《Sustainability》：Water Quality Grade Prediction by Integrating Meteorological and Spatial Information: An Early Warning Framework for Severe Pollution in Chaohu Lake
编辑推荐：
巢湖突发水污染事件构成严重的公共环境风险，使得水质等级的可靠短期预测对于有效的水质预警系统和科学的湖泊管理至关重要。现有方法对监测站之间的污染物传输刻画不足，未能合理利用气象信息，且对稀缺的高污染等级样本关注不足。此外，多数研究仅评估模型整体性能，缺乏针对巢湖
巢湖突发水污染事件构成严重的公共环境风险，使得水质等级的可靠短期预测对于有效的水质预警系统和科学的湖泊管理至关重要。现有方法对监测站之间的污染物传输刻画不足，未能合理利用气象信息，且对稀缺的高污染等级样本关注不足。此外，多数研究仅评估模型整体性能，缺乏针对巢湖污染暴发预警的适用性。为解决这些问题，本研究提出了一种集成水质与气象数据的混合模型，利用不同监测站之间的污染传输关系，可提升对V类和劣V类水质的预测性能。该模型采用条件感知融合策略动态结合水质和气象数据，构建空间水文传输图以编码站点间的污染传输模式，并设计分层分类器以应对水质数据中的严重不平衡。将2022年6月至2025年5月期间七个监测站每四小时的水质观测数据与前一日气象数据配对。2022年6月1日至2024年2月29日的数据用于训练，2024年3月1日至5月31日的数据用于验证，2024年6月1日至2025年5月31日的数据用于独立测试。在五次独立运行中，完整模型取得了0.7256 ± 0.0022的总体准确率和0.8044 ± 0.0069的污染类召回率。相对于Water-GRU基线，污染类F1从0.5814提升至0.6554（提升12.7%），突发污染召回率从0.4310提升至0.4879（提升13.2%）。多步评估进一步显示，在12小时预测时域上污染类F1仍保持为0.6001。这些结果表明，条件感知的气象信息和水文信息引导的空间聚合能够改善巢湖面向预警的水质等级预测，尤其是减少污染事件漏报。
水质是环境保护与流域管理的关键生态指标，直接影响水生生态系统稳定、饮用水安全和公共健康。巢湖是典型浅水湖泊，2022年夏季曾发生严重蓝藻暴发，水质急剧恶化。在浅水湖泊中，水质变化既受内部生物地球化学过程影响，也受降雨、风等外部扰动和污染物输入影响。可靠预测水质变化趋势对污染控制和早期预警非常重要，尤其是V类和劣V类等水质恶化事件。然而，现有方法存在三方面不足：对监测站间污染物传输的刻画不充分；气象信息被忽略或无条件融合；对稀缺高污染等级样本关注不够。大部分研究仅评估整体性能，缺乏针对巢湖污染暴发预警的适用性。为此，研究人员提出了一种融合气象与空间信息的水质预警框架，旨在提升对V类和劣V类水质的预测性能。
该框架包括三个关键模块：基于水文方向和地理距离构建空间水文传输图，以表达站点间污染传输；设计条件感知气象融合策略，仅在极端天气下增强气象信息；引入两阶段分层分类器，改善不平衡分类。研究使用了2022年6月至2025年5月巢湖七个自动监测站每4小时水质数据，并配对前一日气象数据。其中2022年6月1日至2024年2月29日数据用于训练，2024年3月1日至5月31日用于验证，2024年6月1日至2025年5月31日用于独立测试。五次独立运行结果显示，完整模型总体准确率为0.7256±0.0022，污染类召回率为0.8044±0.0069；相比Water-GRU基线，污染类F1从0.5814升至0.6554（提升12.7%），突发污染召回从0.4310升至0.4879（提升13.2%）。多步预测显示12小时时域内污染类F1仍达0.6001。这表明条件感知气象信息和水文信息空间聚合能有效减少污染事件漏报，为巢湖及类似浅水湖泊的污染预警提供了方法论参考。
在关键技术方法上，研究人员使用双分支门控循环单元（GRU）分别编码水质和气象时间序列，并通过自注意力机制增强特征；采用条件感知加法融合，在特殊天气标签激活时结合气象特征。空间建模上，依据站点间的水文连通性和地理距离构造空间水文传输图，输入三图层图卷积网络（GCN）聚合邻域信息。分类阶段使用两阶段策略：先粗分为优良类（I–III类）和较差类（IV、V和劣V类），再分别在两个分支中细分类别，并对污染分支施加加权交叉熵损失。数据来源方面，水质数据取自国家环境监测平台，气象数据取自中国气象数据服务中心；数据分割为训练、验证和测试三部分。
研究结果分述如下。
3.1 最终设置下的整体比较
通过消融研究和污染相关类别分析，发现逐步加入气象输入和GCN模块均带来性能提升：气象输入使污染类F1提高5.67个百分点，GCN使污染类精度提高6.67个百分点；完整模型获得最高污染类F1（0.655）且标准差最小。在污染相关类别上，GCN空间聚合对突发污染检测提升最明显（召回从0.4310升至0.5160），完整模型对持续污染召回最高（0.8990）。
3.2 与最新方法的比较
对比Water-LSTM、Focal Loss、STGCN等模型，Water-Meteor-GRU-GCN在总体准确率和污染类召回率上均优于基线，表明融合气象和水文机制的优越性。
3.3 空间水文传输图参数敏感性
通过改变水文权重系数和距离衰减系数，发现水文权重系数为0.5、距离衰减系数为20时性能最佳，反映了浅水湖泊中水文连通性需适度引入。
3.4 不同监测站案例分析
在污染季节（6–9月），气象输入和GCN空间表示普遍提升各站污染类F1，但提升幅度因站点水文角色而异。入湖口站点由于入流复杂预测难度更高，湖心站点相对稳定，出湖口站点还受未建模支流影响。
3.5 多步超前预测
随预测时域延长，准确率和污染识别能力下降；在12小时时域内可维持污染类F1≥0.6，其衰减趋势与水质等级和历史指标间的滞后相关衰减一致。
3.6 输入扰动下的鲁棒性分析
在测试集加入高斯噪声和特征尺度偏移后，模型整体性能波动很小，展示了对测量误差的稳健性。
在讨论部分，研究人员认为框架改进污染等级预测源于对时间变化、空间传输和条件相关气象扰动的综合建模。空间图比较分析显示，纯距离或邻接图不足以表示巢湖监测网络的空间结构，需同时考虑水文方向和地理衰减。两阶段分类设计有助于将建模能力集中于预警相关类别。实际应用中，图结构GCN揭示了不同监测站污染贡献的异质性，强调入湖口源头控制的重要性；极端天气与水质恶化相关性提示需加强与气象部门的信息共享；多阶段预测框架可支持日常管理决策。局限方面包括：固定站点和静态图、仅使用气象和水质数据、气象数据日分辨率、参数固定等。未来工作拟采用动态水文传输图和多源数据（如
