时间序列基础模型实现湖泊生态系统精准预测
核心概要
该研究以日本两座生态条件迥异的湖泊（深水分层的琵琶湖与浅水富营养化的霞浦湖）长达30年的月度水质监测记录为数据基础，将Transformer架构的Chronos-T5与概率模型Lag-Llama两个时间序列基础模型，同15个统计（AR、ARIMA、SARIMA、Prophet）、机器学习（随机森林、XGBoost、KNN、SVR）与深度学习（LSTM、CNN、TCN及SSA混合）模型进行基准比较，发现微调后的Chronos-T5在全部六个监测站点均排名第一，对溶解氧、水温、pH及氮磷营养盐等参数取得R²>0.80–1.00的高精度，而叶绿素a在所有模型中R²均低于0.30，并识别出约14年的最
深度剖析
微调后的Chronos-T5在六个监测站点全部取得排名第一，对溶解氧、水温、pH及NH4、NO3、PO4等参数达到R²>0.80–1.00的高预测精度。 此前生态预测主要依赖ARIMA等线性统计模型、随机森林与XGBoost等机器学习方法以及LSTM、CNN等深度学习架构，本研究首次将大规模预训练时间序列基础模型系统引入湖泊水质预测并完成跨模型基准比较。 基于琵琶湖两个站点（1994年1月至2023年12月，30年月度数据）与霞浦湖四个站点（1997年1月至2012年12月，16年月度数据）共六个站点的长期监测记录，与15个替代模型在统一R²指标下比较，并以2023年（琵琶湖）和2012年（霞浦湖）作为独立验证年份。
同为时间序列基础模型，Chronos-T5表现优异而Lag-Llama出现严重退化（R²≈0），说明领域适应与预训练架构对基础模型在水生时间序列中的有效性起决定作用。 该对比表明基础模型并非同质类别，模型架构、参数规模与训练方法的差异会显著改变生态时间序列的预测表现，文中指出Chronos-T5约710MB而Lag-Llama约2.1MB。 来自同一批数据、同一评估流程下两个基础模型的直接对照，Lag-Llama通过采样100条轨迹并取平均生成概率预测，Chronos-T5则基于预训练amazon/chronos-T5-large模型微调。
叶绿素a是最难预测的变量，包括Chronos-T5在内的所有模型R²均低于0.30，而水温、溶解氧等物理与稳定化学参数在多数模型中都具备较高基线可预测性。 该结果将变量内在复杂度（而非模型选择）识别为预测瓶颈，指出叶绿素a受高度非线性、阵发性的藻类动态驱动，需要专门化的建模策略。 基于六个站点上17个模型（含两个基础模型）在叶绿素a与各水质参数上的R²对比，营养盐方面KNN、XGBoost、随机森林与Prophet在个别站点（如Imazu或Minamihira的NH4）偶尔取得最高排名。
识别出约14年的最优训练窗口，两湖一致；训练期与模型性能呈非线性关系，3–4年出现局部峰值，超过15年后性能下降。 该发现将生态状态转换理论引入训练数据长度选择，提示跨越状态转换的历史数据可能引入噪声，为模型再训练与数据选择策略提供依据。 训练窗口在琵琶湖为1至29年、霞浦湖为1至15年范围内系统变化，以归一化峰值作为最优训练期判据，并观察到SSA平滑反而降低预测精度，说明生态噪声中包含重要生物信号。
启示与展望
该研究面向具备长期月度连续监测记录（叶绿素a数据不少于10年）的湖泊系统，适用于以叶绿素a与水温、溶解氧、pH、氮磷营养盐为预测对象的水质预测场景，其结论建立在琵琶湖与霞浦湖两座日本湖泊的六个站点之上。方法上，Chronos-T5以12个月预测视野微调，训练窗口在琵琶湖为1至29年、霞浦湖为1至15年，验证采用2023年与2012年留出年份。该框架为后续将基础模型与机制性生态理解、气候预估相结合，以及开发面向管理者的可视化流程提供了起点。
读者可能关注：叶绿素a在所有模型中R²均低于0.30，这一瓶颈在引入机制性信息或更高频观测后是否缓解；约14年最优训练窗口是否在其他湖泊与不同状态转换历史下同样成立；Lag-Llama的退化在多大程度上与模型规模、预训练数据或领域适应方式相关；以及R²作为单一评估指标之外，概率预测的校准与不确定性刻画表现如何。此外，本文为预印本，尚未经同行评审，图表细节需结合原文图件阅读。