新利国际手机版了解到，中国科学院重庆绿色智能技术研究院闪锟研究员团队近期开发出一套基于增强张量分解的环境数据修复技术体系，该技术通过“张量分解-多偏差校正”融合模型，成功实现了对高原湖泊水质时空监测数据的高精度重构，为解决环境监测领域中普遍存在的数据缺失与噪声干扰问题提供了创新性方案。相关研究成果已在国际知名期刊《环境建模与软件》上发表。

在水质连续监测过程中，由于传感器故障、通信中断、设备维护以及外界环境干扰等因素，监测数据常常出现缺失片段和异常波动，严重影响水质评估与污染溯源的准确性。传统插值方法往往忽略水质数据本身所具有的多维结构特性，难以充分挖掘其隐含的时空规律和指标关联。

研究团队突破传统思路，将水质数据视为一个包含时间、空间和指标三维信息的数据张量，并在此基础上构建了多偏差融合的自适应张量分解模型（DBAL）及其集成扩展模型（DBNE）。该技术框架不仅保留了张量分解在提取多维特征方面的优势，还引入了非负约束机制，确保重构数据符合环境参数的物理意义；同时，通过嵌入多种偏差校正项，系统捕捉水质变化的季节性趋势和短期波动特征，并结合差分进化算法实现模型参数的自适应优化，显著提升了模型的适用性与稳定性。

在云南滇池高原湖泊的实际应用表明，该模型在随机缺失和连续缺失等多种数据缺损情景下均表现出优越的插补性能。其Nash-Sutcliffe效率系数稳定在0.90以上，均方根误差与平均绝对误差也显著低于传统方法，同时整个数据处理流程可在5分钟内完成，展现出良好的工程应用潜力。

新利国际手机版关注到，该研究不仅为水质监测数据的质量控制提供了可靠的技术工具，其提出的“张量分解-多偏差校正”方法论框架也具有广泛的拓展性，可迁移应用于大气污染、土壤环境、生态水文等多个领域的缺失数据重构与噪声滤除任务，为构建高质量环境数据库和智能决策平台提供了关键支撑。

来源：中国科学报

如有侵权行为，请联系删除。