基于深度学习的长沙市水质多尺度时空演变 分析与评估
谭芬芳1*，吴坚1，李启武1，张清寰2，彭珂1，张舞剑3
（1.湖南省长沙生态环境监测中心，长沙 410001；2.中国环境科学研究院，北京 100012；3.湖南省环境科学研究院，长沙 410004）
摘 要：针对传统水质分析方法在时间与空间尺度上适应性不足的问题，本文构建了一种基于深度学习的多尺度水质时空分析与评估框架，以系统揭示长沙市水质变化规律及其环境驱动机制。基于2016—2025年长沙市11个监测断面的长期监测数据，融合气象条件与社会经济指标等多源信息，分别采用长短期记忆网络(LSTM)捕捉多时间尺度水质演变特征，引入结合注意力机制的时序卷积网络(TCN-Attention)识别极端污染事件，并通过多尺度图卷积网络(MS-GCN)建模水质在不同空间尺度上的关联特性。结果表明，所构建模型较传统方法预测精度提升44.5%，水质关键指标预测的均方根误差（RMSE）降低至0.127 mg/L)，环境驱动机制分析显示，气象因素对水质变化的总体贡献率为56.8%，其中降水贡献28.3%，且降水-化学需氧量(COD)响应在10mm/d和35mm/d处呈现明显拐点。城镇化率每增加1%，COD浓度增加0.12mg/L，温度与降水交互效应可使污染负荷放大64.6%。研究构建了融合环境机理约束的多尺度分析框架，实现了从环境因子、水质变化到健康风险评估的全链条定量分析，为城市水环境精准管理与污染防控提供了新的技术路径。
关键词：多尺度深度学习；水质预测；时空变化；健康风险评估；城市水环境
中图分类号：X824 文献标志码：A