，以极高的召回率锁定了隐藏于复杂拓扑中的高危感染源区域 60。

更为突出的突破体现在模型对抗不确定环境及测点极其稀疏情况下的强韧性（Resilience）。例如，采用门控图神经网络（Gated Graph Neural Networks, GGNN）的方法通过将时序水质动态演变同有向网络图相耦合，使得在传感器部署密度仅限于几个干线节点的恶劣环境中，仅依据两小时的稀少传感器动态读数，便能以超过90%的惊人准确率从浩如烟海的管网结构内将污染入侵源缩小至前5名的有限子集内 65。而且，诸如GraphSAGE这种具备高度归纳学习（Inductive learning）特性的图算法，还能实现在某一个成熟水网架构上训练得出的权重参数向另一个完全未见过的、具有新节点布局的供水网络上进行泛化部署与跨域知识迁移（Transfer Learning）溯源操作，这一特性为规模急剧扩张的现代智慧城市水务管理提供了无比强大的扩展潜力 60。

不仅如此，学术界还正在尝试向此类纯数据图学习结构中强力注入水文动力学基本约束原则，例如诞生出结合了最大流算法（Ford-Fulkerson）、质量不灭守恒定理和能量守恒定律的物理信息/算法信息图神经网络（PI-GNN / AIGNN）。这种融合将水力求解器的硬性物理约束与图网络灵活的损失函数表征推断完美融合，进一步保证了即便面对存在罕见结构畸变的数据分布区域，基于图论构建的溯源系统依然具有物理可解释性和强悍泛化适应能力 67。

复杂溯源工程场景与受体模型源解析

由于真实水环境系统的极端复杂性与耦合性，研究界亦将算法延展到识别更加棘手的情境中，例如流域级别多污染源的同时混叠识别、传感网络布设方案的拓扑寻优等高级维度。

面向流域的混合多源溯源与统计分离解耦

当广阔流域内、沿海平原河网中的下游测点同时接收到工业密集区的无组织排放、集约化农业残留的大规模雨水面源径流冲刷，以及自然底泥内源物质的共同混叠汇入时，下游水质往往呈现多种超标因子同步升高的复合信号污染状态。此时，前述基于单一点源优化的S/O框架很容易将各类不同的真实排放源聚合成一个具有极高强度的伪源 1。

针对这一溯源痛点，盲源分离算法（Blind Source Separation, BSS）结合非负矩阵分解（Non-Negative Matrix Factorization, NMF）技术被创新性地用以拆解由单一传感器截获的多成分混合时间信号，这使得无需预设已知源的数量或复杂的物理介质传输特性，就能从纯信号波动周期和衰减曲线的反演中直接提取出各自独立的排放源物理参数与水文分散特性 71。在更宏观的管理评估层面，基于绝对主成分得分-多元线性回归（APCS-MLR）算法和正定矩阵因子分解（PMF）算法等统计型受体模型（Receptor Models）成为了对各类源区实施占比拆分定量定性的标配解决方案。利用长时间跨度的多断面理化指标集（如硝酸盐、高锰酸盐指数、总磷等），这些多元统计算法能够通过对原始多维受体矩阵实施隐变量降维剥离与特征荷载分析，精准揭示诸如氨氮、总磷受制于农业畜禽扩散，而电导率与COD成分深受城市生活污水支配的流域空间分异和机理归因现象，为下游政府制定跨区域跨行业削减考核政策提供了量化支持准则 72。

监测拓扑感知布局与“图溯源”反向优化闭环

不可忽视的是，所有前沿图算法和概率推断模型的溯源成败上限，皆根植于对下游监测传感网络的战略部署策略（Sensor Placement Optimization, SPO）。在一个上千公里的流体输送网络中，若随意布设水质探头，则极其容易使得各个分支源流由于汇聚过度掺混而导致示踪信号的高度共线性，彻底破坏溯源的独立空间可辨识度 62。

研究显示，为了提升逆向方程求解或图神经网络注意力分配的效率，应当采用协同配置的策略。通过在靠近关键排污风险企业的附近布置密集感应探头（Near-source sensors），可以第一时间捕获尖锐脉冲并提取极佳的时间特征；而配合布置在支流干流汇流口等处的传感器（Confluence sensors），则能确保探头读取经充分水动力掺混反应后的稳态特征，将溯源参数定位误差显著缩减高达80%以上 73。在此背景下，利用前述的RF或SA-PSO溯源算法的中间适应度评价反馈倒推优化探头的布设密度及安放拓扑位置结构，最终构成从“传感器优化监测”到“污染精准溯源”两相闭环的智慧感知控制整体范式设计 62。

