Unstructured mesh-based graph neural networks for estimating the spatiotemporal distribution of a human-induced chemical in freshwater
Notice bibliographique
Résumé
Artificial sweeteners such as acesulfame are anthropogenic contaminants increasingly detected in natural waters via wastewater effluents. Numerical models such as HydroGeoSphere (HGS) are widely used to simulate their spatiotemporal transport. However, high computational demands—especially when using unstructured meshes to capture complex geometries—limit their scalability for large-scale or long-term applications. To address this limitation, we developed a mesh-based graph neural network (Mesh-GNN), adapted from MeshGraphNets, to efficiently emulate HGS outputs over unstructured triangular meshes. The model was applied to the upper Grand River, Ontario, Canada, using topographical, geographical, hydrological, hydrometeorological, and wastewater point-source data to estimate acesulfame concentrations. Mesh-GNN retained the node and edge structure of the HGS mesh and enabled rapid inference via message passing. The model training yielded Nash-Sutcliffe Efficiency (NSE) values of 0.93 (spatial split) and 0.86 (temporal split), with corresponding validation NSEs of 0.69 and 0.70. Incorporating field observations with HGS-simulated concentrations improved accuracy at sampling sites by up to 29.7% compared to HGS alone. While HGS solves nonlinear partial differential equations across a three-dimensional watershed-scale mesh (∼3.5 million nodes), requiring several days per simulation, Mesh-GNN operates on a simplified two-dimensional upstream segment (5,755 nodes), enabling inference within seconds. These findings highlight the potential of Mesh-GNN-based surrogate models for efficient and scalable water quality prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».