一种基于遥感和水文气候预报数据集用于事后与事前季节性河流水质预测的稳健前向链方法

《Journal of Water Process Engineering》：A robust forward-chain approach for ex-post and ex-ante seasonal river water-quality forecasting using remote sensing and hydroclimate forecast datasets

　　

开发了一种用于1至6个月水质预测的前向链框架。
整合C3S季节预报和Sentinel-2卫星数据用于水质预测。
针对事件驱动的总悬浮物（TSS）和浊度预测，将LSTM与ARX模型进行了基准比较。
随着预测时距的增加，事后（ex-post）预测的平均绝对误差（MAE）上升15%–30%，事前（ex-ante）预测的MAE上升25%–45%。
与前向链训练相比，固定窗口训练方法使MAE减少了10%–25%。

**引言**

水质的变化深刻影响着生态系统完整性和人类健康，使可靠的预测与管理成为全球优先事项。水质预测涉及利用长期监测数据来预测未来趋势，为主动干预和污染预防提供科学依据[1]。准确的预报在支持水资源管理、指导政策决策以及减轻公共健康风险方面发挥着关键作用[2]。然而，淡水系统正面临快速城市化、工业化和气候变化带来的日益增长的压力，导致全球范围内水质普遍恶化[3]。在许多发展中国家，水污染挑战随着经济加速发展而加剧，大量资源被投入河流清洁工作。为应对污染问题，印度发起了国家恒河清洁使命（NMCG）以恢复河流健康[4][5]。类似的恢复工作正在全球范围内展开，凸显了建立及时且稳健的水质监测与预报系统的迫切需求。

水质时间序列固有的非线性、非平稳性和噪声特性使预测变得复杂，迫切需要能够提取潜在规律并准确捕捉未来趋势的模型，以支持有效的管理和恢复工作[6]。

由于水文、气象和人为驱动因子的复杂交互作用，以及强烈的时空变异性，河流水质监测与预报仍然面临巨大挑战[7][8]。传统过程型数值模型，如环境流体力学代码（EFDC）、Delft3D框架和水质量分析模拟程序（WASP），已被广泛应用于模拟水系统中污染物传输和生物地球化学过程。然而，这些模型通常需要大量计算资源、广泛的参数率定，且对边界条件和强迫数据的不确定性敏感[9][10]。这些局限性推动了数据驱动方法的发展，后者可以直接从观测数据中学习潜在动态，无需显式求解物理方程。

近年来，机器学习（ML）和深度学习（DL）模型由于能够从大量多变量数据集中提取非线性关系，在水质预测方面展现了巨大潜力。随机森林、支持向量回归和梯度提升等传统机器学习方法已被应用于预测溶解氧、浊度和营养物质浓度等关键水质参数[11][12][13]。然而，当这些传统机器学习模型在基于快照卫星影像的建模框架中实施时，它们并不固有地表示时间依赖关系，通常依赖于人工设计的预测变量，如滞后变量、季节指标、移动平均或预定义的光谱指数。相比之下，深度学习架构，特别是循环神经网络（RNN）和长短期记忆网络（LSTM），专门设计用于建模序列依赖关系，因此已成为水质预报的有力工具[14][15][16][17]。

河流水质表现出明显的季节性和随机变异性，受外部水气象强迫（如降雨、地表径流和温度）驱动，同时通过时间序列中的自相关和滞后依赖关系体现内部系统记忆。因此，选择合适的滞后项和相关预测变量对于提高数据驱动模型的预报技巧至关重要。在这种动态背景下，若干水质参数被常规用于表征河流健康，并作为预测建模的目标变量。总悬浮物（TSS）和浊度作为沉积物负荷和光衰减的代理指标，直接影响水生栖息地质量和初级生产力[18][19]。电导率（EC）反映溶解离子含量，可指示盐度入侵或人为输入，如工业废水排放[20]。溶解氧（DO）主导生态系统代谢和自净能力，是水质评估和法规合规的核心指标[21]。总体而言，这些参数提供了河流水文过程的互补表征，常被用作水质预报框架中的目标变量。

LSTM网络在水文和环境变量预测方面特别有效，因为其门控架构能够表征传统循环模型难以捕捉的长期时间依赖关系[22]。在传统LSTM的基础上，近年来的水文预报研究引入了信号分解、优化算法、卷积特征提取、注意力机制和基于Transformer的架构，以改善非线性和非平稳时间序列行为的表征。对于月径流预测，Xu等人[23]将集合经验模态分解与自适应噪声（CEEMDAN）、变分模态分解（VMD）、优化算法和LSTM相结合，以降低序列复杂度并提高模型泛化能力。Wang等人[24]开发了具有时间注意力的深度卷积残差网络和Transformer编码器-解码器架构，以联合提取局部和全局时间特征。最近，Xu等人[25]将时间卷积网络、卷积神经网络和LSTM相结合，以表征月径流序列中的长距离依赖关系和多尺度局部特征，而Xu等人[26]通过并行架构将LSTM型门控机制与Transformer编码器相结合，用于日径流预测。这些进展展示了混合和基于注意力的深度学习模型在水文预报中的增长潜力。

在水质预报方面，基于LSTM的模型已成功应用于预测河流和水库中的溶解氧、浊度和叶绿素a，通常优于传统方法[16][27]。通过整合多维预测变量——包括气候驱动因子、来自Landsat-8和Sentinel-2的多光谱卫星观测数据、雷达产品和基于GIS的信息——其有效性可以进一步增强。此类数据集越来越多地被用于估算蓝藻、TSS、浊度、营养物质及其他水质参数[18][19][28][29]。

