摘要
江淮流域地区的多站点水质序列受到季节性周期、气象干扰和站点间差异的共同影响。传统的质量预测模型难以同时实现多尺度特征提取、空间异质性表征和预测不确定性表达。本研究使用了该地区 32 个监测站于 2025 年的溶解氧 (DO)、pH 值和氨氮 (NH3N) 日尺度监测数据，提出了 FT-TransONet（傅里叶增强时间 Transformer 算子网络）多站点概率水质预测模型。在 Transformer 框架内，该模型采用了一种 FourierTime 可学习频域滤波模块、一种 GeoBias（地理偏差）注意力偏差机制，以及一种由多层感知机 (MLP)、门控循环单元 (GRU) 和时间卷积网络 (TCN) 结合质量守恒约束组成的多残差集成策略，从而实现了对关键水质指标的点预测和区间预测。结果表明，在多站点水质预测任务中，FT-TransONet 在所有对比方法中实现了最低的 Macro_RMSE。在三天的预测视野下，其 Macro_RMSE 达到 0.2255，比长短期记忆网络低 21.89%，比最强的基线 MC-Dropout 低 5.57%。对于这三个单独指标，模型在溶解氧、pH 值和氨氮上的决定系数分别达到 0.9135、0.9338 和 0.8660，相应的均方根误差分别为 0.5145、0.1098 和 0.0523，证实了其表征主要水质指标时间变化的潜力。在多步预测下，误差增长平缓，随着视野从三天延长到七天，Macro_RMSE 仅从 0.2255 上升至 0.2384，消融实验以及概率预测结果进一步支持了所提结构设计的有效性。该方法在江淮流域 32 个水质监测站进行了验证，在兼顾稳定性和不确定性量化的同时提高了多站点预测精度，为区域水质预警和管理提供了初步参考。