各维溯源定位框架的多重综合对比与研判

为了详尽剖析和对比各体系溯源技术框架在应对真实水环境复杂系统挑战时的多维能力，下表对其核心优缺点与综合适用场景进行了归纳：

算法体系分类核心代表算法与工具求解效率与实时性数据与物理约束依赖程度抗噪声干扰与模型容错鲁棒性拓扑连通感知与泛化应用能力核心优势评估与推荐部署场景
纯数学解析与确定性方程反演Tikhonov正则化、伴随方程法、Volterra方程求逆伴随方程法效率极高，避免多次正演；纯解析法耗时中等。高度受限于必须精准无误的流体PDE方程（ADE）及固定的边界设定。较弱。极易受水流系统高频微扰、瞬态波动的干扰致使反演结果病态发散。无内在自动拓扑感知能力，计算须依赖预先人工精准网格划分及解析转换。物理机理诠释严格清晰。适宜地下多孔介质、形状极其规则平直河段等低噪声理想化场景建模分析。
概率贝叶斯统计不确定推断体系贝叶斯MCMC、结合先验概率集合卡尔曼滤波（EnKF）离线MCMC收敛耗时漫长（须数万次计算评估）；EnKF在线更新快。需要构建相对精确的前向仿真引擎似然分布以拟合并依赖科学先验推演。极强。原生具有吸收与量化观测读数噪声功能，产出平稳置信边界参数。在模拟引擎掩盖下具备一定隐式拓扑规律，但在空间连通特征抽象维度偏弱。能严谨供给带置信率范围的不确定量化结果，适用于法医学庭审举证、大范围严重信息缺损重构环境。
启发优化与“仿真-优化”耦合（S/O）SA、GA、PSO、基于Metropolis准则的混合演化（SA-PSO）较低。因需要深度调用EPANET/SWMM等沉重数值软件导致瓶颈显著。无需深度干涉解析方程黑盒参数内部结构，外接仿真耦合极为泛用。较强。经过改进混合的SA机制能以高概率抵御并跃出多峰分布下的局部低谷。依赖底层的专业应用引擎求解拓扑计算约束，全局搜索算法自身无法对特征解构。具有极其广阔普适空间维度，能灵活融入海量硬性管道压力环境与瞬变径流边界参数制约评估操作。
纯数据驱动分类映射学习模式随机森林（RF）、XGBoost、支持向量回归及长短时LSTM极高。前期预先海量离线调优，在线爆发事故毫秒极速推断执行响应。对涵盖万千情况分布规律的海量高纯净训练历史数据库有着绝对的数据饥渴。较高。利用集成建树原理与Dropout丢弃极好缓冲抵御局部缺测噪声。差。直接视作平坦多维数值特征集，完全将管道与支流水文物理联结属性撕裂破坏。计算逻辑极简短平快且执行响应无需模拟器唤醒，专为时间敏感要求苛刻的大型城市突发污染在线监测警报研发。
空间拓扑融合型图神经网络范式（GNN）GCN, GAT, GGNN, GraphSAGE 及物理引导图网（PI-GNN）极高。推断速度具备全在线并发极速预警能力，能效碾压复杂迭代。通过引入图结构边、节点削弱单纯全标签需求；PI-GNN进一步加入方程约束。极强。通过灵活的消息注意力聚合抛弃旁支噪音节点污染，提升动态网络辨识精度。极致优秀。原生基于非欧空间的连接几何建立学习算子，深度契合管流路向迁移属性。全新理论颠覆。面对大型市政管网、结构节点多变乃至极稀疏测点的严苛挑战时能提供全维拓扑泛化溯源推导能力。

总结与未来前沿技术应用展望

综上所述，利用下游监测断面与感应器数据反向捕捉锁定上游隐蔽或突发水体污染源的空间坐标及时间通量参数，不仅是一项横亘环境水文学、流体力学与逆映射数学领域的艰巨挑战，更是保障现代安全供排水体系与生态安全底线的核心支柱。从传统数学微积分转化破除系统病态缺陷、依靠大样本启发式全局迭代搜索摆脱非线形束缚，再到现代数字时代全面拥抱深度时空神经模式挖掘及贝叶斯置信概率统计评估，相关研究的技术演进轨迹充分映射了科学界由单纯追求唯一确切“数字解”，向全面管理调控不确定性扰动与系统泛化能力转移的深刻变革逻辑。

