随着城市工业化程度的不断加剧和农业现代化进程的持续推进,我国流域生态环境保护工作正面临着严峻的挑战。目前流域生态环境存在着多种污染物共存现象,重金属污染物以危害大和处理困难特性备受关注。流域土壤重金属以水为载体在流域中不断迁移,水体中大部分重金属无法通过吸附法进行处理,当人体摄入重金属含量超标时可对人体造成无法修复的损伤。流域土壤重金属含量预测作为流域环境保护工作中不可或缺的一环却常常被忽略,本文以流域土壤重金属Pb含量为研究对象展开以下工作。针对地质累积指数法和内梅罗指数法无法定量预测和数据处理能力有限问题,本文以高维时间序列数据为输入建立了基于后向传播（BP）、长短时记忆（LSTM）和门控循环单元（GRU）的神经网络模型。实验结果表明,BP、LSTM和GRU模型均能解决定量预测问题,预测误差由小到大依次为LSTM、GRU和BP模型,时空效率由高到低依次为GRU、LSTM和BP模型。BP、LSTM和GRU模型解决了传统方法定量预测和数据处理能力不足问题,但对于数据中关键信息的聚焦能力不足,因此本文提出了基于注意力机制的流域土壤重金属含量预测模型（LSTM Attention GRU,LAG）。LAG模型以编码-解码（Encoder-Decoder）框架为基础,采用LSTM神经网络对输入的时间序列数据进行编码,注意力机制对编码后的信息赋予相应的注意力权重,GRU神经网络对含有注意力权重的信息进行解码。实验结果表明,LAG模型相比于BP、LSTM和GRU模型,在精确度和时空效率方面有了进一步的提升。流域土壤重金属含量不仅随着时间发生变化,而且会在空间中不断迁移,本文以高维时空序列数据为输入建立了基于注意力机制的流域土壤重金属含量预测模型（CNN Attention LSTM,CAL）。该模型编码阶段采用卷积神经网络（CNN）消除数据中的空间依赖,注意力机制为消除依赖后的特征赋予相应的注意力权重,最终通过LSTM神经网络对含有注意力权重的特征值进行解码。实验结果表明,CAL模型相比于LAG模型进一步提高了土壤重金属含量预测精度,满足了流域土壤重金属含量预测的高精度,低延时特性。