技术摘要：结合降雨量学习内在水质动态以实现数据驱动预测 (RaiNet)

1. 问题定义与动机

准确的水质预测对于环境管理至关重要，但由于水文和气象影响具有复杂的非平稳性，这仍然是一个挑战。虽然传统的机制模型（如 SWAT、WASP、QUAL2K）具有可解释性，但它们需要大量的过程规范、特定站点的校准以及详细的环境输入，这限制了它们在变化流域条件下的灵活性。相反，通用的数据驱动时间序列模型往往忽略了外部驱动因素（如降雨）的特定条件性影响。

作者确定了在整合降雨数据进行水质预测时面临的三个具体挑战：

1. 跨尺度非平稳性：水质动态表现出不规则的背景偏差和缺乏固定周期性的短期波动，且在不同时间分辨率下各不相同。
2. 流域相关降雨语义：原始降雨强度是不充分的；根据流域范围内的背景情况，相似的局部降雨可能代表不同的事件，且瞬时降雨可能不足以持续影响水质。
3. 条件滞后尺度响应：降雨与水质之间的关系不是静态的；相似的降雨事件可能会引发不同的响应，最强的统计关联发生在不同的相对滞后和时间尺度上。

现有的多模态融合方法很少对这些条件依赖关系进行显式建模，未能确定降雨应在何时、在何种滞后以及在何种尺度上对预测做出贡献。

2. 方法论：RaiNet 框架

作者提出了 RaiNet，这是一个降雨感知的多模态预测网络，旨在共同建模多尺度水质动态和站点特定的降雨效应。该架构由三个主要模块组成：

A. 站点对齐编码器（降雨事件编码器）

RaiNet 并非使用原始降雨强度，而是从网格化降水数据构建面向站点的降雨事件。

• 流域相关对比：模型计算局部站点降雨与流域范围背景降雨之间的有符号空间对比度 ($r^{rel}$)。这区分了局部事件与普遍的流域状况。
• 离散事件状态：超过站点特定阈值的对比度被转换为离散状态 $\{-1, 0, +1\}$，分别代表局部较弱、中性或较强的降雨。
• 持久性聚合：这些状态通过在持久性窗口 ($h$) 内进行“有符号投票”进行聚合，以确保事件不是孤立的观测值，而是持续的状态。
• 多尺度对齐：生成的事件序列通过因果有符号求和池化（causal signed-sum pooling）与水质时间金字塔对齐，从而在不同的时间尺度上保留主要的事件方向。

B. 背景偏差建模 (LocTrend)

为了处理没有固定周期（例如日周期或周周期）的非平向动态，RaiNet 采用了 LocTrend。

• 分解：它将水质时间序列分解为局部演化的结构背景 ($B$) 和动态偏差 ($D$)。
• 结构字典：利用 RBF 核相似性和特征分解，从训练窗口中学习一个共享的结构字典。这使得模型能够捕捉循环的局部形状，而不依赖于预定义的模式。
• 自适应重构：利用基于余弦相似度的软分配（soft assignment），模型重构背景，吸收局部水平偏移，同时保留瞬态偏差。这种分解应用于精细尺度，而最粗糙的尺度则被直接保留，以维持广泛的时间上下文。

C. 条件滞后感知融合 (XGateFusion)

该模块选择性地将降雨修正集成到独立预测的水质基准中。

• 基准与修正：模型从水质历史记录生成基准预测 ($\hat{Y}_T$)，并从降雨事件生成候选修正项 ($\hat{Y}_I$)。
• 滞后感知注意力：XGateFusion 在所有相对预测偏移（滞后）上评估基准与降雨调节后的对应项之间的统计关联。它使用双向非周期性 FFT 滞后注意力高效地计算这些交互作用 ($O(H \log H)$)，且不会产生人工环绕问题。
• 门控机制：学习一个动态门控 ($\Delta G$)，以确定每个站点、每个预测步骤和每个时间尺度的降效降雨修正的幅度与方向。这确保了仅当降雨在统计上与当前水质状态兼容时才进行应用。

D. 站点级与联合预测

最终预测结合了各尺度的预测（根据样本依赖统计进行加权）以及一个联合预测器。联合预测器整合了流域级降雨摘要和站点间的定向拓扑关系，使模型能够在不强制要求稀疏或异构监测站之间存在直接传播的情况下，利用空间上下文。

3. 核心贡献

1. 多尺度背景-偏差建模：开发了 LocTrend，它无需依赖固定的周期性模式即可将局部演化的结构背景与动态偏差分离，解决了水质数据的非平稳性问题。
2. 降雨事件编码器：一种新颖的机制，将原始网格降水转化为面向站点、流域相关的事件表示，捕捉了降雨的环境意义而非仅仅是强度。
3. XGateFusion：一种条件、滞后感知且尺度相关的融合机制，能够自适应地确定降雨应在多大程度上以及何时修正水质基准，并学习跨相对时间偏移的统计关系。
4. 多模态基准测试：发布了三个包含超过 150,000 个时间对齐的水质观测值和网格降水栅格图像的真实世界多模态数据集。

4. 实验结果

作者在三个流域级数据集（浊度和硝酸盐记录）上对 RaiNet 进行了评估，并将其与四类基准模型进行了对比：通用时间序列模型、时空模型、特定水质模型以及基于扩散的模型。

• 性能：RaiNet 在所有数据集和预测时界内始终保持最低的均方误差 (MSE)，与最强基准相比，误差降低了高达 21.6%。它也在九个设置中的八个取得了最佳平均绝对误差 (MAE)。
• 鲁棒性：该模型在不同指标、采样间隔和流域配置下均表现出一致的性能。相比之下，传统的时空模型被发现不够稳定，这可能是由于水质站点的稀疏性和异构性，使得通用的跨站传播容易引入无关的空间信息。
• 消融研究：累积和独立消融分析证实，每个组件（LocTrend、多尺度建模、降雨编码器、XGateFusion 和联合预测器）都对性能提升做出了递进式的贡献。移除任何单个模块都会导致性能下降。
• 定性分析：可视化结果表明，LocTrend 成功地将背景分解适配到不同的分辨率，并且 XGateFusion 学到了独特的、依赖上下文的滞后剖面，仅在统计对齐时应用修正。

5. 意义与主张

论文声称 RaiNet 为水质预测提供了一种灵活的数据驱动替代方案，可以取代机制模型。通过显式建模降雨影响的条件性、滞后性和尺度依赖性，该框架克服了将降雨视为简单标量协变量或完全忽略它的局限性。

作者强调，其方法：

• 无需机制模型所需的广泛过程规范和特定站点校准。
• 通过自适应背景-偏差分解，有效处理水质动态的非平稳性和不规则性。
• 通过学习何时以及如何降雨影响水质，而非强制建立固定关系，成功整合了多模态数据（网格降水和原位观测）。

这项工作被呈现为迈向使用尊重环境系统内在动态的数据驱动方法进行准确未来水质预测的一步。