《Journal of Hydrology》：Probabilistic multi-step forecasting of estuarine salinity intrusion for ecohydrological risk assessment
编辑推荐：
盐度入侵预测研究提出融合时空卷积网络与多头自注意力机制的混合深度学习框架，通过DeepAR概率模型量化预测不确定性，在48至120小时多步预测中显著提升R2（最高+42.9%）和NSE（最高+43.7%），同时降低RMSE（最高-27.6%）和MAE（最高-28.4%），实现长期稳定预测与可靠误差评估，为潮间带水资源管理提供技术支撑。
黄雅丽|陈华|阿米尔·莫萨维|刘阳|胡朝阳|徐崇宇
中国湖北省武汉市武汉大学水资源工程与管理国家重点实验室，邮编430072
摘要
由于气候变化和人类活动的影响，河口系统的盐水入侵问题日益严重，对水资源安全和生态稳定性构成了日益增长的威胁。因此，可靠的盐度预测对于适应性管理盐水入侵和生态保护至关重要。然而，传统方法往往存在预测精度有限、预测范围短以及缺乏不确定性评估的问题。本研究开发了一种混合深度学习框架，以改进多步盐度预测。在该框架中，时间卷积网络（TCN）和多头自注意力（MHSA）机制被结合到一个深度自回归循环（DeepAR）概率框架中。这种集成增强了跨多个时间尺度的特征提取和依赖性识别能力，而嵌入的高斯过程（GP）模块则用于量化预测不确定性。结果表明，所提出的混合模型在测试期间的性能优于基线模型，R2值提高了多达42.9%，Nash–Sutcliffe效率（NSE）提高了43.7%，均方根误差（RMSE）降低了27.6%，平均绝对误差（MAE）降低了28.4%。长期预测更加稳定，并能有效捕捉关键的盐度动态变化，包括峰值幅度和相位偏移。此外，该模型在三个预测时段内均获得了最佳的平均区间得分（MIS）。它还产生了分布更均匀的残差，表明其可靠性和泛化能力得到了提升。总体而言，本研究介绍了一种创新的方法框架，支持高分辨率、可靠的河口生态系统管理和生态保护预测。
引言
盐水入侵是指在海流动力学和气候因素的影响下，海水向上游渗透到河口和河流环境中的过程，导致内陆淡水系统的盐度升高（Su等人，2025；Mondal等人，2023；Tully等人，2019）。这一现象具有明显的复合特性和空间异质性（Bayabil等人，2020）。随着气候变化的加速和人类活动的加剧，近年来河口盐水入侵事件变得更加频繁和严重（Siemes等人，2025）。主要驱动因素包括海平面上升（Adams等人，2024）、极端气候事件（Yang & Zhang，2023）、由于水资源调节导致的上游流量减少（Shi等人，2023）以及过度抽取地下水（Zhu等人，2022；Gao等人，2025）。盐水入侵不仅限制了沿海地区的淡水供应，还对粮食安全构成了重大威胁（Su等人，2025）。更重要的是，它改变了河口的环境条件，降低了河口生物多样性，并加剧了区域社会生态系统的脆弱性（Lassiter，2021）。因此，改进盐度预测和缓解措施对于可持续的沿海发展至关重要。
传统的盐度入侵预测方法包括统计回归模型和数值模拟模型。统计模型（如多元回归分析和时间序列模型，例如ARIMA）通过历史数据拟合或经验方程建立盐度与关键影响因素之间的经验关系（Morey和Dukhovskoy，2012；Sun等人，1999）。这些方法计算效率高，适用于短期盐度变化的快速预测。然而，它们对线性依赖性的假设以及忽视了潜在的物理机制，限制了其在极端事件和复杂非线性水动力条件下的预测精度和泛化能力。相比之下，数值模型基于水动力理论和盐度传输方程，通过一组控制方程描述盐度的时空演变。代表性模型如SEAWAT、MODFLOW、Delft3D和FVCOM被广泛用于研究物理机制并进行基于情景的盐水入侵分析。这些模型具有很强的物理可解释性，在过程模拟和情景评估中表现良好（Panthi等人，2022；Brand等人，2021；Ge等人，2022）。然而，它们的高计算需求和对边界条件的敏感度限制了其在实时预测和动态决策中的应用。
