通过使用混合卷积神经网络-长期短期记忆 (CNN-LSTM) 模型,增强了Boruta-XGBoost特征选择算法,预测河流中的电导率
Masoud Karbasi1, Mumtaz Ali2, Sayed M Bateni3
1Water Engineering Department, Faculty of Agriculture, University of Zanjan, Zanjan, Iran. m.karbasi@znu.ac.ir.
Scientific reports
|July 1, 2024
概括
这项研究使用新型深度学习模型CNN-LSTM预测河流电导率 (EC),实现盐度预测的高精度. 波鲁塔-XGB-CNN-LSTM模型有效地预测了澳大利亚河流的EC提前10天.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 机器学习应用 机器学习应用
背景情况:
- 电导率 (EC) 是水的盐度和矿物化的关键指标.
- 准确的EC预测对于有效的水资源管理至关重要.
研究的目的:
- 开发和评估一种新的深度学习模型,用于预测河流电导率 (EC).
- 评估Boruta-XGB-CNN-LSTM模型与其他用于EC预测的机器学习方法的性能.
主要方法:
- 使用卷积神经网络与长期短期记忆 (CNN-LSTM) 模型相结合.
- 使用Boruta-XGBoost特征选择方法来识别重要的输入变量.
- 将CNN-LSTM模型与多层感知器 (MLP),K-最近邻居 (KNN) 和极端梯度增强 (XGBoost) 进行比较.
主要成果:
- 与其他模型相比,Boruta-XGB-CNN-LSTM模型在预测前一天的EC方面表现优异.
- 在阿尔伯特河和巴拉塔溪的R值分别为0.9429和0.9215的高精度.
- 该模型有效地预测了EC的前10天,随着预测时间的延长,业绩略有下降.
结论:
- 博鲁塔-XGB-CNN-LSTM模型是一种高性能软计算方法,用于准确的河流EC预测.
- 这种方法为水质管理和盐度预测提供了可靠的工具.
- 该研究强调了先进的深度学习技术在环境监测中的潜力.
