自适应增强型时空图神经网络（Adaptive Enhanced Spatial-Temporal GNN）用于海上水产养殖中多种不平衡水质的多步预测

《Aquacultural Engineering》：Adaptive enhanced spatial-temporal GNN for multiple imbalanced water quality multi-step prediction in offshore aquaculture

多参数水质预测模型M3Net通过融合多尺度时间特征和自适应图卷积，结合加权平衡回归损失，有效解决离岸复杂环境中水质参数关联性动态建模和参数不平衡问题，实验表明其MAE、MAPE和R2指标优于现有SOTA方法。

　　

张书斌|黄柳仪|毕春伟|徐安康|魏耀光|王亚倩|黄金泽

中国海洋大学渔业学院，青岛，266003，中国

摘要

水质参数的预测和监测对于确保鱼类的生存和健康至关重要，尤其是在离岸和更深海域的水产养殖复杂环境中。由于不同水质参数之间的相互影响和不一致的相关性，以及它们变化的不平衡，多步骤预测多个水质参数的准确性仍然不足以满足实际应用的需求。为了解决这些问题，本文提出了一种基于图的新型方法，即M3Net，用于多深度、多参数和多步骤的水质参数预测。本文首先介绍了一个采用扩张卷积的多尺度时间学习模块，用于提取时间特征。此外，基于我们之前的动态分解图卷积网络，本文提出了一种自适应增强与分解嵌入（AE&DE）图卷积方法，用于图学习和空间特征提取。最后，为了解决多个水质参数之间的不平衡问题，本文提出了一种新颖的加权平衡回归损失函数，用于模型优化。实验结果表明，所提出的方法在MAE、MAPE和R2指标上优于其他最先进（SOTA）方法。通过与非图学习方法的比较实验，在不同的预测步骤和输入条件下，所提出的方法通过多尺度时间特征融合展示了更高的长期预测准确性，而新颖的平衡损失函数确保了多参数长期预测的最佳整体性能。消融研究进一步证实了各项改进的有效性。该方法可以提高复杂离岸水产养殖环境中水质预测和预警技术的可靠性，从而确保养殖鱼类的安全。源代码公开可用于：https://github.com/zshubin/M3Net

引言

水质参数的预测和监测不仅对海洋环境和海洋科学具有重要意义，也是海洋水产养殖的重要组成部分（Tong等人，2026年）。特别是对于较深的离岸水产养殖，海洋养殖条件容易受到周围环境的影响，极端变化会威胁养殖鱼类的健康（Sun等人，2025年；Wang等人，2025年；Li等人，2025a年）。当前的研究主要集中在单个水质参数的预测上，例如溶解氧（Alluhaidan等人，2025年；Shao等人，2025年）。然而，不同参数之间存在相关性——例如，温度与溶解氧含量呈负相关，流速与溶解氧呈正相关。因此，同时预测多个水质参数对于精确监测水产养殖环境具有重要意义（Li等人，2025b年；Zhou等人，2023年；Hu等人，2025年）。

水质预测是一个典型的时间序列信号预测任务。根据预测序列的长度，当前的时间序列预测任务可以分为单步预测（Li等人，2026年；Yang等人，2023年）和多步预测（Zheng等人，2025年）。单步预测依赖于现有数据来预测下一时刻的状态，而多步预测可以同时预测多个后续时刻的状态。Zhou等人提出了一种用于水产养殖业水质预测的PID残差消除网络（Zhou等人，2023年）。Yang等人构建了一个混合神经网络，用于循环水产养殖系统中的COD和NH3-N预测（Yang等人，2023年）。这项工作通过将GRU与2D卷积相结合，实现了空间-时间特征提取和融合。Alluhaidan等人构建了一个基于长短期记忆（LSTM）的模型用于溶解氧预测（Alluhaidan等人，2025年）。通过比较分析发现，该模型可以预测在其他环境因素影响下的溶解氧变化，从而为水产养殖过程中的溶解氧调节提供了可靠的基础。与单步预测相比，多步预测在现实场景中具有更高的实际应用价值。

然而，在多步预测中，预测值和观测值之间的时间间隔较长，削弱了时间相关性和因果关系，导致精确的多步预测准确性相对较低。由于Transformer在其他领域取得了显著成果（Vaswani等人，2017年），研究人员也开始探索该模型在水质参数预测中的有效性（Li等人，2025b年；Hu等人，2025年）。Zheng等人提出了一种基于Transformer的水质预测方法，并通过时间和位置嵌入融合了空间-时间特征（Zheng等人，2025年）。然而，该方法在异常因素影响下的水质预测准确性不足。为了进一步提高空间-时间特征融合效率，Sun等人提出了一种用于离岸围栏温度预测的双注意力网络（Sun等人，2025年）。然而，该模型仍未考虑其他因素的影响。此外，与卷积神经网络（CNN）和LSTM等模型相比，Transformer的计算和模型复杂性更高，导致实际应用中的训练和部署成本增加。

