动态时空关系网络（DSTRN）驱动多参数海水质量预测模型研究及其在海洋生态健康监测中的应用

本研究提出基于动态时空关系网络（DSTRN）的海水质量多参数预测模型，通过自适应图卷积（Ada-GCN）、动态时空关联提取（DSTCE）和维度映射（Dim-Map）模块协同建模，显著提升多浮标协同预测精度（平均R2达0.978），为海洋环境动态监测与生态健康管理提供关键技术支撑。

　　

Highlight

采样点位与设备

本研究数据来源于北部湾近岸水域，采样时间为2019年1月1日至12月31日，采样间隔为30分钟。采样设备由四个配备多种传感器的海洋浮标组成。浮标通过配重稳定链系和锚泊系统固定于海床，在正常海况下其水平位移远小于监测仪器的有效采样范围。

数据重构

研究中每个浮标被定义为图结构中的一个节点。通过整合各节点的多变量时间序列数据，将其重构为适用于图神经网络的结构以支持后续计算。多浮标原始数据及数据集的重构与划分如图6所示（注：实际输出省略图示标识）。通过沿空间维度拼接所有浮标监测站数据，重构得到具备时空关联特性的张量数据集。

问题定义

为建模多维序列数据的时空关系，构建关联图并学习不同位置海水质量参数状态间的相互影响过程及其时间变化规律，定义图结构G=(V,E,A)以编码监测点间的关联关系。其中V={v₁,v₂,…,v_n}表示N个监测点集合，E代表表征潜在动态关联的边集合。

参数设置与模型训练配置

为实现最优性能，实验采用随机搜索优化超参数，包括关联提取维度、切比雪夫多项式阶数、DSTCE隐藏层维度、Dim-Map卷积核大小、丢弃率、初始学习率和批处理大小。超参数搜索空间及最终配置见表2（注：实际输出省略表格标识）。模型训练配置如下：采用Adam优化器，学习率设置为0.001，批处理大小为32，训练轮次为200次，并应用早停策略防止过拟合。

Conclusion

本文提出的DSTRN预测模型能够实现对多维时空数据的精准预报。以北部湾近岸区域海水质量参数为研究对象，该模型展现出卓越的空间信息提取与利用能力。通过单浮标与多浮标协同两种预测策略的对比分析以及不同时间跨度下的性能评估（如14号浮标在各预测时段平均R²达0.978），证实了模型在复杂海洋环境中的鲁棒性与泛化能力。