学术前沿 |【ESE】水质预测没有“万能模型”：预测7天与15天，最优架构为何不同？

前沿视野，学术共享

本期为您转载自卓越期刊Environmental Science and Ecotechnology（ESE）的研究成果。该刊是由中国环境科学学会、哈尔滨工业大学、中国环境科学研究院联合主办，Elsevier 出版的开放获取国际学术期刊，位列中科院一区，最新影响因子14.3，重点刊发全球环境热点与生态技术创新。以下为精选全文，供行业参考。

同样预测叶绿素a，只是把预测时间从几天延长到一两周，表现最好的模型就可能发生变化。基于德国Königshütte水库和中国宁夏鸭子荡水库的数据，研究团队比较9种时间序列预测模型，并进一步拆解模型内部模块。在本研究设定的1–7天短期和8–15天中期任务中，PatchTST短期表现最好，Crossformer则在中期领先；与此同时，模型依赖的信息也由当前叶绿素a逐渐转向水温和营养盐。

「READING」

水质预测是藻类变化预警、水库调度和水生态管理的重要基础。传统机理模型能够描述复杂的生物地球化学过程，但参数化和校准成本较高；深度学习可以直接从监测数据中学习非线性和时序关系，却经常被当作“黑箱”使用——人们知道某个模型更准，却未必知道究竟是哪种结构在发挥作用。

厦门大学研究团队因此将关注点从“哪个模型最好”推进到“什么样的模型结构更适合什么预测时段”。相关成果于近日发表于Environmental Science and Ecotechnology，论文将模型架构与生态时间结构之间的这种对应概括为“架构–生态对偶性”（architectural–ecological duality）。

不只比较模型，也要理解模型结构

研究选择的两座水库具有明显不同的数据和生态背景。

Königshütte水库（KS）叶绿素a（chlorophyll a, Chl a）平均浓度为6.60 μg/L，鸭子荡水库（YZD）为8.98 μg/L；两者达到超富营养状态的天数分别占1.7%和7.7%。KS只有水温、硝酸盐氮和叶绿素a三个预测变量，YZD则包含10项水质指标。

两套原始数据的采样间隔分别为15秒和4小时。研究经过缺失值处理后统一提取每日中位数用于1–15天预测，并以每日第90百分位数进行敏感性检验。因此，模型实际使用的是日尺度序列，而不是直接用秒级或小时级数据预测两周后的水质。

研究以Chl a为预测目标，当前Chl a本身也作为输入变量之一。9种模型中，PatchTST采用分块嵌入（patch embedding）和通道独立（channel independence），Crossformer采用分块嵌入和跨变量注意力（cross-variable attention）；SegRNN同样包含分块嵌入与通道独立，DLinear则结合趋势分解和通道独立。

因此，这项研究比较的不只是9个模型，更是不同架构如何组织时间信息、如何处理变量之间的关系。

预测时长改变，领先模型随之切换

随着预测时间延长，各模型精度总体下降。

1–7天内，PatchTST在KS和YZD的平均纳什–萨特克利夫效率系数（Nash–Sutcliffe efficiency, NSE）分别达到0.75和0.88；8–15天内，Crossformer表现最好，分别达到0.60和0.83。

九模型比较还表明，模型结构越复杂，预测并不一定更准：结构较简单的DLinear超过了部分复杂深度模型，Informer和TimesNet在中期预测中甚至低于RF和LSTM等基线模型。

图1 基于NSE比较9种预测模型在不同预测时长下的表现。a，Königshütte（KS）水库和鸭子荡（YZD）水库的位置。b、f，KS（b）和YZD（f）在1–15天预测时长下的纳什–萨特克利夫效率系数（NSE）。c–e，KS在短期预测时段（c）、中期预测时段（d）和整个1–15天预测时段（e）的平均NSE。g–i，YZD对应的平均NSE值。

图1显示，在两座生态背景不同的水库中，都出现了“短期PatchTST领先、中期Crossformer领先”的切换。这意味着，对同一个水质变量而言，“最佳模型”并不是固定的，而是与预测提前量有关。

模型关注什么，也会随预测时间改变

DeepSHAP分析显示，当前Chl a是短期预测最重要的输入信息；随着预测时长增加，其相对重要性下降，水温和营养盐的重要性上升。KS中表现为硝酸盐氮贡献增加，YZD中氨氮呈现类似趋势。

两个领先模型的侧重点并不相同。PatchTST始终更加依赖当前Chl a，而Crossformer在预测时长超过约10天后，更明显地转向其他环境变量。

这种差异与模型结构相吻合：通道独立强调单变量自身的时间持续性，跨变量注意力则能够利用变量间关系。

从模型解释结果看，预测时长增加后，模型对水温和营养盐信息的相对依赖逐步提高；从生态学角度看，这与当前浮游植物生物量对近期变化具有较强延续性，而前期营养条件和温度的影响会在更长时间尺度上体现的已有认识相一致。

需要强调的是，这并不证明温度或营养盐与未来Chl a之间的因果机制。更准确地说，模型依赖的信息随预测时间发生系统性转移，而这种变化与已有浮游植物生态过程认识呈现出相似的时间结构。

图2 PatchTST和Crossformer中预测变量重要性对预测时长的依赖。

图2显示，随着预测步长增加，当前Chl a的贡献逐渐缩小，而水温、营养盐和其他变量的贡献扩大；Crossformer比PatchTST更明显地转向多变量信息。这既解释了模型“在看什么”，也为短期与中期性能差异提供了生态学线索。

