城市化进程的加快导致了土壤和地下水污染日益严重。据不完全统计，中国化工/农药企业关闭和搬迁遗留近千处有机类污染场地。这些污染场地中存在多种有机污染物，其中多数污染物密度较大且难溶于水，常以非水相（油相）形式存在，常被称为重质非水相污染物（Dense Non-Aqueous Phase Liquids, DNAPLs）。由于DNAPL污染物毒性较大且难以自然降解，一旦其渗漏到地下水环境，将形成稳定的污染源，持续释放污染羽并长期危害环境及周边水体健康。
DNAPL污染精细三维刻画对修复治理方案制定有重要指导意义：场地污染刻画精度提高或减少几米，实际工程量可能产生成百上千立方的差距，修复成本可能相差几千万甚至超过亿元。此外，污染场址刻画精度还将影响其环境风险评估结果。DNAPL污染物的环境风险（即下游污染羽对受体的危害程度）通常由下游截面溶出的污染通量来表征（见图1）。低精度刻画易导致DNAPL的漏估，进而低估环境风险（污染通量），从而难以有效管控污染物。
图1. DNAPL污染源区与下游污染通量示意图
目前，针对DNAPL污染刻画及污染通量预测仍面临巨大挑战：（1）复杂场地条件下，DNAPL污染源区常呈现复杂的空间结构，传统Kriging插值/反演方法易产生过度平滑的结果，从而导致DNAPL的漏估/高估，据此难以准确估计污染通量。（2）在DNAPL污染源区衰减过程中，其溶出的污染通量常呈多阶段非线性变化，传统方法难以准确预测这一复杂的非线性溶解过程。
为解决上述问题，太阳官网吴吉春教授团队与美国斯坦福大学、美国桑迪亚国家实验室、夏威夷大学、旧金山大学等国外单位学者合作，基于深度学习技术建立了一套精细刻画DNAPL污染源区结构&精准预测DNAPL污染通量的方法框架。该框架包含两个主要步骤：（1）基于卷积变分自编码器（Convolutional Variational Autoencoder, CVAE）来学习DNAPL的复杂三维空间模式，并给出符合多相流渗流机制的先验模型（物理性先验信息）：仅凭少量观测数据即可较好刻画污染源区结构；（2）根据推估所得污染源区结构，采用基于物理过程的升尺度模型方法来描述DNAPL的非线性溶解过程，从而精准预测污染通量的复杂多阶段变化。
基于二维理想算例与三维砂箱实例，论文对比了传统Kriging方法（基于平滑先验模型）与所提出方法的污染源区推估结果及污染通量预测结果，见图2与图3。结果表明：（1）深度学习方法（CVAE）可有效习得DNAPL复杂的空间结构特征，进而作为物理性先验约束反演过程从而更精细地刻画污染源区结构（针对三维砂箱实例，污染源区的估计误差比传统Kriging方法下降47%）；（2）结合CVAE与升尺度模型，可更准确地预测DNAPL的复杂多阶段溶解过程并精准评估污染通量。
图2. 不同方法推估渗透系数及污染物饱和度场结果对比（二维理想算例及三维砂箱实验）
图3. 不同方法的污染通量预测结果对比（三维砂箱实验）
主编Kamini Singha教授（美国科罗拉多矿业大学）与Chaopeng Shen教授（美国宾州州立大学）认为，该工作提出的深度学习-升尺度模型方法，仅需少量观测数据，即可精细刻画污染源区结构并准确预测DNAPL污染修复/管控中所涉及的环境风险变化，可为DNAPL污染控制及风险评估提供有力的技术支撑。
上述成果分别以“Hydrogeophysical Characterization of Nonstationary DNAPL Source Zones by Integrating a Convolutional Variational Autoencoder and Ensemble Smoother”和“Integration of deep learning-based inversion and upscaled mass-transfer model for DNAPL mass-discharge estimation and uncertainty assessment”为题，发表于水文水资源领域权威期刊Water Resources Research。其中前者提出了基于深度学习的DNAPL污染源区刻画方法（CVAE-ES），后者在前者基础上将其与升尺度模型结合以预测污染通量，并基于三维砂箱实验验证了方法的预测效果。
博士后康学远为论文第一作者，施小清教授和吴吉春教授为共同通讯作者，太阳集团tyc539为第一署名单位。合作者包括美国斯坦福大学Peter K. Kitanidis教授、旧金山大学Amalia Kokkinaki教授、夏威夷大学Jonghyun Lee教授、美国桑迪亚国家实验室Hongkyu Yoon研究员、太阳集团tyc539莫绍星博士。该研究得到国家重点研发计划、国家自然科学基金、中国和江苏省博士后基金的联合资助。
论文信息：
Kang, X., Kokkinaki, A., Kitanidis, P. K., Shi, X.*, Lee, J., Mo, S., Wu, J.* (2021). Hydrogeophysical Characterization of Nonstationary DNAPL Source Zones by Integrating a Convolutional Variational Autoencoder and Ensemble Smoother. Water Resources Research, 57, e2020WR028538. https://doi.org/10.1029/2020WR028538
Kang, X., Kokkinaki, A., Shi, X.*, Yoon, H., Lee, J., Kitanidis, P. K., & Wu, J.* (2022). Integration of deep learning-based inversion and upscaled mass-transfer model for DNAPL mass-discharge estimation and uncertainty assessment. Water Resources Research, 58, e2022WR033277. https://doi.org/10.1029/2022WR033277
