摘要
水质预测对于保障公共健康、优化资源管理和促进环境可持续性至关重要。然而，由于环境变量之间的非线性关系、时间波动以及数据稀缺，水质动态预测极具挑战性。近年来，深度学习领域的进展显著提高了水质指数（WQI）及相关参数的预测精度。本综述对水质预测中的深度学习方法进行了批判性审视，重点关注地表水。通过对2015年至2026年6月间发表的文献进行系统性检索，并对所有筛选的参考文献进行详细的资格审查，最终纳入37项主要研究纳入系统综合，并辅以相关的综述、方法论和背景参考文献。所审查的架构包括卷积神经网络和循环神经网络、混合模型、注意力机制、Transformer以及用于时空建模的图神经网络。所考察的数据源包括原位传感器、实验室分析、遥感以及水文气象变量。文中讨论了数据缺失、非平稳性和空间局限性等普遍存在的挑战。同时综合了缓解策略，包括迁移学习、不确定性量化和物理信息驱动方法。核心发现是，在已审查的文献中，混合型和注意力增强的深度学习架构通常报告优于单一架构的基线模型，并且在构建用于水质预测的鲁棒、可解释且可扩展系统方面展现出最大的潜力。
