一种用于溶解氧预测的自适应去噪多尺度时空图网络

《Water Research》：A Self-Adaptive Denoising and Multi-Scale Spatio-Temporal Graph Network for Dissolved Oxygen Prediction

　　马荣|白玉龙|岳晓欣|谭贤宝|鲍文杰|马春峰中国兰州西北师范大学物理与电气工程学院摘要河口环境中的溶解氧浓度往往存在强烈的短期波动、显著的多尺度时间变化、观测噪声，以及多个变量之间的复杂耦合关系。而能够长期连续监测的变量通常较为有限且因监测地点不同而有所差异。因此，如何从常规监测数据中有效提取时间模式和变量间依赖结构，已成为实现可靠溶解氧预测的关键问题。为解决这些问题，本研究提出了RimeSG-STGNN，这是一种用于高频溶解氧预测的自适应去噪多尺度图神经网络。该框架结合了基于SG的噪声降低方法、RIME驱动的参数优化、多尺度时间特征提取以及混合图学习技术，共同建模噪声时间模式和变量依赖关系。研究使用来自美国四个河口站的15分钟间隔监测数据，以八个水质变量作为输入进行了实验。与现有的基准模型相比，RimeSG-STGNN在四个数据集中均展现出更优异的预测精度，在美国北卡罗来纳州的研究溪站和纳拉甘西特湾的波特斯科夫站，其均方根误差分别降低了约66%和73%。这些结果证明了RimeSG-STGNN在高频河口监测场景下的溶解氧预测有效性，其跨区域适用性则将在未来使用更大规模多区域数据集的研究中进一步探讨。引言溶解氧是衡量水生生态状况和水质水平的重要指标（Yang, 2023; Zhao et al., 2021）。在河口环境中，溶解氧的动态变化往往受到多种相互作用因素的影响，通常表现为强烈的短期波动、多尺度时间模式、观测噪声，以及各监测变量之间的复杂关系（Coogan et al., 2021; Nascimento et al., 2021）。此外，能够持续采集的环境变量往往有限，且不同监测点之间存在差异，这给稳定可靠的预测带来了更多挑战（Siddik, 2022; Wang et al., 2022）。在这样的条件下，从常规监测数据中有效识别多尺度时间模式和变量间依赖结构，已成为溶解氧预测领域的关键科学问题。早期关于溶解氧预测的研究主要依赖于传统统计方法，如线性回归和自回归积分滑动平均模型（ARIMA）（Harvey et al., 2011; Stajkowski et al., 2020）。这类方法通常通过分析溶解氧与水温、pH值、流量等变量之间的统计关系来构建经验模型，适用于趋势相对稳定、关系较为简单的场景（Li et al., 2016; Selim et al., 2023）。然而，由于溶解氧的变化往往具有明显的非线性和非平稳性，传统统计模型在复杂的动态条件下预测能力有限（Cao et al., 2019; Huan et al., 2018）。随着数据量的增加和计算能力的提升，机器学习方法逐渐被应用于溶解氧预测领域（Zhu et al., 2022）。支持向量回归、随机森林、梯度提升决策树等模型在拟合非线性关系方面优于传统统计方法，能够在一定程度上捕捉多种水质因子与溶解氧之间的复杂关联，因此在水质预测任务中展现出良好潜力（Islam Khan et al., 2022; Nong et al., 2023; Zavareh et al., 2023）。不过，这些方法通常更依赖人工特征构建和静态输入表示，其在表达长序列依赖关系和复杂动态模式方面的能力仍有限（Wang et al., 2023; Zhang et al., 2022）。近年来，深度学习方法因其能够自动提取时间特征而成为溶解氧预测研究的重要方向（Zhi et al., 2024）。由循环神经网络、长短期记忆网络、门控循环单元等构成的序列模型，在短期和中期预测任务中表现出良好精度（Chen et al., 2022; Yang and Liu, 2022; Zhang et al., 2020）。在此基础上，越来越多的研究将卷积网络、注意力机制、信号分解以及超参数优化策略相结合，构建出具有更强表达能力的混合模型，从而提升对复杂水质时间序列的预测性能（Huang et al., 2021; Yu et al., 2026）。最近，Chen等人（2025a）提出了一种结合经验模态分解、Transformer和CNN的EMD-MTL模型，用于共同建模多尺度溶解氧成分；Jiang等人（2025）则基于SCA-VMD-CNN特征重建和BiGRU开发了多步溶解氧预测框架，证明了特征重建在处理复杂水质序列中的有效性。