图神经网络在流域尺度PFAS污染预测中的创新应用：一种基于归一化行动者-评论者的分布学习方法

《Engineering Applications of Artificial Intelligence》：Shaping Q-values right: A distributional normalized actor–critic approach

　　本文首次将图神经网络（GNN）应用于流域尺度的全氟/多氟烷基物质（PFAS）浓度预测，通过1650个样本构建包含179个污染源的2300 km2异构图模型，采用门控边属性和注意力机制实现1330个未监测点的精准预测。研究系统评估了28种图结构下6种异质卷积架构的超参数优化（R2达0.51）与不确定性分析，为地下水污染风险管理提供新范式。

　　

亮点

本研究开创性地将异构图神经网络（GNN）应用于流域尺度PFAS污染预测，通过门控边属性嵌入和多重注意力机制，成功捕捉了地理空间与岩性特征间的复杂关联。模型在2300 km²研究区内对1330个未监测点实现高精度插值，其超参数优化策略使预测稳定性提升37%，不确定性分析首次揭示了GNN在环境痕量污染物监测中的置信区间边界。

方法学

方法学部分详细阐述了GNN架构的基础，包括从图结构数据中学习所涉及的核心矩阵与流程。同时描述了案例研究区域，梳理了潜在与已确认的PFAS污染源。接着说明了数据收集与预处理步骤，进而阐释了为优化模型性能进行的超参数调谐与不确定性分析，为预测可靠性提供双重保障。

结果与讨论

本节系统评估了GNN模型在地下水井PFAS浓度估算中的表现。通过分析训练集、验证集与测试集的损失值分布，验证了模型的泛化能力。研究识别了最优模型的关键超参数组合，并对比了六种GNN变体的优劣。最终展示了最佳性能模型在未知水样中的PFAS预测效果，其空间插值结果显著优于传统随机森林模型（R²提升0.21）。

结论

本研究证实GNN在休伦河流域地下水井PFAS预测中的有效性。通过引入门控边属性，模型精准捕获了空间与岩性数据间的非线性关系，其预测精度超越传统机器学习方法。模型展现的强泛化能力凸显了GNN处理复杂环境地理数据的潜力，为污染物溯源与风险预警提供了新技术路径。