基于机器学习的普遍高频监测中国河水质量的方法
Yijie Zhang1, Weidong Li2, Weijia Wen1
1Hubei Provincial Engineering Research Center of Non-Point Source Pollution Control, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences, Wuhan 430077, China; Key Laboratory for Environment and Disaster Monitoring and Evaluation of Hubei, Jianghan Plain-Honghu Lake Station for Wetland Ecosystem Research, Wuhan 430077, China; University of Chinese Academy of Sciences, Beijing 100049, China.
The Science of the total environment
|July 10, 2024
概括
一种新的间接方法使用多传感器数据和智能算法准确监测河流总 (TN) 和总 (TP). 这种方法为早期污染警告提供了高频率,低成本的水质评估.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 传感器技术 传感器技术
背景情况:
- 在河流中总 (TN) 和总 (TP) 的高频现场监测对于水质评估和预警系统至关重要.
- 传统方法在为有效的河流管理提供及时和持续的数据方面面临挑战.
研究的目的:
- 开发和验证一种新的间接测量方法,用于在现场,高频监测河流中的TN和TP.
- 评估拟议方法的准确性,可靠性和区域适用性.
主要方法:
- 利用来自中国各地131个水源监测站的大量数据集 (188,629个样本).
- 采用了五种智能算法,包括额外树回归 (ETR),以建立TN / TP和传感器可测量的预测器之间的物理和化学联系.
- 评估了六个潜在的预测因素:温度,电导率,NH4-N,度,pH和溶解氧 (DO).
主要成果:
- 使用六个预测器的ETR实现了最高的精度,平均确定系数 (R2 ) 为TN的0.78 ± 0.25和TP的0.79 ± 0.22.
- 温度,电导率,NH4-N和度被确定为最重要的预测因素.
- >80%的站点显示可接受的预测准确性 (R2>0.6) 与4-6个预测器.
- 对于TN和TP,水质标准的准确分类率 (ACRws) 达到90%以上.
- 该方法在中国9个不同地区/盆地显示出普遍应用的潜力.
结论:
- 拟议的间接监测方法为传统的水质评估技术提供了高频率,高精度和具有成本效益的替代方案.
- 它提供区域适应性和在各种环境条件下 (雨天,阴天,夜间) 稳定的运行.
- 这项技术支持及时追踪污染物,预警,以及对河流污染事件的紧急控制.