分块嵌入带来最稳定的性能提升

为了判断性能优势究竟来自完整模型，还是某个核心模块，研究进行了消融实验。

其中最稳定的贡献来自分块嵌入。研究采用15天输入窗口和3天分块，以提取局部趋势和短期波动；作者进一步认为，这种局部聚合还可能发挥一定的平滑作用，提高模型对随机扰动的稳健性，但这属于机制解释，并非独立抗噪实验的结果。（需特别说明，论文这一部分报告的“百分比”实际上对应NSE的绝对变化量，而非相对于原始NSE计算的百分比变化。为避免歧义，以下统一直接写成NSE变化值。）

移除分块嵌入后，PatchTST在KS和YZD的平均NSE分别下降0.118和0.069，Crossformer分别下降0.102和0.068；移除通道独立后，PatchTST分别下降0.040和0.024，移除跨变量注意力后，Crossformer分别下降0.081和0.053。

另一个重要结果是，通道独立的优势主要集中在短期预测。移除这一模块后，中期性能总体稳定，部分预测步长甚至略有改善。这提示，将不同变量分开处理有利于捕捉Chl a自身的短期持续性，但也可能限制模型利用跨变量关系。

图3 移除PatchTST和Crossformer关键架构模块的影响。

图3把“哪个模型更强”进一步拆成“哪个模块在贡献性能”。两座水库中，移除分块嵌入都会造成明显的NSE下降；同时移除两个核心模块时，性能损失最大。此外，不同模块的贡献并非恒定，而会随着预测时间改变。

关键模块可以跨模型发挥作用

研究随后把这些模块加入更基础的MLP和LSTM进行反向验证。

在KS，加入分块嵌入后，MLP平均NSE由0.58提高至0.67，即增加0.09，甚至略高于原始PatchTST的0.66；Patch-LSTM相较原始LSTM的平均NSE增加0.101。在YZD，Patch-MLP和Patch-LSTM的平均NSE也分别增加0.058和0.019。

这不能说明简单MLP普遍优于Transformer：0.67超过0.66只出现在KS，两者差距也仅0.01。更可靠的结论是，同一个分块模块能够跨不同骨干架构重复带来性能提升。

图4 将先进模块集成到MLP和LSTM基线模型中的影响。分块嵌入（Patch）、通道独立（CI）和跨变量注意力（CV）分别被集成到多层感知机（MLP）和长短期记忆网络（LSTM）模型中。

图4与图3构成一组正反验证：图3把模块拿掉，性能下降；图4则把模块加入基础模型，性能重新提高。其中分块嵌入的增强效果最稳定，进一步说明模型性能并不只取决于骨干架构有多复杂，核心模块本身同样重要。

模型选择，需要匹配预测时段

这项研究没有选出一个可以“从头用到尾”的万能模型。两座水库的结果提示，模型选择需要同时考虑预测提前量、可用变量和目标生态过程。

数日尺度的Chl a预测有望为藻类变化预警和运行决策提供信息；随着预测时间延长，则需要更加充分地利用水温、营养盐等环境变量及其滞后关系。与其一味追逐更新、更复杂的架构，不如先明确“需要预测多远”，再选择与这一时间尺度更匹配的模型结构。

研究也有明确边界：目前只验证了两座水库，最长预测时长为15天，尚未覆盖严重蓝藻暴发、突发生态状态转换和极端水文扰动；本研究主要评价的是点预测精度，也未系统量化预测不确定性。换句话说，模型目前能够给出一个预测值，却还不能充分告诉管理者这个值可能落在哪个可信范围、出错风险有多大。

因此，这项工作的价值不只是说明PatchTST短期更准、Crossformer中期更准，而是把水质预测中的模型选择推进到一个更有解释力的问题：

预测这个时间尺度上的水质变化，模型究竟需要记住哪些历史信息，又需要把哪些环境变量联系起来？

作者简介

通讯作者｜梁中耀，厦门大学环境与生态学院副教授。主要研究方向为生态环境数据科学、机理与深度学习耦合的水环境模拟。主持国家自然科学基金项目、重大基金子课题、科技部重点研发计划项目子课题等项目6项。在Environmental Science and Ecotechnology、Water Research、Journal of Hydrology等国内外期刊发表学术论文60余篇，合作出版著作3部，获授权发明专利20项，获得软件著作权4项。邮箱：liangzhongyao@xmu.edu.cn

第一作者｜余镒琦，厦门大学环境与生态学院博士研究生。主要研究方向为生态环境大数据建模与决策支持。在Environmental Science and Ecotechnology、Journal of Hydrology等国内外期刊发表学术论文多篇。获授权发明专利9项。邮箱：yyqxmu@xmu.edu.cn

第一作者｜张明真，厦门大学环境与生态学院博士研究生，主要研究方向为近海氮循环与温室气体排放。主持国家自然科学基金青年学生基础研究项目1项。在Environmental Science and Ecotechnology、Environmental Science & Technology、Water Research等国内外期刊发表学术论文多篇。现就职于中国科学院城市环境研究所。邮箱：zhangmingzhen@stu.xmu.edu.cn

引用信息

Yu, Y., Zhang, M., Liang, Z., Qu, F., Wang, Y., Kong, X., ... & Chen, N. (2026). Deep forecasting architectures mirror ecological time scales in water quality prediction. Environmental Science and Ecotechnology 33: 100755.

doi: 10.1016/j.ese.2026.100755

本文来自：ESE期刊，仅供分享交流不作商业用途，版权归原作者和原文出处。

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作