未来，面对极端气候变化、大型城市扩张及工业排放模式隐蔽化、复合化交织的复杂格局，没有任何一类纯粹单一的理论算法可以独善其身并全能化解所有场景约束。一方面，融合水力能量质量守恒定律机制与图注意拓扑传递深度耦合衍生的物理信息图神经网络（PI-GNN）与算法增强机制将是颠覆现代大型复杂管线溯源范式、打破数据维度的唯一突破口，其在维持秒级响应极限的同时具备了绝佳的空间连接泛化解析与抗噪辨识智能；另一方面，针对实际工程管理落地的可行性，开发构筑结合底层“图智能边缘筛查速定位”加之后台“MCMC联合卡尔曼滤波深度量化排污概率全貌”的阶梯分布式动态异构混合架构系统（Hybrid Architecture Framework），并将这些推演策略深度锚定融合进下一代带有最优感知测点布设寻优机制的城市数字孪生（Digital Twin）水务云平台生态之中，必将成为在全球尺度下构建新时代韧性（Resilient）、防灾型智慧治水网络的最终技术走向。

引用的著作

  1. Research on Water Pollution Monitoring and Qualitative Source Identification in a Typical Coastal River Network – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2076-3298/13/1/1
  2. Review of Urban Drinking Water Contamination Source Identification Methods – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/1996-1073/16/2/705
  3. Development of Inverse Modeling Method for Emission Source Identification in River Pollution Incidents Yinying Zhu A Thesis In – Concordia’s Spectrum, 访问时间为 四月 9, 2026， https://spectrum.library.concordia.ca/id/eprint/991203/1/Zhu_PhD_F2022.pdf
  4. Surface Water Pollution Source Identification and Quantification: Literature Review, 访问时间为 四月 9, 2026， https://article.sciencepublishinggroup.com/pdf/ajwse.20230903.11
  5. (PDF) Review of Urban Drinking Water Contamination Source Identification Methods, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/366929652_Review_of_Urban_Drinking_Water_Contamination_Source_Identification_Methods
  6. Review of Urban Drinking Water Contamination Source Identification Methods – PSE Community.org, 访问时间为 四月 9, 2026， https://psecommunity.org/wp-content/plugins/wpor/includes/file/2302/LAPSE-2023.6247-1v1.pdf
  7. Determination of a Time-Varying Point Source in Cauchy Problems for the Convection–Diffusion Equation – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2076-3417/13/7/4536
  8. Pollution Source Localization in an Urban Water Supply Network Based on Dynamic Water Demand – PubMed, 访问时间为 四月 9, 2026， https://pubmed.ncbi.nlm.nih.gov/29079984/
  9. tikhonov regularization method of an inverse space-dependent source problem for a time-space fractional diffusion equation – Journal of Applied Analysis & Computation, 访问时间为 四月 9, 2026， https://www.jaac-online.com/data/article/jaac/preview/pdf/jaac-11-5-2387.pdf
  10. Adaptive Multipopulation Evolutionary Algorithm for Contamination …, 访问时间为 四月 9, 2026， https://ascelibrary.org/doi/10.1061/%28ASCE%29WR.1943-5452.0001362
  11. The Use of Graph Theory for Search Space Reduction in Contaminant Source Identification | Journal of Pipeline Systems Engineering and Practice – ASCE Library, 访问时间为 四月 9, 2026， https://ascelibrary.org/doi/abs/10.1061/JPSEA2.PSENG-1402
  12. Identification of an Unknown Stationary Emission Source in Urban Geometry Using Bayesian Inference – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4433/15/8/871
  13. INVERSE SOURCE PROBLEM FOR ADVECTION-DIFFUSION EQUATION FROM BOUNDARY MEASURED DATA – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/392957999_INVERSE_SOURCE_PROBLEM_FOR_ADVECTION-DIFFUSION_EQUATION_FROM_BOUNDARY_MEASURED_DATA
  14. Attention-Driven Hierarchical Reinforcement Learning with Particle Filtering for Source Localization in Dynamic Fields – arXiv, 访问时间为 四月 9, 2026， https://arxiv.org/pdf/2501.13084?
  15. Tikhonov-Type Regularization and the Finite Element Method Applied to Point Source Estimation in the Atmosphere | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/331358131_Tikhonov-Type_Regularization_and_the_Finite_Element_Method_Applied_to_Point_Source_Estimation_in_the_Atmosphere
  16. An inverse source problem for the convection‐diffusion equation | International Journal of Numerical Methods for Heat & Fluid Flow | Emerald Publishing, 访问时间为 四月 9, 2026， https://www.emerald.com/hff/article-split/16/2/125/76380/An-inverse-source-problem-for-the-convection
  17. Regularization operators for identifying the unknown source in the time-fractional convection-diffusion-reaction equation – arXiv, 访问时间为 四月 9, 2026， https://arxiv.org/html/2604.03055v1
  18. Bayesian inference for source determination with applications to a complex urban environment – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/222208558_Bayesian_inference_for_source_determination_with_applications_to_a_complex_urban_environment
