多域特征集成用于河流水质预测：一种结合了VMD-BiGRU-BiTCN和GAT-ATSE的混合架构

《Journal of Water Process Engineering》：Multi-domain feature integration for river water quality prediction: A hybrid architecture combining VMD-BiGRU-BiTCN and GAT-ATSE

本文提出基于VMD-BiGRU-BiTCN-GAT-ATSE的多尺度时空频特征融合模型，通过变分模态分解实现频域特征分离，双向门控循环单元和时空卷积网络捕捉长短期时序及空间依赖，自适应时空增强模块融合多源特征，有效解决传统模型对多维耦合机制建模不足的问题。实验表明，模型较LSTM和CNN的RMSE降低17.1%-38.9%，R2提升至0.965以上。

　　

刘欣|孙丽梅|刘珍|李文竹|郭淼

河北工程大学信息与电气工程学院，邯郸，056038，中国

摘要

准确的水质预测对于环境监测和可持续水资源管理至关重要。自然水质的演变在时间、空间和光谱维度上存在深度耦合。此外，多尺度时间混叠、空间异质传输以及不稳定的光谱能量容易导致尺度不匹配。这使得传统的水质预测模型难以有效表征这种多维耦合机制。因此，本研究提出了一种基于VMD-BiGRU-BiTCN-GAT-ATSE的多尺度时空频多分支并行异构融合模型。其中，变分模态分解（VMD）能够自适应地将原始非平稳序列分解为多个固有模态函数（IMFs），以实现频域特征的解耦。双向门控循环单元（BiGRU）捕捉长期时间依赖性，双向时间卷积网络（BiTCN）提取局部和多尺度时间模式，图注意力网络（GAT）动态模拟监测站之间的空间相关性。自适应时空增强（ATSE）模块对这三个特征流进行上下文感知的加权融合，输出多指标预测结果。实验结果表明，与LSTM和CNN等基线模型相比，所提出的模型在均方根误差（RMSE）和平均绝对误差（MAE）方面降低了17.1%至38.9%，同时R2值提高到0.965以上。

引言

河水是人类社会和淡水生态系统最重要的资源之一。准确监测和智能预测河流水质是确保水安全和维护生态健康的关键技术。目前，来自工业、农业和生活污水排放的多种压力因素导致富营养化问题日益严重，对流域生态安全构成严重威胁[1]，[2]。在这种背景下，准确预测河水中关键水质参数（如氢电位（pH）、溶解氧（DO）和高锰酸盐指数（COD?）已成为河流水质预警和管理的重要科学基础[3]，[4]。

为了提高水质预测的准确性，研究方法从单维建模发展到多维融合。传统的统计方法（如回归分析和时间序列模型[5]，[6]）虽然具有良好的可解释性，但依赖于线性和平稳性的假设，难以捕捉水质数据的非线性和非平稳特性，导致预测能力有限。相比之下，以长短期记忆（LSTM）网络[7]，[8]，[9]，门控循环单元（GRU）和卷积神经网络（CNN）为代表的深度学习模型因其强大的非线性拟合能力而在水质预测中得到广泛应用，能够显著增强对时间动态特征的捕捉。然而，尽管深度学习取得了显著进展，现有的水质预测研究仍普遍面临三个基本挑战：相互耦合问题，这限制了预测性能的进一步提升。

第一个挑战是水质时间序列中固有的多尺度频率混叠问题。水质变化在时间上并不均匀，而是由多尺度频率成分叠加而成，如长期趋势、季节性周期和短期干扰（如暴雨径流和突然的污水排放）[11]，[12]。大多数现有方法将时间序列视为单一的聚合信号，缺乏分离和建模特定尺度光谱成分的明确机制[13]，[14]。这使得模型难以区分不同频率成分的物理原因——例如，将季节性藻类暴发与临时污染事件混淆，从而削弱了对复杂水质动态的精细表征。第二个挑战是动态时空异质性问题。由水文传输过程和流域连通性形成的跨站依赖性往往是不对称的、时变的和滞后的。即使将空间信息引入现有研究，大多数也是具有有限形式的邻接矩阵或固定图结构。很少有研究能够系统地建模不同时间和频率成分之间站点之间的依赖性特征[15]，[16]，[17]。第三个挑战是时间、空间和光谱特征之间的融合难题。这三种特征属于不同的表示空间。简单的拼接、加权求和或注意力机制往往引入冗余噪声，甚至导致特征之间的相互干扰——例如，高频噪声可能误导空间注意力模块，空间平滑操作可能抹去关键频率变化信息。现有方法缺乏在学习过程中协调这三种异构特征冲突的统一机制[18]，[19]。

