基于多源数据融合与混合深度学习的富营养化湖泊溶解氧时空预测模型研究

本文创新性地提出ICGWVMD-GCN-GRU混合深度学习框架，通过改进的自适应噪声完备集合经验模态分解（ICEEMDAN）和灰狼算法优化的变分模态分解（GWO-VMD）实现溶解氧（DO）数据的二次特征提取，结合图卷积网络（GCN）捕捉空间关联与门控循环单元（GRU）建模时序动态，在洞庭湖和太湖流域验证中取得NSE=0.9924、PICP=0.9869的卓越性能，为复杂水域生态健康监测提供突破性解决方案。

　　

Highlight

本研究亮点在于：

1）多源数据融合：整合目标站点与周边水域水质数据及气象参数，通过最大信息系数（MIC）精准筛选与溶解氧（DO）强关联的外部特征，避免数据缺失导致的预测偏差。

2）二次分解重组策略：先采用ICEEMDAN进行初始分解，再基于样本熵将高频噪声数据通过灰狼算法（GWO）优化的VMD进行二次分解，显著提升模型对DO波动特征的捕捉能力。

3）GCN-GRU深度融合：图卷积网络（GCN）解析监测站点空间拓扑关系，门控循环单元（GRU）解码时间序列动态，实现溶解氧时空演变的精准建模。

Case study

以中国第二大淡水湖洞庭湖为研究对象，选取岳阳楼站等6个监测站点数据，整合水温、pH、叶绿素等12项水质指标及气温、风速等气象参数，构建流域级溶解氧预测网络。

Selection of external features

通过MIC系数筛选发现：水温（r=0.83）、叶绿素a（r=0.79）和风速（r=0.68）与DO浓度呈现强非线性关联，这些特征被优先纳入模型输入层。

Periodic study of ICGWVMD-GCN-GRU model

多时间尺度验证显示：超短期预测（1/6天）的RMSE仅0.12mg/L，长期预测（10天）仍保持NSE>0.94，证明模型具备从小时级到旬际的稳定预测能力。

Conclusion

该模型在洞庭湖和太湖流域的测试中，相较25种对比模型展现出全面优势，其中WIA指数达0.9981，PICP覆盖概率优于传统方法17.3%，为富营养化湖泊的生态预警提供了创新技术路径。