本研究由廖振良（Zhenliang Liao） 和张志宇（Zhiyu Zhang） 作为共同通讯作者，带领张敏浩（Minhao Zhang）、陈赟（Yun Chen） 等研究人员共同完成。第一及通讯作者单位是同济大学环境科学与工程学院及新疆大学建筑工程学院。这项研究成果于2024年3月3日在线发表于环境管理领域的权威期刊 《Journal of Environmental Management》 第355卷上。
本研究属于地表水水质管理与保护领域，核心科学问题是突发水污染事件的在线监测与检测。随着工业化与城市化进程，污染物意外泄漏或人为排放等突发水污染事件对地表水（如河流、湖泊）安全构成严重威胁。在线监测系统能够实时获取水质数据，为快速发现污染事件提供了技术基础。然而，从复杂动态的水质监测数据中准确、及时地识别出真实的污染事件面临巨大挑战。
传统研究主要关注单一方法的改进，例如开发更加先进的水质预测模型（Water Quality Baseline Prediction, WQBP）或异常检测模型（Anomaly Detection, AD），但存在两方面的关键不足：第一，缺乏一个完整的、能有效区分真实污染事件与正常水质基线波动及随机噪声的技术框架；第二，评价体系不够全面，常用指标如检测概率（Probability of Detection, PD）和误报率（False Alarm Rate, FAR）无法评估检测系统的时效性。因此，本研究的主要目的是： 1. 构建一个集成的“预测-检测-判断”技术框架，以从在线监测数据中精准筛查出污染事件。 2. 引入“检测时间”（Time to Detection, TTD）这一评价指标，以衡量检测系统的效率和及时性。
本研究提出了一个三步走的系统性框架，并利用江西省南昌市一个国家级水质自动监测站的数据和模拟的污染事件，对每一步中的不同算法进行了对比验证，最终确定最佳技术路线。
第一阶段：水质基线预测（WQBP） 此步骤的目的是动态预测未来时刻的正常水质背景值，作为判断异常的基础。研究选取了三种具有代表性的短期预测模型进行比较： * 时间序列增量法（Time Series Increment, TSI）：一种将前一时刻的实测值直接作为当前时刻预测值的简便高效算法。 * 自回归模型（Autoregressive, AR）：一种基于历史数据加权叠加的传统时间序列预测模型。 * 集成经验模态分解的自回归模型（EMD-AR）：一种将经验模态分解与自回归模型结合的混合模型，更适用于非平稳、多尺度数据。
研究使用5个水质指标（pH值、溶解氧、氨氮、高锰酸盐指数、总有机碳）共862组数据（从2019年10月10日至2020年3月3日）对模型进行训练和测试。通过比较均方根误差（RMSE）和纳什效率系数（NSE），结果显示TSI模型在多数指标上表现出最佳或接近最佳的预测性能，且计算简单、适应性强，因此被选为该案例下的最优基线预测方法。
第二阶段：异常检测（AD） 此步骤对真实监测值与第一阶段预测基线之间的残差序列进行分析，以识别所有偏离正常基线的异常数据点。这些异常点既包括污染事件，也包括仪器噪声、零点漂移等干扰信号。研究对比了两种方法： * 3δ原理（3δ principle）：经典的阈值法，假设数据服从正态分布，将超出平均值正负三倍标准差范围的数据视为异常。 * 层次聚类（Hierarchical Clustering, HC）：一种无监督分类方法，通过计算数据点间的相似性，将残差序列自然聚类为“正常”和“异常”两类。
以高锰酸盐指数为例，研究人员通过敏感性分析考察了污染事件强度、类型和持续时间对两种方法性能的影响。结果表明，HC方法的整体表现更优：其检测率（True Positive Rate, TPR）随污染强度增加而迅速提升，且在不同事件类型和较长持续时间下均能保持较高的TPR和较低的误报率（False Positive Rate, FPR），而3δ原理对强度变化不敏感。因此，HC被选为最佳异常检测方法。
第三阶段：污染事件判断（CEJ） 这是本框架的核心创新步骤，旨在从第二阶段识别出的所有连续或离散的异常点中，进一步甄别出由真实污染事件引起的异常，排除单点噪声等干扰。研究比较了两种基于概率的判断方法： * 二项式事件判别器（Binomial Event Discriminator, BED）：在连续时间步长上，对异常点的分类结果进行二项式模型分析，当某个时间窗口内异常点数量达到预设阈值时，判定为污染事件。 * 贝叶斯定理（Bayes’ Theorem）：利用条件概率原理，已知前一时刻事件发生的先验概率，当新异常发生时，计算当前时刻发生污染事件的后验概率，并与设定的概率阈值比较进行判断。
此阶段，除了传统的PD和FAR，研究首次引入了平均检测时间（Mean Time to Detection, MTTD） 作为关键性能指标。通过对不同参数设置下的BED和贝叶斯方法进行评估，结果显示，贝叶斯定理方法（Bayesian 1，概率阈值p>0.2） 在保证100%的PD的同时，获得了更低的FAR（33%降至17%）和可接受的短MTTD（约4个监测间隔，即16小时），综合性能优于BED方法。
应用验证 研究团队将确定的最佳技术组合“TSI - HC - 贝叶斯定理”框架，应用到江苏省常州市武进港的一个自建多参数在线监测站（共2，276组数据）。通过融合多个水质指标（当同一时间步有超过3个指标同时告警时，判定为污染事件）进一步缩短了检测时间，该实际应用成功验证了所提框架的可行性和实用性。
本研究得出以下结论： 1. 理论价值：提出了一个完整的“预测-检测-判断”技术框架，明确了污染事件检测应由水质基线预测、异常检测和污染事件判断三个递进环节构成，丰富了在线水质预警的理论体系。 2. 方法论价值：创新性地将“检测时间（TTD）”量化为评价指标，与传统的检测概率（PD）和误报率（FAR）结合，能够更全面地评估检测方法的效率与时效性，为算法选型提供了新的决策视角。 3. 应用价值：通过案例研究筛选并验证了“时间序列增量 - 层次聚类 - 贝叶斯定理”这一具体技术路线，为环境管理部门部署高效、及时的流域水质在线预警系统提供了可直接参考的技术方案和实证支持，有助于快速响应突发污染，保障地表水环境安全。