迈向智能水资源监测：基于物联网的LSTM模型用于河流盐度动态的多步预测

《Journal of Environmental Radioactivity》：Towards smart water monitoring: IoT-driven LSTM modelling for multi-step-ahead forecasting of river salinity dynamics

基于LSTM的河流电导率多步预测策略对比研究，通过部署IoT传感器网络分析沿海河流盐度动态，发现Direct、MIMO和DirMO策略在4-48小时预测中表现最优，其中上游站点误差更小，而Recursive和DirREC存在误差累积问题。

　　本研究探讨了在动态河流系统中，利用多种多步预测策略对电导率（Electrical Conductivity, EC）进行预测的有效性。EC作为衡量水体盐度的重要指标，在沿海地区受到海水入侵影响的河流系统中，其时空变化特征尤为显著。因此，建立准确的预测模型对于有效管理水资源、评估盐度变化趋势以及制定应对措施具有重要意义。研究采用了基于物联网（IoT）的高频率传感器数据，结合长短期记忆网络（LSTM）模型，对五种常见的多步预测策略（Direct、Recursive、DirREC、MIMO和DirMO）进行了系统性评估，并将其与当前最先进的模型（如Informer、DLinear和PatchTST）进行了对比分析。

在水资源管理领域，河流不仅是自然生态系统的重要组成部分，也是农业、工业和居民生活用水的关键来源。随着全球气候变化的加剧，淡水资源的盐化问题日益突出，成为水文管理中的重大挑战。特别是沿海河流系统，由于海平面上升、上游径流减少、地下水过度开采以及风暴潮等因素的影响，盐度波动变得更加复杂。在这种背景下，对EC进行精准预测不仅有助于理解盐度变化的机制，还能为水资源保护和可持续利用提供科学依据。

研究采用的LSTM模型是一种基于递归神经网络（RNN）的深度学习方法，能够有效处理具有时间序列特征的数据。相比传统的时间序列预测方法，LSTM在捕捉长期依赖关系和处理非线性变化方面展现出更强的能力。特别是在水文数据的预测中，LSTM模型因其能够处理多变量输入和输出，以及具备对复杂时空模式的建模能力，而被广泛应用于水质量预测。然而，LSTM模型的性能不仅依赖于其结构设计，还受到输入特征的选择、模型训练过程中的超参数调优以及预测策略的影响。因此，如何优化这些因素以提升模型的预测精度和稳定性，成为本研究关注的重点。

为了全面评估不同预测策略的效果，研究选取了六个不同的传感器位置，覆盖了Yser河的上游、中游和下游区域。Yser河是法国与比利时交界的一条重要河流，全长约44公里，最终流入北海。该河流系统具有典型的季节性盐度波动特征，且受潮汐闸门调控，使其成为研究海水入侵对EC影响的理想场所。研究中使用的传感器数据具有高频率和高分辨率的特点，能够准确反映EC在不同时间尺度上的变化趋势。通过对这些数据的分析，研究不仅评估了不同预测策略在不同时间范围（4小时、24小时和48小时）内的表现，还探讨了其在不同地理位置上的适用性。

在预测策略方面，Direct策略是一种直接预测未来多个时间步的模型，它通过训练独立的模型来预测每个时间步的EC值，避免了误差的累积。Recursive策略则通过逐步递推的方式进行预测，即利用当前时间步的预测结果作为下一个时间步的输入。然而，这种策略容易受到误差传播的影响，特别是在较长的预测周期中，误差可能会被放大。DirREC策略是Direct和Recursive策略的结合，试图在两者之间取得平衡。MIMO策略则考虑了多个输入变量和多个输出变量之间的相互作用，能够更全面地捕捉水文系统的复杂关系。DirMO策略则在MIMO的基础上进一步优化，旨在结合Direct和MIMO策略的优势，以提升预测的准确性和稳定性。

