マルチスケール分解とファジールールアテンション：長期水質予測のための転移可能なクロス盆地フレームワーク

科学分野:

• 環境科学
• データサイエンス
• 水資源管理

背景:

• 正確な長期河川水質予測は、生態系管理にとって重要です。
• 従来のプロセスベースモデルは、断片化されたデータと複雑な環境相互作用の処理に苦労しています。
• 既存のモデルは、予測精度と流域間の一般化可能性のバランスをとる上で課題に直面しています。

研究 の 目的:

• 堅牢な河川水質予測のための転移可能なディープラーニングフレームワークを開発すること。
• データ不足と非定常ドライバーの処理における現在のモデルの制限に対処すること。
• 水質予測モデルの多様な河川流域を横断する一般化可能性を向上させること。

主な方法:

• 物理的信号分解（マルチチャネル特異スペクトル分析）とファジー論理を組み合わせたディープラーニングフレームワークを統合しました。
• 不確実性を管理し、時空間的依存関係を捉えるために、適応型ファジーメカニズムを備えたTransformerアーキテクチャを採用しました。
• 中国の河川流域（2007-2022年）の149の監視ステーションからの現場観測を使用してモデルを検証しました。

主要な成果:

• 26ステップ先（6か月）の予測で平均Nash-Sutcliffe効率（NSE）0.75±0.19を達成しました。
• 溶存酸素、pHの有効な予測と、イベント駆動型汚染物質（COD_Mn、アンモニア性窒素）の安定性の向上を示しました。
• 最先端のベースラインを24.9％の平均NSE改善で上回り、クロスリージョンモデリングによって28.4％のパフォーマンス向上を示しました。

結論:

• 提案されたフレームワークは、特にデータが不足している地域での水質予測のための有望なソリューションを提供します。
• 構造的分解とファジー論理の統合は、予測精度とモデルの転移可能性を向上させます。
• 異種領域を横断して学習済みパターンを転移させるモデルの能力は、その実用的な適用性を検証します。