使用CNN-BiLSTM与改进的注意力机制预测Chaohu湖溶解氧气的突然耗尽

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 数据科学数据科学数据科学

背景情况:

• 淡水湖中的溶解氧 (DO) 耗尽是生态灾难的主要驱动因素,需要准确的预测方法.
• 高频实时数据可以有效预测DO度并预防低氧事件,但实验研究仍然有限.
• 中国的湖面临着严重的DO枯竭问题,影响水生生态系统,需要先进的监测和预测策略.

研究的目的:

• 开发和评估一个新的短期预测模型,用于查胡湖溶解氧 (DO) 度.
• 确定影响DO水平的关键水质指标和水文气象特征,以提高预测准确度.
• 评估模型的性能与现有方法相比,并提高DO枯竭动态的可解释性.

主要方法:

• 开发了一个新的AC-BiLSTM合模型,集成卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 和注意力机制 (AM).
• 从2020年到2023年,在Chaohu湖的三个地点,每4小时收集水质指标和水文气象数据,用于模型培训 (80%) 和测试 (20%).
• 使用线性相关性和变量重要性分析来解释模型结果并确定影响DO的关键因素.

主要成果:

• 该AC-BiLSTM模型表现出优于BiLSTM和CNN-BiLSTM模型的性能,由较低的平均平方误差 (MSE) 和平均绝对误差 (MAE) 和较高的R平方 (R2) 值证明.
• 该模型有效地捕捉了DO度的长时间序列中的不连续的动态变化和全球依赖关系.
• 水温,总 (TN) 和总 (TP) 被确定为影响DO的关键因素,NTU强调了对中站自净化能力的影响.

结论:

• 该AC-BiLSTM模型是有效的短期DO度预测在湖泊中,准确地反映了突然DO耗尽的特征.
• 点源污染,以高TN和TP水平表示,是淡水湖中DO枯竭的关键原因.
• 该研究提供了对DO枯竭事件的时间和规模的宝贵见解,有助于管理和预防低氧状况.