总体而言，现有方法在溶解氧预测方面已取得显著进展，但在应对高频河口监测数据的复杂动态特性方面仍有改进空间（Chen et al., 2025b; Liu et al., 2024）。表1总结了现有研究中几种主要方法及其特点。尽管取得了进展，现有的溶解氧预测方法在高频率河口监测条件下仍面临三大挑战。首先，高频观测数据往往受到传感器噪声和短期干扰的影响，而固定的预处理策略可能无法兼顾噪声抑制与信号保留（Shi et al., 2025; Wang et al., 2024c）。其次，溶解氧序列包含短期波动、昼夜变化以及更长期的时间变化，要求模型能够捕捉多尺度的时间模式（Ahmed et al., 2023）。第三，常规监测的水质变量之间存在复杂且随时间变化的依赖关系，但许多现有方法仍然依赖静态相关性或简单的特征拼接，难以体现动态的变量间依赖关系（Bo et al., 2025; Ni et al., 2023）。这些挑战促使人们致力于开发一种整合自适应去噪、多尺度时间建模以及动态变量间依赖学习的统一框架。为解决上述问题，本研究提出了RimeSG-STGNN，这是一种用于高频河口溶解氧预测的集成式数据驱动框架。该框架结合自适应去噪、多尺度时间建模以及混合图学习技术，旨在提升在噪声较多且变量间存在动态耦合的监测条件下的预测性能。其主要贡献如下：前三项侧重方法论整合，第四项侧重应用验证：（1）通过结合SG滤波与RIME算法，开发出一种自适应去噪策略，可同时优化去噪参数和模型关键超参数。（2）引入基于TimesNet的时间建模模块，用于捕捉溶解氧序列中的短期波动、昼夜变化以及更长期的依赖关系。（3）设计了一种混合图学习模块，用于建模常规监测变量之间既稳定的又随时间变化的依赖关系。（4）通过对四个河口数据集开展单步与多步预测、消融分析、复杂性分析、统计显著性检验以及特征重要性分析等实验，评估所提框架的有效性与适用性。本文其余部分结构如下：第2节介绍所提出的模型、相关方法组成部分及参数设置；第3节阐述实验数据集、数据预处理、数据分析及评估指标；第4节呈现实验结果与讨论，包括单步与多步预测、消融分析、SG滤波与模型贡献分析、优化方法比较、复杂性分析、Diebold–Mariano统计检验、特征重要性分析，以及对该模型优缺点的讨论；第5节对全文进行总结，并指出未来的研究方向。模型概述图1展示了所提出的RimeSG-STGNN模型的整体架构。该框架包括自适应去噪、时间特征提取与空间依赖关系建模，以及预测性能评估等功能模块。其设计目的是应对溶解氧序列中存在的多尺度时间波动、动态变量间依赖关系以及噪声干扰等复杂特征，从而提升溶解氧预测的准确性、稳定性及泛化能力。研究区域本研究使用的数据来自美国国家海洋和大气管理局下属的国家河口研究保护区系统（NERRS）（https://cdmo.baruch.sc.edu/dges）。为系统评估所提出的溶解氧时空预测模型在不同水文条件及人为影响下的稳健性、泛化能力与环境适应性，本研究选择了四个具有不同特征的河口监测数据集。实验与讨论本研究以溶解氧浓度的预测为核心，针对水质时间序列建模中的多尺度时间演化、强变量间耦合以及复杂空间依赖关系等关键问题展开研究。为解决这些问题，我们提出了RimeSG-STGNN模型，该模型整合了基于SG滤波的去噪技术、RIME优化算法、基于TimesNet的多尺度时间建模方法以及混合图学习技术。通过共同建模多尺度特征，该模型有望提升溶解氧预测的准确性。结论本研究聚焦于河口环境中的高频溶解氧预测问题，这类预测面临着观测噪声、多尺度时间波动以及常规监测变量间复杂依赖关系的挑战。为解决这些问题，本研究通过整合基于SG的去噪技术、基于RIME的参数优化方法、基于TimesNet的多尺度时间建模技术以及混合图学习技术，开发出了RimeSG-STGNN这一集成式数据驱动框架。在四个NERRS数据集上的实验结果为该框架的有效性提供了有力支撑。CRediT作者贡献声明马荣：撰写——初稿、方法论、概念设计。白玉龙：撰写——审阅与编辑、验证、形式分析。岳晓欣：方法论、概念设计。谭贤宝：验证、调研。鲍文杰：调研、数据整理。马春峰：可视化、形式分析。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金项目（项目编号：42371377）的资助。