融合空间效应与多算法深度学习的河流溶解氧预测模型创新研究

针对河流溶解氧(DO)时间序列的非线性、复杂性和周期性特征，研究人员创新性地将图像处理领域的Wavelet Convolution(WTConv)技术首次应用于DO预测，构建了RIME-VMD-FECAM-WTConv-Transformer混合架构。该模型通过变分模态分解(VMD)和多尺度特征提取，实现了RMSE 0.2935、MAE 0.2053、R2 0.9852的优异性能，为水生态系统健康评估提供了可靠工具。

　　

河流溶解氧浓度是评估水生生态系统健康的关键指标，其动态变化直接影响水生生物的生存和代谢活动。然而，DO时间序列具有显著的非线性、复杂周期性和非平稳性特征，传统预测方法如过程模型依赖大量高质量输入数据且计算复杂，而机器学习模型如LSTM在长周期建模中存在信息保留瓶颈。这些挑战促使研究人员寻求更先进的预测框架。

针对上述问题，研究人员开发了名为RIME-VMD-FECAM-WTConv-Transformer的创新模型。该研究首次将图像处理领域的Wavelet Convolution(WTConv)技术引入时间序列预测，通过变分模态分解(VMD)将原始DO序列分解为多个本征模态函数(IMF)，每个子序列分别通过FECAM-WTConv-Transformer结构进行训练和预测。模型整合了RIME优化算法、频率增强通道注意力机制和Transformer架构，在RMSE(0.2935)、MAE(0.2053)、R²(0.9852)和PICP(98.9%)等指标上均优于对比模型。

关键技术包括：(1)采用RIME算法优化VMD的模态数k和惩罚因子λ；(2)创新性应用WTConv进行多尺度频率特征提取；(3)设计FECAM模块增强关键频率成分的注意力权重；(4)结合Transformer进行全局时序建模；(5)使用交叉小波变换分析DO与气象/水质变量的时频相关性。

研究结果显示：

1. 小波变换作为卷积：WTConv通过多级小波分解构建动态感受野，相比传统CNN能以更少参数捕获长短期特征。公式(4)显示其通过逆向小波变换(IWT)整合不同频率卷积结果，有效平衡全局和局部模式识别。

2. 频率增强通道注意力机制：FECAM利用离散余弦变换(DCT)替代传统GAP，解决Gibbs现象问题。公式(13)证明1D-GAP仅对应DCT最低频成分，而FECAM通过公式(10)-(12)实现全频段特征加权。

3. Transformer架构：通过多头注意力机制(公式14-15)建模长程依赖，结合FECAM的频率先验知识，显著提升对周期性模式的敏感性。

4. VMD优化：RIME算法通过模拟霜冰形成的物理过程(软霜搜索和硬霜穿透机制)，优化得到k=8个IMF分量，有效分离噪声和高频波动。

5. 交叉小波分析：揭示DO与水温、流量等变量在日周期(24h)和季节尺度上的相位锁定现象，为模型输入特征选择提供理论依据。

结论表明，该研究通过多技术融合实现了三大突破：(1)首次将WTConv从图像域迁移到时序预测领域；(2)构建的FECAM模块相比传统注意力机制提升了对突发事件的检测能力；(3)整体框架在应对温度突变、污染事件等干扰时表现出强鲁棒性。这些创新为地表水资源的科学管理提供了可靠的技术支持，特别适用于具有复杂水文气象条件的流域生态系统监测。研究结果发表在《Ecological Informatics》，为深度学习在水环境领域的应用开辟了新途径。