在评估模型性能时，研究采用了多种评价指标，包括均方误差（Mean Squared Error, MSE）、百分比偏差（Percent Bias, PBIAS）和对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error, SMAPE）。这些指标能够全面反映模型在不同时间尺度和不同地理位置上的预测误差。结果显示，Direct、MIMO和DirMO策略在六个传感器位置中表现较为优异，其SMAPE值分别在1.3%至9.1%、5.3%至25.2%以及5.0%至22.6%之间。相比之下，Recursive和DirREC策略在长周期预测中出现了明显的误差累积现象，导致预测精度下降。这种误差累积问题在长期预测中尤为突出，因为每个时间步的预测结果都会影响后续步骤的准确性，从而使得整体预测效果受到影响。

研究还发现，上游传感器位置的EC预测效果优于下游区域。这可能与上游地区水体的动态变化相对稳定有关，而下游区域由于受到海水入侵的影响，EC的变化更为剧烈和不可预测。因此，在选择预测策略时，需要考虑地理位置对预测性能的影响，特别是在处理具有显著空间异质性的数据时，应优先选择能够适应不同区域特性的模型。此外，研究还指出，模型的预测精度在一定程度上取决于输入特征的选择和超参数的优化。通过引入时间特征和空间特征，研究者能够更全面地捕捉EC变化的驱动因素，从而提升模型的泛化能力和预测稳定性。

为了进一步提升模型的预测能力，研究还对LSTM模型进行了广泛的超参数调优。这一过程包括对学习率、批次大小、隐藏层单元数、激活函数、正则化参数等进行实验和调整，以找到最优的模型配置。超参数调优不仅提高了模型的预测精度，还增强了其在不同时间尺度和不同地理位置上的适应性。研究还强调了数据预处理的重要性，包括缺失值的处理、异常值的识别以及数据标准化等步骤，这些都有助于提高模型的训练效率和预测稳定性。

此外，研究还对比了LSTM模型与其他先进模型（如Informer、DLinear和PatchTST）在EC预测中的表现。这些模型在时间序列预测领域具有较高的研究热度，尤其在处理长序列数据和捕捉复杂模式方面表现出色。然而，研究结果表明，LSTM模型在本研究的场景中仍然具有较强的竞争力，特别是在多步预测任务中，其在多个时间尺度上的表现均优于其他模型。这可能与LSTM模型在处理非线性关系和时间依赖性方面的独特优势有关，同时也反映了其在水文数据预测中的广泛应用潜力。

在实际应用中，EC预测的准确性对于水资源管理至关重要。准确的预测结果可以帮助决策者及时调整水资源调度方案，采取相应的措施以应对盐度变化带来的风险。例如，在海水入侵高发的下游区域，可以通过预测EC的变化趋势，提前预警潜在的盐度危机，并采取相应的防洪或盐度控制措施。同时，预测结果还可以用于优化传感器网络的布局，提高数据采集的效率和覆盖范围，从而为更全面的水文监测提供支持。

本研究的创新之处在于，它不仅评估了多种多步预测策略在EC预测中的表现，还通过引入时空特征，提升了模型的预测能力。此外，研究还填补了现有文献中对多步预测策略系统性比较的空白，为未来相关研究提供了重要的参考。研究结果表明，Direct、MIMO和DirMO策略在多步预测任务中具有更高的准确性和稳定性，而Recursive和DirREC策略则由于误差累积问题，在长周期预测中表现不佳。因此，在实际应用中，应根据具体的预测需求和计算资源，选择最合适的预测策略。

总体而言，本研究为动态河流系统中EC的多步预测提供了新的视角和方法。通过结合物联网技术、深度学习模型和多步预测策略，研究不仅提升了预测的精度和效率，还为水资源管理提供了科学依据和技术支持。未来的研究可以进一步探索不同预测策略在更复杂水文条件下的适用性，以及如何通过改进模型结构和优化训练方法，进一步提升预测性能。同时，研究还可以扩展到其他水体类型，如湖泊、水库和地下水系统，以验证其方法的普适性和有效性。