近年来，计算技术的快速发展促进了数据驱动方法在盐度入侵预测中的应用。机器学习（ML）和深度学习（DL）模型被用于从多源数据集中识别复杂的非线性关系（Mosavi等人，2018），包括历史盐度观测数据、潮汐特征、河流流量和气象参数。这些方法能够高效预测并定期更新盐度动态。传统的ML算法，如支持向量机（SVM）和随机森林（RF），已成功应用于预测河口和地下水系统的盐度趋势（Yin等人，2024）。同时，先进的DL架构——包括卷积神经网络（CNN）、长短期记忆（LSTM）网络及其混合变体——能够有效捕捉盐度演变的时空模式和时间依赖性，从而提高预测精度和响应时间（Yang等人，2025）。与传统方法相比，数据驱动模型在计算效率和非线性特征表示方面具有明显优势，使其适用于参数受限条件下的实时预测。此外，深度学习模型促进了多种数据源的整合，如遥感观测数据，提供了对盐水入侵过程的更全面理解（Jiang等人，2024）。
尽管在盐度入侵预测方面取得了显著进展，但仍存在几个关键挑战。大多数现有模型受到可用盐度数据分辨率的限制，这限制了它们捕捉河口盐度动态的高频变化和空间异质性的能力（Qi等人，2022；Jiang等人，2024）。此外，尽管深度学习方法提高了短期预测精度，但在长期或多步预测方面往往表现不佳（Zhou等人，2020；Jung等人，2025）。此外，当前盐度预测研究中缺乏不确定性评估，限制了置信区间或风险估计的生成，从而限制了它们的可靠性和对决策者的实际价值（Yurek等人，2023）。
为了解决这些限制，本研究提出了一种新的深度学习框架，以增强多步盐度入侵预测。该模型旨在延长预测范围，提高每小时盐度预测的稳健性，并量化预测不确定性，以便更好地进行生态水文风险评估。具体而言，我们的主要目标是：（1）捕捉每小时盐度序列的时间依赖性，并提高模型识别关键时间段和多变量相关性的能力；（2）进行不确定性量化，以便动态评估盐度预测的置信度。预计该模型将提供更准确、稳定和高效的盐度入侵预测，从而为动态沿海水资源管理和生态保护提供有价值的支持。
盐度预测框架的建立
所提出框架的总体实施过程如图1所示。它主要包含三个阶段：数据准备和预处理、模型构建和优化以及结果可视化和评估。
第1阶段：数据准备和预处理。在此阶段，收集并处理每小时河口盐度监测数据。进行异常值检测和去除，以消除错误记录并提高数据集的可靠性。
研究区域
研究区域是中国东南部的闽江口（MRE）（图4），该流域面积约为60,992平方公里，通过福州市流入东海。该河口提供了流域内90%的总用水量，为超过800万居民提供必要的淡水资源，在区域供水、生态平衡、水文调节和社会经济发展中发挥着重要作用。
该流域拥有丰富的
优化算法与基线模型的比较
优化目标是在训练数据上最大化NSE并最小化RMSE。不同预测范围的预测结果分布如图5、图6和图7所示。
当预测范围为48小时时，TCN模型在验证集上获得了最高的R2值，显示出其在短期时间依赖性方面的优势。然而，在测试集上，提出的SA-TCN-DeepAR模型
方法论贡献
盐度是海洋环境的关键指标，在海洋生态系统管理、气候变化评估和水资源调节中发挥着重要作用（Jung等人，2025）。因此，准确的盐度预测对于理解河口动态和支持适应性管理策略至关重要。传统方法通常需要大量资源来识别历史盐度记录中的内在关系和模式（Zhou等人，2020；Tran
结论
本研究提出了一种基于深度学习的模型，用于高分辨率的每小时盐度预测，以应对变化环境条件下的盐度入侵预测挑战。该模型增强了时间依赖性学习和概率不确定性量化。对48至120小时预测范围的盐度预测进行评估后得出以下结论：
（1）所提出的模型结合了TCN和多头自注意力（MHSA）机制
未引用的参考文献
Lu等人，2023；Vinod和Geoffrey，2010；Zhu等人，2024。
CRediT作者贡献声明
黄雅丽：撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据整理。陈华：撰写——审阅与编辑、监督、资源获取。阿米尔·莫萨维：撰写——审阅与编辑。刘阳：软件、资源。胡朝阳：项目管理、数据整理。徐崇宇：撰写——审阅与编辑、监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了国家重点研发计划（编号：2023YFC3209101）和中国 Scholarship Council（编号：202506270066）的支持。