尽管机器学习与深度学习在水质预测应用中取得了显著进展，但仍存在若干关键缺口。大多数现有研究专注于短期预报，通常范围为数小时至数天[16][21][30]，而有效的水质管理同样需要季节时间尺度上的可靠预报。虽然先进的混合和基于Transformer的架构通过整合信号分解、卷积特征提取、注意力机制和循环学习提高了径流预报水平[23][26]，但其应用主要集中在流量或径流方面。它们在数据有限条件下多参数季节性水质预报中的适用性，以及在未来预测变量可用性受操作性限制时的情形，仍研究不足。此外，人们对系统性比较后验条件下使用再分析数据生成的水质预报与前验条件下由季节气候预测系统（如哥白尼气候变化服务C3S）驱动的预报的注意力有限。解决这些缺口需要一个整合框架，将水文气象驱动因子与卫星遥感输入相结合，为水资源管理提供具有操作相关性的信息。

为弥补这些缺口，本研究考察了水文气象和卫星遥感输入在径流量未测定的河流环境中预测水质参数的有效性。具体目标包括：(1) 开发一个整合水文气象和卫星遥感输入的季节性水质预报框架；(2) 比较该框架在1至6个月预测时距下，使用后验（再分析ERA5驱动）与前验（气候预报C3S驱动）输入作为驱动因子的预报技巧；(3) 评估随着预测时距增加直至前验驱动因子最大时距时，预报误差如何演变。

本研究的贡献体现在三个主要方面：(i) 将前向链（FC）训练策略应用于季节性多参数水质预报，并直接将其性能与固定窗口（FW）训练策略进行比较；(ii) 在前向链框架的一致条件下，系统评估后验（ERA5驱动）和前验（C3S驱动）配置下的预报技巧，以评估其现实适用性；(iii) 提供一种可扩展的多参数预报方法，适用于数据有限地区的河流管理，并示范预测了关键水质参数：溶解氧（DO）、电导率（EC）、浊度和总悬浮物（TSS）。

**研究区域**

胡格利河是恒河的一条分流河，被选为测试所提出的水质预报框架的研究区域，该河流构成了西孟加拉邦恒河三角洲的最下游河段（图1）。胡格利河从穆尔西达巴德流向孟加拉湾约260公里，途经人口稠密且工业化的地区，包括加尔各答大都市区，并作为居民用水、灌溉、航运和工业的重要水源。尽管其生态功能……

**方法论**

我们的方法学框架整合了原位水质观测数据、来自ERA5和C3S的水文气象驱动因子，以及从Sentinel-2卫星数据中提取的遥感指数，以开发季节性水质预报系统。该方法包括数据预处理、特征整合以及基于长短期记忆（LSTM）网络的深度学习预报。预报在双重设置下生成：(i) 使用再分析（ERA5）驱动因子的事后（ex-post）基线；(ii) 以及前……

**LSTM中ERA5与C3S强迫因子的水质预报技巧**

图6展示了1至6个月预测时距下观测值与预报值的溶解氧（DO）浓度时间序列比较。结果表明，预报框架成功捕捉了季节循环和所有时间尺度上的主要峰谷变化，尽管偏差随预测时距增加而增大。EC、浊度和TSS的相应时间序列图提供在补充材料中（第2节）。

为量化模型性能，散点图比较了观测值与预……

**各预测时距的预报技巧与特征相关性**

KGE随预测时距延长而下降反映了输入不确定性的累积以及在更长时间尺度上捕捉事件驱动动态的日益困难。具有较平滑水文生物地球化学响应的水质指标（DO、EC）在较长预测时距下保持了较高的预报技巧，表明所提出的预报框架具有学习稳健季节信号和低频信号的能力。相比之下，浊度和TSS表现出间歇性行为，并强烈受降雨影响，结……

**结论**

本研究开发了一种数据驱动的前向链月度预报框架，使用序列LSTM进行多参数河流水质预测，整合了再分析、预报和遥感输入。该框架展现了有用的预测技巧，特别是在较短预测时距下，同时能够评估前验预报条件下的技巧退化情况。将具有物理意义的预测变量与统计学习相结合，为……

**CRediT作者贡献声明**

Kunwar Abhishek Singh：原创草稿撰写、可视化、验证、方法论、形式分析、数据整理、概念化。Dongryeol Ryu：审阅与编辑、验证、监督、方法论、概念化。Meenakshi Arora：审阅与编辑、验证、监督。Bhabagrahi Sahoo：审阅与编辑、验证、监督。Manoj Kumar Tiwari：审阅与编辑、验证、监督。

**利益冲突声明**

作者声明他们不存在可能影响本论文所报告工作的已知竞争性财务利益或个人关系。

**致谢**

作者衷心感谢西孟加拉邦污染控制委员会（WBPCB），加尔各答，授权使用本研究中的原位水质数据集。Sentinel-2 Level-2 A地表反射率影像源自欧盟/欧洲航天局哥白尼计划，通过Google Earth Engine数据目录获取（Sentinel-2 L2A地表反射率）。第一作者衷心感谢印度教育部提供的学生奖学金资助。

Kunwar Abhishek Singh | Dongryeol Ryu | Meenakshi Arora | Bhabagrahi Sahoo | Manoj Kumar Tiwari