使用LSTM-Autoencoder神经网络检测地下水监测数据中的异常检测
Fatemeh Rezaiezadeh Roukerd1, Mohammad Mahdi Rajabi2,3
1Civil and Environmental Engineering Faculty, Tarbiat Modares University, PO Box 14115-397, Tehran, Iran.
Environmental monitoring and assessment
|July 3, 2024
概括
本研究介绍了一种先进的人工智能模型,用于检测地下水监测数据中的错误. 长短期内存自动编码器实现了98.47%的准确性,提高了系统的可靠性和效率.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 水文地质学 水文地质学
背景情况:
- 地下水监测数据容易受到设备错误,人为错误和系统故障的影响.
- 传统的异常检测方法对于复杂,动态的地下水数据是不够的.
- 人工智能,特别是神经网络,为复杂的异常检测提供了先进的能力.
研究的目的:
- 开发一种高精度和高效的模型,用于检测地下水监测数据中的异常.
- 解决处理复杂的连续地下水数据时现有方法的局限性.
- 提高地下水监测系统的可靠性和完整性.
主要方法:
- 使用蒙特卡洛方法和SEAWAT数值模拟来评估地下水盐度的不确定性.
- 开发并训练了一种用于异常检测的长短期记忆 (LSTM) - 自动编码模型.
- 采用负日志概率 (NLL) 评分和量化数据异常的门.
主要成果:
- 拟议的LSTM-Autoencoder模型在检测异常方面表现出98.47%的高精度.
- 概率方法与LSTM-Autoencoder相结合,有效地识别了连续地下水数据中的复杂模式.
- 该模型为实时异常检测提供了一个高效的计算框架.
结论:
- LSTM-Autoencoder模型代表了地下水异常检测的重大进步.
- 这种方法提高了地下水监测系统的准确性和可靠性.
- 这些发现支持将先进的机器学习技术纳入水文地质研究.