为应对这些挑战，学术界做出了许多努力。研究人员开发了基于时空集成建模的水质预测方法。例如，使用图神经网络（如扩散卷积循环神经网络）来清晰地表征站点之间的空间依赖性。张等人[20]提出了PRO-Net，它结合了隐马尔可夫模型和深度学习来描述水质指标的非线性时间动态和空间相互作用。毕等人[21]开发了一个时空多模态融合框架，该框架融合了遥感图像的时空信息，并利用降水特征作为辅助模态。同时，光谱建模技术也受到了关注。作为一种自适应信号处理方法，经验模态分解（EMD）可以将时间序列分解为具有不同频率特征的成分，更直观地揭示序列的固有频率-能量结构[22]，[23]。Ariyaei等人[24]提出了一种基于混合LSTM的方法，该方法结合了EMD-DFA分解和多目标驱动优化，显著提高了多尺度水质预测的准确性和效率。陈等人[25]通过结合经验模态分解和多任务学习构建了Transformer-CNN混合架构，实现了时间序列表示和光谱表示的联合建模。

然而，尽管上述研究在各自领域取得了进展，但大多数仍然局限于“单点突破”模式：虽然光谱分解方法（如EMD/VMD）可以分离频率成分，但往往会破坏原始序列的时间依赖性和空间相关性；虽然神经网络可以捕捉空间依赖性，但难以处理多尺度频率特征，并且容易受到高频噪声干扰。单一的RNN或CNN网络无法同时考虑长期趋势和短期干扰。更重要的是，现有方法缺乏一个统一的建模框架，无法深入协调时间、空间和光谱这三个维度，即它们无法在分离频率成分的同时保留时间结构并利用空间依赖性，也无法自适应地融合这三种异构特征[26]，[27]。这一差距使得在水质演变过程中难以有效地进行多尺度解耦分析，对复杂动态特征的系统性表征也受到阻碍[28]。

为系统解决上述耦合挑战，本文提出了一种多尺度时空光谱融合模型，名为VMD-BiGRU-BiTCN-GAT-ATSE。该模型首先应用VMD在频域自适应分解序列，然后并行使用BiGRU和BiTCN学习长距离和短距离时间模式，同时GAT动态捕捉站点间的空间依赖性。最后，ATSE对三个特征分支进行上下文感知的加权融合[29]，[30]。这种设计形成了一个端到端的“分解-特征提取-融合-预测”流程，为复杂现实世界条件下的水质预测提供了系统解决方案。

本研究的其余部分结构如下。第2节介绍数据来源。第3节详细介绍了VMD-STFNet模型的实现。第4节对实验结果进行了全面评估和深入讨论。第5节总结了主要发现，并提出了未来研究的建议。

部分摘录

数据来源和预处理

本研究利用了海河流域永定河沿岸四个站点的水质监测数据，该河流经北京和张家口：广北滨河路、文泉屯、南大黄桥和左卫桥。数据来自中国国家环境监测中心运营的全国地表水自动监测网络的实时披露平台（https://www.cnemc.cn/sssj/）。数据集包含4小时的观测数据

模型框架

本研究提出了一种基于VMD-STFNet的河流水质预测模型，如图2所示。该模型以分解-特征提取-融合-预测为核心架构，旨在深入挖掘和精确耦合时空频率特征，有效突破传统模型的限制，显著提高河流水质预测的准确性和稳定性。

(1)

VMD用于分解每个水质

参数调优

本研究开发了一个用于多站点联合水质预测的时空光谱融合的深度学习框架。该框架解决了传统方法的关键弱点，包括频率特征解耦不足、多尺度时间依赖性建模有限以及空间异质性表示不足等问题。

为了解耦频域信息，VMD被应用于三个核心指标（pH、DO和COD?）。每个指标序列都被分解为

结论

本研究提出了VMD-STFNet，这是一种将VMD与深度时空融合相结合的水质预测框架。该方法旨在解决现有方法在频域特征提取、多尺度时间依赖性学习和空间异质性表征方面的关键局限性。实验结果表明，VMD-STFNet在多步预测多个水质指标方面表现出一致更好的性能。

CRediT作者贡献声明

刘欣：监督、方法论、资金获取、概念化。孙丽梅：撰写——原始草案、软件、方法论、形式分析、概念化。刘珍：撰写——审阅与编辑、方法论、资金获取、形式分析、数据管理。李文竹：撰写——审阅与编辑、调查、形式分析、数据管理。郭淼：撰写——审阅与编辑、方法论、形式分析、数据管理。

利益冲突声明

作者声明不存在可能导致本文利益冲突的财务或其他关系。所有作者均已审阅手稿的最终版本并批准其发表。

致谢

本工作得到了国家自然科学基金（编号：62541118）的支持。