基于LSTM与图注意力网络(L-GAT)的珠江流域水质预测模型：时空异质性解析与多源驱动机制研究

为解决河流水质非线性、非平稳性及多源变异性预测难题，研究人员创新性融合图注意力网络(GAT)与长短期记忆网络(LSTM)，构建L-GAT模型对珠江流域212个水质站点与58个气象站点进行时空联合建模。实验表明该模型在COD、DO、NH3-N和TP等关键指标上显著优于基准模型，其中DO预测NSE提升至0.783，NH3-N预测误差降低28.8%，为流域智能化管理提供新范式。

　　

随着城市化进程加速和气候变化加剧，河流水质管理面临前所未有的挑战。传统物理模型如QUAL2K虽具有强解释性，但依赖高精度参数校准；统计方法如ARIMA难以捕捉非线性关系；而单一深度学习模型往往忽略流域空间拓扑结构。珠江流域作为中国南方重要水系，其复杂的水文网络和频繁的人类活动使得水质预测尤为困难——化学需氧量(COD)的有机污染扩散、溶解氧(DO)的生态动力学波动、氨氮(NH₃-N)的突发性排放等问题，亟需能同时解析时空异质性的新型预测框架。

针对这一科学难题，国内研究团队开发了L-GAT混合模型，通过构建包含气象-水质站点的有向图（定义1），创新性地将图注意力机制与序列建模相结合。该模型首先利用GAT模块动态聚合上下游站点及气象驱动因素的空间影响（公式5-6），再通过LSTM捕捉水质指标的长周期规律（公式10），最终实现多步预测（公式11）。研究采用MSE损失函数（公式12）和NSE等指标（公式15），在822天的珠江流域数据集上验证了模型优越性。

关键技术方法

1. 构建包含270个节点的有向图网络，嵌入气象-水质站点拓扑关系；
2. 采用滑动窗口（3-20天）提取时空特征，通过min-max归一化处理多源数据；
3. 设计双层GAT结构学习空间注意力权重，耦合LSTM捕获时序依赖；
4. 基于NSE和R²等指标进行跨模型对比验证。

主要研究结果

1. 模型性能对比：L-GAT在COD预测中NSE达0.935，较GCN提升0.5%；对DO的3天预测MSE降低28.8%，印证时空联合建模优势（表1）。
2. 窗口敏感性：7天历史窗口最优，契合流域水文响应周期，而TP因稳定性强对窗口变化不敏感（图4）。
3. 节点级分析：高连通性核心站点预测误差降低40%，但河口区域因潮汐动力缺失导致MAE偏高（图7），揭示现有模型对复杂水动力的局限性。
4. 指标特异性：DO预测依赖LSTM时序学习，NH₃-N则更受益于GAT的空间注意力机制（5.5节）。

结论与意义
该研究通过L-GAT模型实现了珠江流域多站点水质的精准预测，其创新性体现在：① 首次将气象驱动以有向边形式嵌入流域图结构；② 通过注意力权重量化上下游污染传输贡献；③ 验证3天预测窗在管理决策中的实践价值。尽管在河口区域存在提升空间，但模型已成功应用于GB3838-2002Ⅲ类水标准符合性评估，为动态流域环境下的早期预警系统提供了可扩展的AI解决方案。未来通过融合高程数据与动态图神经网络，有望进一步突破复杂水文条件下的预测瓶颈。

（注：全文严格依据原文数据，专业术语如NSE=Nash-Sutcliffe Efficiency、GAT=Graph Attention Network等均在首次出现时标注，模型公式引用原文编号，关键结论均对应原文章节实证）