相关实验视频
Updated: Jul 5, 2025

Watershed Planning within a Quantitative Scenario Analysis Framework
Published on: July 24, 2016
基于机器学习和日志线性回归的供水系统的三甲预测模型
Hui Li1, Yangyang Chu1, Yanping Zhu1
1College of Environmental Science and Engineering, Donghua University, No. 2999 North Renmin Road, Shanghai, 201620, China.
预测水中的三甲 (THM) 是至关重要的. 随机森林回归 (RFR) 模型有效地预测使用水质参数的总THM和特定化合物,提供更快的监测解决方案.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 分析化学 分析化学
背景情况:
- 对三甲 (THM) 的实验室分析是耗时的.
- 开发使用水质参数的THM预测模型对于有效监测至关重要.
- THM 是一组消毒副产品,需要在水处理中谨慎管理.
研究的目的:
- 探索和比较随机森林回归 (RFR),支向量回归 (SVR) 和日志线性回归模型的有效性,用于预测THM度.
- 通过使用9个水质参数,确定估计总THM (T-THMs),二甲 (BDCM) 和二甲 (DBCM) 的最佳建模方法.
- 建立一种可靠的方法来监测供水系统中的THM.
主要方法:
- 开发和测试RFR,SVR和日志线性回归模型.
- 利用了来自水处理厂的175个水样数据集.
- 输入变量包括9个易于获得的水质参数.
主要成果:
- RFR模型在预测T-THMs和DBCM度方面表现出卓越的表现.
- 与RFR模型相比,SVR模型显示BDCM的预测准确度略高.
- 对于T-THMs (82-88%) 和BDCM (85-98%),RFR实现了高预测准确度,并具有强大的相关系数.
结论:
- 与SVR和Log-linear模型相比,RFR模型是预测THM度的最有效和总体上优越的方法.
- 开发的RFR模型为供水系统中THM的常规监测提供了一个可行的和高效的工具.
- 使用水质参数的预测建模可以显著减少对THM耗时的实验室分析的依赖.
更多相关视频
04:35Development of an Individual-Tree Basal Area Increment Model using a Linear Mixed-Effects Approach
Published on: July 3, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Multiple Regression
Farmers can use multiple regression to determine the crop yield based on more than one factor, such as water availability, fertilizer, soil properties, etc. Here, the crop yield is the response or dependent variable as it depends on the other independent variables. The analysis requires the construction of a scatter plot...
Modeling and Similitude
Typical Model Studies
Design Example: Design of an Irrigation Channel
Mechanistic Models: Compartment Models in Individual and Population Analysis
Design Example: Creating a Hydraulic Model of a Dam Spillway