  19. Bayesian Inference of Groundwater Contamination Source | Proceedings | Vol , No, 访问时间为 四月 9, 2026， https://ascelibrary.org/doi/10.1061/41114%28371%29100
  20. Bayesian Inference of Contaminant Source in Water Distribution Systems – ASCE Library, 访问时间为 四月 9, 2026， https://ascelibrary.com/doi/pdf/10.1061/41173%28414%2929
  21. Bayesian pollution source identification via an inverse physics model – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/329954927_Bayesian_pollution_source_identification_via_an_inverse_physics_model
  22. Identification of pollution sources in rivers using a hydrodynamic diffusion wave model and improved Bayesian-Markov chain Monte – Hep Journals, 访问时间为 四月 9, 2026， https://journal.hep.com.cn/fese/EN/PDF/10.1007/s11783-023-1685-1
  23. A BAYESIAN INFERENCE APPROACH FOR THE IDENTIFICATION OF MULTIPLE ATMOSPHERIC EMISSIONS WITH UNCERTAINTY QUANTIFICATION Roseane A – Even3, 访问时间为 四月 9, 2026， https://static.even3.com/anais/415215.pdf?v=639074646061810039
  24. Identification of point source emission in river pollution incidents based on Bayesian inference and genetic algorithm: Inverse modeling, sensitivity, and uncertainty analysis | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/351997025_Identification_of_point_source_emission_in_river_pollution_incidents_based_on_Bayesian_inference_and_genetic_algorithm_Inverse_modeling_sensitivity_and_uncertainty_analysis
  25. Identification of point source emission in river pollution incidents based on Bayesian inference and genetic algorithm: Inverse modeling, sensitivity, and uncertainty analysis – PubMed, 访问时间为 四月 9, 2026， https://pubmed.ncbi.nlm.nih.gov/34380214/
  26. Bayesian Inference and Markov Chain Monte Carlo Sampling to Reconstruct a Contaminant Source on a Continental Scale in – AMS Journals, 访问时间为 四月 9, 2026， https://journals.ametsoc.org/view/journals/apme/47/10/2008jamc1766.1.xml
  27. Simulation–Optimization-Based Virus Source Identification Model for 3D Unconfined Aquifer Considering Source Locations and Number as Variable | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/306125330_Simulation-Optimization-Based_Virus_Source_Identification_Model_for_3D_Unconfined_Aquifer_Considering_Source_Locations_and_Number_as_Variable
  28. Identification of Groundwater Pollution Sources Using GA-based Linked Simulation Optimization Model | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/245287387_Identification_of_Groundwater_Pollution_Sources_Using_GA-based_Linked_Simulation_Optimization_Model
  29. (PDF) Identifying urban river pollution sources from wet-weather discharges using an integrated deep learning and data assimilation approach – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/393347623_Identifying_urban_river_pollution_sources_from_wet-weather_discharges_using_an_integrated_deep_learning_and_data_assimilation_approach
  30. Response Model for Urban Area Source Pollution and Water Environmental Quality in a River Network Region – PMC, 访问时间为 四月 9, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC9517762/
  31. Identification of Groundwater Pollution Sources by a SCE-UA Algorithm-Based Simulation/Optimization Model – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/10/2/193
  32. Machine Learning–Based Source Identification in Sewer Networks | Journal of Water Resources Planning and Management | Vol 149, No 8 – ASCE Library, 访问时间为 四月 9, 2026， https://ascelibrary.org/doi/abs/10.1061/JWRMD5.WRENG-6050
  33. Application of Data-Driven and Optimization Methods in Identification of Location and Quantity of Pollutants | Journal of Hazardous, Toxic, and Radioactive Waste | Vol 19, No 2 – ASCE Library, 访问时间为 四月 9, 2026， https://ascelibrary.org/doi/10.1061/%28ASCE%29HZ.2153-5515.0000238
  34. A linked simulation-optimization model for solving the unknown groundwater pollution source identification problems | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/45199526_A_linked_simulation-optimization_model_for_solving_the_unknown_groundwater_pollution_source_identification_problems
  35. Identification of groundwater pollution sources using GA-based linked simulation optimization model | Semantic Scholar, 访问时间为 四月 9, 2026， https://www.semanticscholar.org/paper/Identification-of-groundwater-pollution-sources-Singh-Datta/e53ac6dbeec364499867bdb22aede23a055cc9ad
