Optimización de TCN-BiLSTM para la predicción del oxígeno disuelto basada en un algoritmo de búsqueda de gorriones...

Área de la Ciencia:

• Ciencias del medio ambiente
• Monitoreo de la calidad del agua
• Modelado ecológico

Sus antecedentes:

• El oxígeno disuelto es crítico para la salud y la gestión del ecosistema fluvial.
• Los modelos de predicción DO existentes se enfrentan a desafíos con el ruido de los datos y la extracción de características.

Objetivo del estudio:

• Desarrollar un método preciso y robusto para la predicción del oxígeno disuelto en los ecosistemas fluviales.
• Abordar las limitaciones de los modelos actuales en relación con el ruido de los datos y las dependencias temporales dinámicas.

Principales métodos:

• Denoyecimiento de datos mediante el filtro de Savitzky-Golay (SG).
• Selección de características mediante el coeficiente máximo de información (MIC).
• Un modelo híbrido de memoria a corto plazo de red convolucional temporal bidireccional (TCN-BiLSTM).
• Optimización de hiperparámetros utilizando un algoritmo mejorado de búsqueda de gorriones (ISSA).

Principales resultados:

• El modelo SMI-TCN BiLSTM propuesto demostró un rendimiento superior en la predicción de DO.
• Se logró una reducción efectiva del ruido y la identificación de las características clave.
• El módulo integrado TCN-BiLSTM capturó con precisión la dinámica temporal.

Conclusiones:

• El método SMI-TCN BiLSTM ofrece un avance significativo en la predicción de la calidad del agua.
• Este enfoque mejora la protección y el uso sostenible de los ecosistemas fluviales.
• El estudio destaca la eficacia de combinar el preprocesamiento de datos, el aprendizaje profundo híbrido y la metaheurística optimizada.