根据预测参数的维度，水质预测模型还可以分为单参数预测模型和多参数预测模型（Wang等人，2025年；Li等人，2025a年）。在水产养殖中，单参数预测模型主要关注与鱼类生存密切相关的参数，如溶解氧（DO）和温度。Shao等人结合了自适应时间卷积网络和Transformer的长期预测能力，并分别评估了它们对pH值和溶解氧的预测准确性（Shao等人，2025年）。与单参数水质预测相比，多参数联合预测具有更高的实际价值（Hu等人，2025年）。影响鱼类生存的水质参数不仅包括溶解氧和温度，还包括其他因素，因此通过统一模型进行多参数预测更具适用性。另一方面，不同水质指标之间存在参数间相关性，联合预测可以有效地利用这些关系来提高模型准确性。

由于不同水质参数变化之间的相关性，与CNN和LSTM等模型相比，图卷积网络（GCNs）不仅可以基于特定水质参数的时间变化进行预测，还可以通过信息聚合和动态相关性建模来利用所有参数的时间动态。因此，GCNs可以更有效地学习和提取多变量相关特征，基于拓扑关系，使其在多水质参数预测领域成为一种有前景的方法。Yang等人提出了一种结合WaveNet和LSTM的混合模型，用于pH值、TN、TP、NH3、DO和COD的联合预测（Yang等人，2023年）。实验结果表明，该方法在长期预测准确性方面优于LSTM和CNN。该模型能够自适应地学习不同水质参数之间的相关性，从而更有效地提取多参数空间相关特征。此外，研究人员通过整合空间位置信息构建了图网络，以实现水质参数预测的空间-时间特征融合（Qiao等人，2025年；Bi等人，2025年；Jia等人，2023年）。

通过对上述文献的分析，我们可以总结出多步骤预测多个水质参数方法的几个关键问题：

(1) 如图1所示，水质参数之间存在参数间相关性。这些相关性表现出随时间演变的时间动态性，揭示了现有模型在动态捕捉时间演变依赖性方面的固有局限性。

(2) 虽然现有文献主要使用单尺度核函数，但考虑到多个信号尺度上的时间依赖性变化，其充分性值得怀疑。

(3) 如图2所示，水质参数在不同时间尺度上表现出时间滞后效应，同时参数之间的维度变化也各不相同。

这些因素，加上数据集中固有的类别不平衡，共同导致了长期多参数预测的预测准确性较差。为了解决这些问题，本文提出了一种M3Net，用于多深度、多参数和多步骤不平衡的水质预测。本研究的主要贡献可以总结如下：

(1) 为了解决多参数联合学习中的相关性问题，本文提出了一种基于图分解和变换分解的自适应增强与分解嵌入（AE&DE）图卷积方法，实现了图神经网络训练过程中的自适应图增强。

(2) 本文提出了一种多尺度时间特征提取框架，采用不同扩张率的扩张卷积来捕捉精细的时间细节。

(3) 为了解决多个水质参数的不平衡问题，我们设计了一种新颖的加权平衡损失函数用于回归预测。

(4) 我们使用离岸围栏的数据进行了实验，结果表明，我们的方法优于现有的SOTA方法。

方法片段

水质预测方法

早期的水质参数预测模型主要使用了支持向量机（SVM）和随机森林（Li等人，2026年）等算法。然而，这些方法的特征提取效果有限，主要依赖于手工设计的特征组合，从而导致水质参数的预测准确性不足。如本文前面所述，随着深度学习模型的出现，CNN和LSTM网络

方法论

所提出的模型框架如图3所示。在本节中，我们将介绍这项工作的主要创新之处。如图3所示，所提出的模型主要由茎卷积层、多尺度时间模块和图卷积块组成。茎卷积层用于特征扩展和提取。为了捕捉空间特征，我们还构建了一个图

实验

在本节中，我们将介绍用于评估所提方法性能的数据集、实验设置和实验结果。模型的评估指标主要包括MAE、MAPE和R2。表格中的结果表示基于三个水层15个传感器的平均预测误差。

结论

本文提出了一种新型模型M3Net，用于离岸水产养殖环境中水质参数的多参数预测和早期预警。

(1) 与以往的多水质参数预测研究相比，本研究的主要创新在于提出了一种新型图网络模型，并设计了一种AE&DE图学习机制，以动态优化不同水质参数之间的关系。该模型利用这一机制来提升其性能

CRediT作者贡献声明

张书斌：撰写 – 审稿与编辑，撰写 – 原稿，方法论，资金获取。黄柳仪：撰写 – 审稿与编辑，资金获取。毕春伟：撰写 – 审稿与编辑，资金获取。魏耀光：撰写 – 审稿与编辑，数据整理。黄金泽：验证。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。