编辑推荐：
传统池塘养殖水质预测模型处理跨源异质数据时存在局限，未考虑未来气象数据影响。研究人员开展基于跨源反馈融合的池塘养殖水质多变量预测研究，提出 DECSF-Net 模型。实验表明其预测精度高，为复杂生态环境水质预测提供新方案。
传统池塘养殖的水质预测模型在处理跨源异质数据时存在局限性，尤其是在充分考虑未来气象数据对水质变化的影响方面有所欠缺。像温度、气压和降雨这类气象因素，通常会对水质变化产生显著的滞后效应。而现有的模型往往仅依赖历史水质数据进行预测，忽视了气象因素的作用。
在这项研究中，提出了一种增强型深度学习模型 —— 双编码器跨源反馈网络（DECSF-Net）。该模型采用改进的双编码器结构，分别对水质数据和气象数据进行编码，能够精准捕捉未来气象数据对水质时间序列的复杂影响。跨源反馈融合（CSFF）模块通过双向反馈机制，增强了水质数据和气象数据之间的相互关注，提升了模型对跨源数据的联合表征能力。
实验结果显示，在预测未来 8 小时的水质方面，DECSF-Net 模型优于现有的主流方法。其均方误差（MSE）为 0.0959，平均绝对误差（MAE）为 0.2037，均方根误差（RMSE）为 0.3084，平均绝对百分比误差（MAPE）为 1.5159，展现出卓越的预测准确性。这一模型有效地应对了复杂生态环境下的水质预测挑战，同时也表明将未来气象数据融入水质预测方法中，能够显著提高预测精度，具有重要的实用价值。
