面向可持续水产养殖管理的多变量水质长期预测深度学习框架：多尺度分解与自适应注意力机制创新

针对水产养殖水质参数预测中多尺度特征耦合、关键动态识别与分布漂移等挑战，本研究提出集成深度神经网络模型，融合时间-频率增强多尺度分解模块、自适应序列感知注意力机制与GRU混合专家网络，在四个真实数据集上实现MAE降低53.17%、RMSE降低51.68%、R2提升0.4945和KGE提升0.1979，为智能水产管理提供高精度动态预警支持。

　　

随着集约化水产养殖业的快速发展，水质管理已成为保障生产安全与生态可持续性的核心环节。溶解氧（DO）、叶绿素a（Chl-a）、pH值、浊度和温度等关键水质参数的精准预测，不仅关系到水生生物的健康生长，更是优化投饵策略、减少资源浪费和预防疾病暴发的科学基础。然而，水产养殖水体是一个高度复杂的动态系统，水质变化同时受到物理、化学和生物过程的综合影响，呈现出显著的多尺度特征（如短期波动与长期趋势）、非线性耦合关系以及由投喂、增氧等人工干预引发的分布漂移现象。传统机理模型虽能描述特定化学过程，但依赖理想化假设和先验知识，计算成本高且难以实时应用；而机器学习方法如支持向量机（SVM）和决策树虽具备非线性建模能力，却受限于特征工程依赖和高维计算效率问题，尤其难以捕捉长时间序列中的动态依赖关系。

近年来，深度学习模型为时间序列预测带来了新的解决方案。卷积神经网络（CNN）如MICN和PDF模型擅长提取局部特征，但全局建模能力不足；循环神经网络（RNN）及其变体LSTM和GRU通过门控机制处理序列依赖，但在超长序列中仍显局限；基于Transformer的模型虽具有强大的全局注意力机制，但其计算复杂度随序列长度平方增长，且传统点积注意力易导致注意力分布均匀化，难以聚焦关键时间节点和突变事件。因此，开发一种能够协同融合多尺度特征、动态识别关键依赖并适应分布漂移的高精度预测模型，成为智能水产管理领域的迫切需求。

针对上述挑战，发表在《Water Research X》上的这项研究提出了一种新颖的深度学习框架，通过三大核心技术创新实现了水产养殖水质参数的高精度长期预测：首先设计了时间-频率增强多尺度可分解融合模块（TF-MDM），通过频域稀疏化和时域加窗处理突出全局趋势与局部细节，并采用分层残差连接消除跨尺度冗余；其次开发了自适应序列感知注意力机制（Ada-MSA），结合动态时域变化和频域周期性特征精准捕捉关键时间点，并引入图结构学习建模多变量间复杂依赖；最后构建了GRU混合专家网络（GRU-MoE），通过门控循环单元专家和动态选择策略自适应处理分布漂移。该研究在BaffleCreek、Mumford、Burnett和山东半岛四个真实水质数据集上进行了系统验证，相比TimeDART、MSGnet、FourierGNN等六大主流基线模型，平均MAE降低53.17%，RMSE降低51.68%，R²提升0.4945，KGE提升0.1979，且Kolmogorov-Smirnov检验证实了模型恢复真实数据分布的能力。

研究采用的关键技术方法包括：时间-频率增强多尺度分解（采用FFT/IFFT变换和Hamming窗函数）、自适应序列感知注意力计算（集成动态方向矩阵和周期特征）、图神经网络聚合（构建变量间依赖关系的稀疏邻接矩阵）、门控循环单元混合专家系统（基于TopK门控的动态专家选择）以及多指标评估体系（MAE、RMSE、R²和KGE）。实验数据来源于澳大利亚Baffle Creek流域、美国Mumford河、澳大利亚Burnett河流域和中国山东半岛的养殖水域，涵盖温带至亚热带气候区，时间跨度为4-12个月，监测参数包括温度、pH、溶解氧、浊度、叶绿素a和盐度。

2.1.1. 模型比较分析

通过与六类基线模型的对比实验表明，本研究提出的全模型在所有数据集上均取得最优指标。相较于TimeDART模型，MAE和RMSE分别降低14.31%和15.94%；对MSGnet的MAE和RMSE降低幅度达68.35%和67.58%；对FourierGNN的R²提升1.2850；相比TimeMixer和PatchTST模型，在保持趋势拟合优势的同时显著提升了对突变事件的响应能力；而与iTransformer相比，其创新注意力机制有效克服了行同质化问题，MAE和RMSE降低超73%。

2.1.2. 预测结果可视化

通过泰勒图和拟合曲线对比显示，该模型在温度、pH、浊度、Chl-a和DO五个参数的7天长期预测中，预测值与观测值在波动幅度、相位和极值点上均高度一致。特别是在溶解氧突变和浊度异常事件中，模型展现出优于其他基准方法的捕捉能力，且误差呈高斯分布，证明了预测结果的稳定性和可靠性。

2.2. 消融实验

通过系统性的模块消融研究验证了各组件的有效性：移除TF-MDM导致误差显著增加（MAE上升15.45%）；仅保留时域或频域分支均导致性能下降；替换自适应注意力为传统自注意力机制使R²降低0.3571；采用线性层替代GRU-MoE专家网络则大幅降低对分布漂移的适应性。这充分证明了多模块协同设计的必要性。

2.3.1. 模型优势讨论

该研究提出的集成框架在多尺度特征融合、动态依赖捕捉和分布漂移适应方面展现出显著优势。与Nagaraju等人提出的波分析软计算模型相比，该模型不仅考虑了频率特征，还通过时空联合建模增强了系统泛化能力；与Gottumukkala的机器学习指数方法相比，其深度学习架构更适合处理高维非线性数据。此外，该模型在公开数据集和区域特异性数据（如山东半岛）上均保持高性能，证明了其跨地域推广潜力。

2.3.2. 局限性与未来方向

当前研究仍存在三方面局限：数据时间跨度较短（最长1年），缺乏完整年周期数据；空间监测点单一，可能影响模型在异质水体中的泛化能力；未整合高分辨率气象水文等外部驱动因子。未来工作将聚焦于融入多源外部数据、开发轻量化部署方案（如知识蒸馏和模型剪枝）以及增强对极端事件的预测鲁棒性。

该研究的结论部分强调，所提出的深度学习框架不仅突破了传统方法在长序列预测中的瓶颈，更重要的是建立了从多尺度特征提取、动态注意力分配到自适应分布校正的完整技术链条。通过时间-频率增强分解、图结构学习与混合专家网络的协同创新，模型实现了对水产养殖水质参数的高精度预测，其预测结果可为动态预警、投饵优化、水体调节提供数据支撑，推动水质管理从经验驱动向数据驱动转变。此外，该框架的理论方法（如多尺度分解和自适应注意力）可扩展至其他环境时间序列预测场景，为生态承载力评估、气候变化响应和可持续资源管理提供通用技术基础。