  36. Three-Dimensional Groundwater Contamination Source …, 访问时间为 四月 9, 2026， https://ascelibrary.org/doi/10.1061/%28ASCE%29HE.1943-5584.0000624
  37. Water supply network pollution source identification by random forest algorithm | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/347330910_Water_supply_network_pollution_source_identification_by_random_forest_algorithm
  38. A state-of-the-Art review of heuristic and metaheuristic optimization techniques for the management of water resources – SciSpace, 访问时间为 四月 9, 2026， https://scispace.com/pdf/a-state-of-the-art-review-of-heuristic-and-metaheuristic-2qrjtdk7.pdf
  39. Comparison of computational performance of GA and PSO optimization techniques when designing similar systems – Typical PWR core case | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/251574363_Comparison_of_computational_performance_of_GA_and_PSO_optimization_techniques_when_designing_similar_systems_-_Typical_PWR_core_case
  40. GA-PSO Algorithm for Microseismic Source Location – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2076-3417/15/4/1841
  41. Source identification of water distribution system contamination based on simulated annealing–particle swarm optimization algorithm | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/385944534_Source_identification_of_water_distribution_system_contamination_based_on_simulated_annealing-particle_swarm_optimization_algorithm
  42. Source identification of water distribution system contamination based on simulated annealing-particle swarm optimization algorithm – PubMed, 访问时间为 四月 9, 2026， https://pubmed.ncbi.nlm.nih.gov/39560699/
  43. Inversion of Water Quality Parameters from UAV Hyperspectral Data Based on Intelligent Algorithm Optimized Backpropagation Neural Networks of a Small Rural River – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2072-4292/17/1/119
  44. A state-of-the-Art review of heuristic and metaheuristic optimization techniques for the management of water resources – IWA Publishing, 访问时间为 四月 9, 2026， https://iwaponline.com/ws/article/22/4/3702/86244/A-state-of-the-Art-review-of-heuristic-and
  45. Comparative analysis of machine learning models for detecting water quality anomalies in treatment plants – PMC, 访问时间为 四月 9, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC12365246/
  46. Comparative Analysis of Machine Learning Algorithms for Water Quality Prediction – the University of Johannesburg’s Research Portal, 访问时间为 四月 9, 2026， https://pure.uj.ac.za/en/publications/comparative-analysis-of-machine-learning-algorithms-for-water-qua/
  47. Water supply network pollution source identification by random forest algorithm | Journal of Hydroinformatics | IWA Publishing, 访问时间为 四月 9, 2026， https://iwaponline.com/jh/article/22/6/1521/76798/Water-supply-network-pollution-source
  48. Comparative Performance Analysis of Machine Learning Models for Predicting the Weighted Arithmetic Water Quality Index – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/18/6/696
  49. Comparative analysis of supervised learning models for effluent quality prediction in wastewater treatment plants – PMC, 访问时间为 四月 9, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC12151336/
  50. A Machine Learning-based Algorithm for Water Network Contamination Source Localization, 访问时间为 四月 9, 2026， https://www.mdpi.com/1424-8220/20/9/2613
  51. Machine Learning and Simulation-Optimization Coupling for Water Distribution Network Contamination Source Detection – PMC, 访问时间为 四月 9, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC7916058/
  52. Prediction of Water Level and Water Quality Using a CNN-LSTM Combined Deep Learning Approach – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/12/12/3399
  53. A review of pollution-based real-time modelling and control for sewage systems – PMC, 访问时间为 四月 9, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC11214442/
  54. Data-Driven Machine Learning in Environmental Pollution: Gains and Problems, 访问时间为 四月 9, 2026， https://pubs.acs.org/doi/10.1021/acs.est.1c06157
  55. Full article: Air pollution source identification based on remote sensing and ground-level measurements with an optimized hybrid deep learning and fuzzy entropy approach – Taylor & Francis, 访问时间为 四月 9, 2026， https://www.tandfonline.com/doi/full/10.1080/01431161.2026.2649951
