基于混合WT-CNN-GRU的模型用于估计水库水质变量,考虑到时空特征

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 水文学的水文学

背景情况:

• 水质指标 (WQI),如甲和溶解氧,对于评估水生生态系统的健康至关重要.
• 准确预测WQI对于水体的有效管理至关重要.

研究的目的:

• 开发和评估一种混合深度学习模型,用于准确的空间时间估计水库中的WQI.
• 将混合模型的性能与个人深度学习和传统机器学习算法进行比较.

主要方法:

• 利用波形变换 (WT),卷积神经网络 (CNN) 和封闭循环单元 (GRU) 来创建WT-CNN-GRU模型.
• 开发了个别的CNN,GRU,随机森林 (RF) 和支持向量回归 (SVR) 模型进行比较分析.
• 使用AAQ-RINKO设备从各种位置和深度收集WQI数据.

主要成果:

• 与RF,SVR,CNN和GRU模型相比,WT-CNN-GRU模型在预测WQI方面表现出卓越的表现.
• 混合模型显示了显著的改进,在R平方和DO指标的基础上,其表现高达13%.
• 包括RMSE,MAE和NSE在内的统计指标证实了WT-CNN-GRU方法的增强准确性.

结论:

• 集成的WT-CNN-GRU模型提供了一个高效的解决方案,用于在时空环境中准确地预测WQI.
• 深度学习方法,特别是混合模型,在水质评估中明显优于传统的机器学习方法.
• 这项研究解决了文献上的差距,为高级WQI估计提供了一个全面的混合算法.