科研進(jìn)展
重慶研究院利用增強(qiáng)張量分解實現(xiàn)高原湖泊水質(zhì)時空數(shù)據(jù)高精度修復(fù)
時間：2025-09-08編輯：大數(shù)據(jù)與無人系統(tǒng)研究中心
水質(zhì)在線監(jiān)測通常依托部署于多個站點的傳感器，對pH、溶解氧、氮磷、高錳酸鹽指數(shù)、葉綠素等多種關(guān)鍵指標(biāo)進(jìn)行長期、高頻時序采集。然而，傳感器可能因設(shè)備故障、定期維護(hù)、校準(zhǔn)或通信中斷等原因發(fā)生停測，造成數(shù)據(jù)序列出現(xiàn)大量空白；此外，還易受生物附著、極端天氣和人為干擾等因素影響，產(chǎn)生明顯偏離真實值的異常數(shù)據(jù)或隨機(jī)噪聲。這些問題嚴(yán)重制約了數(shù)據(jù)分析的準(zhǔn)確性，對水質(zhì)評價、污染溯源和預(yù)測預(yù)警等工作帶來極大挑戰(zhàn)。因此，開發(fā)高精度的數(shù)據(jù)修復(fù)技術(shù)顯得尤為重要。
水質(zhì)數(shù)據(jù)天然具備“時間–空間–指標(biāo)”三個維度，可在信息空間中表征為一個三維張量結(jié)構(gòu)。傳統(tǒng)統(tǒng)計學(xué)插值方法難以有效利用這種多維關(guān)聯(lián)特性。而張量分解模型能夠?qū)⑷S張量分解為一組低秩矩陣（核心因子）的乘積，分別提取出時間變化模式、空間分布模式和指標(biāo)關(guān)聯(lián)模式，并藉此實現(xiàn)對缺失值的智能推斷。
圖1：水質(zhì)在線監(jiān)測數(shù)據(jù)在信息空間中的三維張量表征
為更精準(zhǔn)地刻畫不同水質(zhì)數(shù)據(jù)時序特性，重慶研究院科研團(tuán)隊創(chuàng)新性地將張量分解與偏差校正及智能優(yōu)化算法相結(jié)合，提出了多偏差融合的自適應(yīng)張量分解模型（DBAL）和多偏差非負(fù)張量分解集成模型（DBNE），并在云南高原湖泊滇池的水質(zhì)在線監(jiān)測系統(tǒng)上進(jìn)行了應(yīng)用與驗證。
自研模型在方法層面實現(xiàn)了多項突破：通過對指標(biāo)施加非負(fù)約束，確保修復(fù)后的水質(zhì)參數(shù)符合物理現(xiàn)實；融合單線性偏差、預(yù)處理偏差和時變感知偏差等多種機(jī)制，有效捕捉實際指標(biāo)長期變化的季節(jié)性特征與短期波動規(guī)律等；引入差分進(jìn)化算法，實現(xiàn)模型超參數(shù)的自適應(yīng)優(yōu)化，大幅提升調(diào)參效率。高原湖泊實驗結(jié)果表明，在隨機(jī)缺失（丟失率20%–80%）和連續(xù)缺失（丟失時長1–4周）等多種情景下，模型對多項水質(zhì)指標(biāo)的整體插補(bǔ)精度表現(xiàn)優(yōu)異，Nash-Sutcliffe 效率系數(shù)（NSE）超過0.90，均方根誤差（RMSE）和平均絕對誤差（MAE）顯著優(yōu)于現(xiàn)有主流模型。同時，模型具備高運行效率，全量數(shù)據(jù)處理耗時控制在5分鐘以內(nèi)，滿足真實場景下模型應(yīng)用部署需求。
圖2：增強(qiáng)張量分解模型在云南高原湖泊滇池水質(zhì)在線監(jiān)測中應(yīng)用
研究團(tuán)隊提出的“張量分解-多偏差校正”框架具有較強(qiáng)的通用性與可遷移性，不僅能修復(fù)水質(zhì)時序傳感數(shù)據(jù)，更可廣泛應(yīng)用于水文水資源、大氣污染、土壤環(huán)境及生態(tài)質(zhì)量評估等領(lǐng)域，有效重構(gòu)多種復(fù)雜環(huán)境要素的缺失數(shù)據(jù)。
相關(guān)成果發(fā)表在《Environmental Modelling & Software》和《Ecological Informatics》等生態(tài)環(huán)境建模領(lǐng)域的主流期刊上。論文第一作者是重慶研究院與重慶郵電大學(xué)聯(lián)合培養(yǎng)博士研究生吳旭坷，通訊作者為閃錕研究員，相關(guān)研究獲得國家自然科學(xué)基金、云南省省市一體化重點專項、重慶市技術(shù)創(chuàng)新與應(yīng)用發(fā)展重點專項等項目支持。
相關(guān)論文鏈接：
1. Xuke Wu#, Kun Shan*, Friedrich Recknagel, Lan Wang, Mingsheng Shang. Enhanced tensor factorization for spatiotemporal imputation of high-frequency water quality monitoring data. Environmental Modelling and Software, 2025, 193, 106667.
https://doi.org/10.1016/j.envsoft.2025.106667
2. Xuke Wu#, Kun Shan*, Lan Wang, Jingkai Wang, Mingsheng Shang. Spatiotemporal water quality data reconstruction: A tensor factorization framework. Ecological Informatics, 2025, 90, 103283.
https://doi.org/10.1016/j.ecolinf.2025.103283
中國科學(xué)院重慶綠色智能技術(shù)研究院 版權(quán)所有京ICP備05002857號渝公網(wǎng)安備50010943035號
