摘要为提升流域河流水质实时预测精度与动态预警能力,克服传统数据驱动模型难以融合实时观测数据、预测误差易累积的局限,提出了一种融合时序大模型 Chronos 与数据同化的新型预测框架.以白洋淀重要入淀河流——府河为研究区,以关键水质指标总氮(TN)为研究对象,采用时序大模型(Chronos)作为核心预测器,并引入集合卡尔曼滤波(EnKF)构建动态数据同化模块,实现滚动预测过程中实时观测数据的融合与模型校正.研究选取长短期记忆网络(LSTM)和 Transformer 作为基准模型进行对比,系统评估了该框架在不同水质波动特征断面(安州、南刘庄)的预测性能,并探讨了不同同化频率的影响.结果表明:(1)所构建的 Filter-Chronos 框架显著提升了 TN 实时模拟预测精度,在南刘庄断面使预测 RMSE 降低约 73.4%,R2 提升至0.998;在浓度波动更剧烈的安州断面,RMSE 从 0.532 mg/L 降至 0.374 mg/L,表明数据同化在修正模型偏差、减少误差累积方面的有效性.(2)预测性能对数据同化频率具有敏感性,且敏感性随水质波动剧烈程度增加而增强.在波动剧烈的安州断面,维持 4h 的高频同化是保障预测可靠性的关键;而在水质平稳的南刘庄断面,同化频率的影响相对较小.(3)在整体及浓度峰值事件预测中,Filter-Chronos 框架均优于耦合了 EnKF 的 LSTM 与 Transformer 模型,凸显了时序大模型(Chronos)凭借其预训练获得的强大时序模式泛化能力,在为同化系统提供更优先验估计方面的优势.该框架为构建高精度、强适应性的河流水质实时预测与动态预警提供了创新方法与实践案例,对保障敏感水域水质安全与水环境风险管理具有重要参考价值.