Pronóstico de la calidad del agua de los ríos: un nuevo enfoque LSTM-Transformer mejorado por datos de múltiples...

Área de la Ciencia:

• Ciencias del medio ambiente
• Gestión de los recursos hídricos
• Ciencia de los datos

Sus antecedentes:

• La predicción eficaz de la calidad del agua es vital para la gestión de los recursos hídricos y la protección de los ecosistemas.
• La eutrofización en el canal Beijing-Hangzhou requiere estrategias avanzadas de monitoreo y control.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo para predecir las concentraciones totales de fósforo (TP) y nitrógeno (TN).
• Mejorar la precisión de la predicción de la calidad del agua para la sección de Changzhou del Canal Beijing-Hangzhou.

Principales métodos:

• Se desarrolló un modelo híbrido de desactivación de ondas (WD) -LSTM-Transformador.
• El modelo integra datos de calidad del agua, información sobre el uso de la tierra y factores meteorológicos.
• Se utilizó el método SHAP para la interpretabilidad del modelo y el análisis de la significación de la variable.

Principales resultados:

• El modelo WD-LSTM-Transformer logró una alta precisión de predicción para TP y TN (R2 > 0,9).
• El modelo demostró un rendimiento superior en comparación con cuatro modelos de predicción tradicionales.
• Se identificaron variables significativas que influyen en las fluctuaciones de TP y TN.

Conclusiones:

• El modelo propuesto ofrece un enfoque sólido e interpretable para la predicción de la calidad del agua.
• Esta investigación proporciona una base científica para identificar las fuentes de contaminación y mejorar la gestión de las cuencas hidrográficas.
• Los resultados apoyan los esfuerzos de prevención y control de la eutrofización en cuerpos de agua críticos.