面向复杂噪声耦合治理的水质预测趋势感知结构再学习框架（TaSRef）及其在河流健康监测中的应用价值

本文提出趋势感知结构再学习框架（TaSRef），通过解耦数值噪声与结构噪声，创新性地实现城市河流水质的高精度预测。该框架融合拓扑结构再学习、耦合时空去噪和对齐聚合模块，在R2、MAE和RMSE指标上显著优于基线模型，为复杂环境下的水质管理提供可靠技术支撑。

　　

Highlight

城市河流水质监测是推动社会绿色可持续发展的重要举措。尽管时空依赖建模方法取得进展，但由于数值噪声与结构噪声的耦合效应，现有模型难以准确捕捉水质变化的复杂时空依赖性。为此，我们提出TaSRef（趋势感知结构再学习框架），通过耦合噪声治理实现水质预测的创新突破。

Spatiotemporal Graph Neural Networks

数据驱动的深度学习技术，特别是图神经网络（GNN），在水质预测的时空依赖建模中展现出显著能力。经典时空图神经网络（STGNN）方法如DCRNN，通过在定向图上引入扩散卷积循环神经网络，有效捕捉时空依赖。为进一步增强空间依赖学习能力，多种改进方法被相继提出。

Research Framework

我们的水质预测整体流程如图2所示。在从人工监测站点和自动监测站点收集时空数据后，采用滑动窗口方法组织高质量数据样本，并利用中心差分法计算趋势数据。原始时空数据（包括数值数据和原始邻接矩阵）以及趋势数据被输入到所提出的框架中。

Dataset and Preprocessing

我们在三个水质监测数据集上评估模型：来自杭州西湖区和富阳区的两个私有数据集，以及一个来自中国福建省的公开数据集。数据集详情如下：

西湖数据集包含38个监测传感器（2020年4月25日18:00 - 2023年7月17日11:00）和191个人工采样断面（2020年1月6日 - 2023年6月17日）的水质数据，包括五个关键指标：pH值、溶解氧（DO）、高锰酸盐指数（COD_Mn）、氨氮（NH₃-N）和总磷（TP）。

Conclusions

准确的水质预测在城市河流监测中扮演关键角色，对水污染防治具有重要意义，是推动社会绿色可持续发展的关键举措。然而，当前水质预测技术在实际应用中面临重大挑战：结构噪声（拓扑建模误差）与数值噪声（传感器观测误差）的耦合效应。为此，我们提出了趋势感知结构再学习框架（TaSRef），通过逐步解耦结构噪声和数值噪声，实现复杂环境下的精准预测。