FPQ-iTransformer：基于改进时空注意力与分位数损失的海水盐度精准预测模型

【编辑推荐】针对气候驱动下海水盐度动态波动预测难题，山东研究人员提出FPQ-iTransformer模型，通过ProbSparse自注意力编码器、混合解码器和分位数损失(QLoss)三项创新，在加拿大不列颠哥伦比亚省海水养殖监测数据中实现12.7% MAE降低和15.4% R2 提升，为海洋生态保护提供高精度预测工具。

　　

海洋环境监测正面临气候变化的严峻挑战，海水盐度作为影响全球气候模式和海洋生态平衡的关键指标，其异常波动会导致养殖生物大规模死亡和渔业资源分布改变。然而，传统预测方法如卷积神经网络(CNN)和长短期记忆网络(LSTM)难以捕捉盐度的复杂时空特征，而标准Transformer模型又存在参数冗余和局部特征识别不足的缺陷。针对这一科学难题，山东的研究团队开发了FPQ-iTransformer模型，相关成果发表在《Environmental Modelling》期刊。

研究采用三项核心技术：基于ProbSparse的自注意力机制优化编码器计算效率，混合解码器整合多元注意力与稀疏机制捕获时空依赖性，以及分位数损失函数增强模型对加拿大不列颠哥伦比亚省养殖区噪声数据的鲁棒性。实验数据来自该地区海洋环境监测网络，通过高斯滤波进行预处理。

【Methods】
通过将独立时间序列作为标记处理，模型采用层归一化和前馈网络学习序列全局表征。创新性地在编码器引入ProbSparse注意力筛选关键时间点，解码器则结合多元注意力与稀疏机制，配合QLoss函数量化预测不确定性。

【Experimental setup and data preprocessing】
使用高斯滤波消除传感器噪声，数据分割采用滑动窗口法。对比实验包含CNN、LSTM等8种基线模型，评估指标涵盖MAE和R²
。

【Results and discussion】
FPQ-iTransformer在72小时预测中MAE降低12.7%，R²
提升15.4%，对台风等极端事件引发的盐度骤变捕捉效果显著。消融实验证实ProbSparse注意力和QLoss分别贡献5.2%和3.8%的精度提升。

【Conclusion】
该模型通过增强局部特征感知和抗噪能力，为海水养殖实时决策提供可靠工具。其架构设计可扩展至温度、溶解氧等其他海洋参数预测，在应对气候变化引发的海洋环境突变方面具有重要应用价值。研究获山东省泰山产业领军人才计划支持（项目号tscy20221187）。