通过带有GRPO优化的MLA‑Mamba混合神经网络进行地表水水质预测

为何预测河流健康至关重要

河流和湖泊是我们的饮用水源、灌溉供给以及野生动植物栖息地。但当农业、工厂或城市排放的污染物流入时，水质可能迅速恶化。主管部门往往在损害已经发生后才知情。本研究探讨了现代人工智能如何作为一种智能预警系统，提前数天预测水质变化，从而让管理者有时间采取应对措施。

旧工具面对新问题

几十年来，科学家尝试用数学方程和传统统计方法来预测水质。这些方法要么详尽地模拟化学和流动过程，要么用相对简单的曲线拟合历史观测数据。两类方法在应对河流的复杂现实时都捉襟见肘——天气、上游排放和生物活动以复杂、非线性的方式相互作用。它们经常错过突发污染峰值，或无法解释一个监测站的状况如何向下游蔓延。因此，预测往往过于粗糙，难以支撑有把握的决策。

教神经网络“读懂”河流

作者提出了一种新的深度学习模型，称为MLA‑Mamba，专为这类时空纠结问题设计。模型不是孤立地查看单一传感器，而是输入来自多个监测站的一周每小时数据，以及水温、流量和酸碱度等辅助信息。然后它学习预测四个表明有机污染和营养物质负荷的关键指标：化学需氧量指数（CODMn）、氨氮（NH3–N）、总磷（TP）和总氮（TN）。该模型由两个专门模块组合而成：一个关注时间维度的模式，发现周期、缓慢漂移和滞后效应；另一个关注空间关系，学习上游和邻近站点的联动。通过融合这些视角，网络构建出更丰富的水质演变图景。

同时捕捉时间趋势与上游影响

在MLA‑Mamba框架中，“Mamba”模块侧重于时间线索。它扫描长序列测量数据，借鉴状态空间模型和现代循环网络的思想，在不被信息淹没的情况下保留数天之前的重要信息。这有助于识别季节性模式和来自过去扰动的持续影响。与此同时，“多头局部注意力”（Multi-Head Local Attention）模块评估在某一时刻各监测站之间的关联强度，并内置偏向同一河段的近邻站点。如果上游某站的氨氮突然跃升，注意力机制能够在预测下游状况时迅速将焦点转向这一信号。多任务设置使模型可以同时学习四个水质指标，从而某一污染物的变化能够为其他污染物的预测提供信息。

针对嘈杂环境数据的更智能训练

在真实传感器记录上训练此类网络颇具挑战：数据噪声多、存在缺失，且标准优化方法容易陷入困境。为此，研究者引入了一种名为梯度重参数化优化（GRPO, Gradient Reparameterization Optimization）的定制训练策略。GRPO根据参数梯度随时间的行为调整每个参数的学习速度：在梯度稳定的方向上加速，而在更新开始振荡时减缓。它还强制执行最小步长，以防在误差面较平坦处学习停滞。团队进一步使用dropout不仅防止过拟合，还通过多次运行模型并观察预测的变异程度来估计不确定性，从而为每次预测生成置信带，让管理者了解单次预测的可信度。

将模型付诸测试

作者在中国两处相距的河流监测站多年逐小时数据上评估了MLA‑Mamba。模型以之前七天的数据为输入，预测未来三天，并与八种备选方法比较，范围涵盖经典统计方法到现代深度学习结构（如长短期记忆网络LSTM、卷积—循环混合模型和Transformer模型）。在所有四个指标与两个站点上，MLA‑Mamba始终表现出最低的预测误差。在许多情况下，相较于强有力的深度学习基线，典型误差降低了10–20%。在受控消融实验中，关闭空间注意力、用标准LSTM替换Mamba模块、关闭GRPO优化器或将每个指标单独训练，都会显著降低性能，表明各个成分对提升效果都有贡献。

对保护水资源的意义

简单来说，本研究表明，量身定制的混合神经网络能够比现有标准工具提供更准确、更可靠的短期河流污染预测。通过同时追踪跨站点的多种污染物，并量化预测的不确定性，MLA‑Mamba框架可以为触发巡查或临时管控的预警系统提供支撑，在阈值被突破前采取行动。尽管该方法仍依赖高质量的监测数据，且需在更多河流和极端事件中进一步验证，但它为面向数据的地表水智能管理提供了一条有希望的路径。

引用: Wei, R., Chen, H. & Wang, H. Surface water quality prediction via an MLA-Mamba hybrid neural network with GRPO optimization. Sci Rep 16, 5845 (2026). https://doi.org/10.1038/s41598-026-36229-3

关键词: 水质预测, 河流污染, 深度学习, 时空建模, 环境监测