基于神经网络算法,监测和警告城市河流的氨污染
Yang Zhang1, Liang Liu1, Shenghong Zhang1
1PowerChina Zhongnan Engineering Corporation Limited, Changsha, 410014, China.
概括
这项研究开发了一个数据驱动的模型来预测城市河流中的氨 (AN) 污染. 用VMD预处理增强的封闭循环单位 (GRU) 模型准确预测AN水平,有助于污染管理.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 数据科学数据科学数据科学
背景情况:
- 由于工业化,氨 (AN) 污染是城市河流的一个重要问题.
- 目前的监测方法昂贵且耗时,阻碍了有效的污染管理.
- 由于数据限制,预测高波动的AN度具有挑战性.
研究的目的:
- 调查数据驱动模型的可行性,以预测城市河流中的AN度.
- 为了比较不同的深度学习模型 (ANN,RNN,LSTM,GRU) 对AN预测的性能.
- 评估VMD预处理在提高预测准确性的有效性.
主要方法:
- 采用了四种深度学习模型:人工神经网络 (ANN),循环神经网络 (RNN),长期短期记忆 (LSTM) 和门式循环单元 (GRU).
- 使用易于监控的指标 (pH,溶氧,导电率) 作为输入特征.
- 应用变量模式分解 (VMD) 用于数据预处理以提高预测准确性.
主要成果:
- 格鲁模型表现出最佳的预测性能,MAE为0.349和R2为0.792.
- VMD预处理进一步提高了GRU模型的准确性,达到0.822.2的R2.
- 开发的模型有效地检测出异常的AN污染 (>2 mg/L),回忆率为93.6%,精度为72.4%.
结论:
- 数据驱动的深度学习模型,特别是具有VMD的GRU,提供了一种可靠的方法来监测城市河流中波动的AN度.
- 这种方法为传统的监测方法提供了具有成本效益和效率的替代方案.
- 该模型具有实时城市河流污染管理和预警系统的巨大潜力.
