物理信息驱动的逆向决策框架用于水库水质动态预测与场景选择

《Scientific Reports》：Physically constrained Mamba forecasting supports multiobjective reservoir water quality decisions

　　

摘要

水库水质管理需要具有动态合理性的预测，以及能够平衡水质目标与所需轨迹变化幅度的场景选择。然而，历史监测档案很少包含带标签的控制动作。我们开发了一种物理信息驱动的逆向决策框架，该框架结合了分解 - 交互 Mamba 预测器、观测空间氧平衡诊断、条件变分自编码器（CVAE）和偏好条件的多目标搜索。该预测器在执行通道特定的状态空间编码和门控跨变量交换之前，先分离多尺度动力学。集总 Streeter–Phelps 残差用于正则化溶解氧预测，而 CVAE 则表示自然事件后观察到的 DO–CODMn 恢复变化。基于 2021 年 6 月至 2025 年 1 月密云水库观测数据的评估结果显示，溶解氧的 24 步均方根误差（RMSE）为 0.305，CODMn 为 0.318。物理违规率（定义为预测值与 Streeter–Phelps 模型隐含的 DO 增量符号之间的不一致）从不含这两个输出空间项时的 8.4% 降至完整模型下的 0.3%。固定视域潜在搜索产生的超体积为 0.824，相比之下 NSGA-III 为 0.706，加权和潜在搜索为 0.487，且在 55 个评估决策中未出现诊断余量穿越。由于档案中不包含设备动作记录，该方法返回的是候选目标轨迹以及无量纲浓度等效需求及粗糙度值，而非可执行命令或校准成本。前瞻性应用需要对物理诊断、事件泛化、递归预测以及实测执行器响应进行独立验证。