  56. Identification of pollution source and prediction of water quality based on deep learning techniques – PubMed, 访问时间为 四月 9, 2026， https://pubmed.ncbi.nlm.nih.gov/38219283/
  57. Identification of Suitable Technologies for Drinking Water Quality Prediction: A Comparative Study of Traditional, Ensemble, Cost-Sensitive, Outlier Detection Learning Models and Sampling Algorithms – ACS Publications, 访问时间为 四月 9, 2026， https://pubs.acs.org/doi/10.1021/acsestwater.1c00037
  58. To Feel the Spatial: Graph Neural Network-Based Method for Leakage Risk Assessment in Water Distribution Networks – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/16/14/2017
  59. Explainable Fuzzy GNNs for Leak Detection in Water Distribution Networks – arXiv, 访问时间为 四月 9, 2026， https://arxiv.org/html/2601.03062v1
  60. Predicting Water Pipe Failures with Graph Neural Networks: Integrating Coupled Road and Pipeline Features – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/17/9/1307
  61. LEVERAGING HETEROGENEOUS GRAPH NEURAL NETWORKS FOR PRESSURE ESTIMATION IN WATER DISTRIBUTION NETWORKS – The University of Sheffield, 访问时间为 四月 9, 2026， https://orda.shef.ac.uk/articles/conference_contribution/Leveraging_Heterogeneous_Graph_Neural_Networks_for_Pressure_Estimation_in_Water_Distribution_Networks/29921132/1/files/57216050.pdf
  62. Pollution Source Localization in Wastewater Networks – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/1424-8220/21/3/826
  63. A Convolutional Graph Neural Network Model for Water Distribution Network Leakage Detection Based on Segment Feature Fusion Strategy – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/16/24/3555
  64. Graph neural network-based water contamination detection from community housing information – Frontiers, 访问时间为 四月 9, 2026， https://www.frontiersin.org/journals/environmental-engineering/articles/10.3389/fenve.2025.1488965/full
  65. Gated graph neural networks for identifying contamination sources in water distribution systems – PubMed, 访问时间为 四月 9, 2026， https://pubmed.ncbi.nlm.nih.gov/38118345/
  66. Gated graph neural networks for identifying contamination sources in water distribution systems | Request PDF – ResearchGate, 访问时间为 四月 9, 2026， https://www.researchgate.net/publication/376810111_Gated_graph_neural_networks_for_identifying_contamination_sources_in_water_distribution_systems
  67. glorialulu/GNN_StateEstimation_WDS: Graph neural networks for state estimation in water distribution systems – GitHub, 访问时间为 四月 9, 2026， https://github.com/glorialulu/GNN_StateEstimation_WDS
  68. [2408.02797] Algorithm-Informed Graph Neural Networks for Leakage Detection and Localization in Water Distribution Networks – arXiv, 访问时间为 四月 9, 2026， https://arxiv.org/abs/2408.02797
  69. Physics-Informed Graph Neural Networks for Air Pollution Forecasting in the Netherlands – GitHub, 访问时间为 四月 9, 2026， https://raw.githubusercontent.com/mlresearch/v277/main/assets/assiotis25a/assiotis25a.pdf
  70. Identification of Multiple Surface Water Contamination Sources Based on UV–Vis Spectral Unmixing with Turbidity Adaptiveness – ACS Publications, 访问时间为 四月 9, 2026， https://pubs.acs.org/doi/10.1021/acsestwater.4c00135
  71. Identification of release sources in advection-diffusion system by machine learning combined with Green – MADS, 访问时间为 四月 9, 2026， https://madsjulia.github.io/papers/Stanev%20et%20al%202018%20Identification%20of%20release%20sources%20in%20advection-diffusion%20system%20by%20machine%20learning%20combined%20with%20Greens%20function%20inverse%20method.pdf
  72. Classification of Pollution Sources and Their Contributions to Surface Water Quality Using APCS-MLR and PMF Model in a Drinking Water Source Area in Southeastern China – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2073-4441/16/10/1356
  73. Pollution Source Identification and Parameter Sensitivity Analysis in Urban Drainage Networks Using a Coupled SWMM–Bayesian Framework – MDPI, 访问时间为 四月 9, 2026， https://www.mdpi.com/2227-9717/14/4/699
  74. Machine Learning Driven Source Identification, State Estimation and Sensor Optimization in Water Systems – University of Illinois Chicago – Figshare, 访问时间为 四月 9, 2026， https://indigo.uic.edu/articles/thesis/Machine_Learning_Driven_Source_Identification_State_Estimation_and_Sensor_Optimization_in_Water_Systems/31451038