基于水气候参数的综合深度学习方法用于模拟沿海入口的溶解氧度
Mohamed T Elnabwy1, Abdullah H Alshahri2, Ayman A El-Gamal3
1Coastal Research Institute (CORI), National Water Research Center, Alexandria 21415, Egypt; Civil Engineering Department., Faculty of Engineering, Damietta University., New Damietta 34517, Egypt.
气候变化影响了沿海的溶氧 (DO). 一个深度学习神经网络 (DLNN) 模型准确地预测了埃及的DO水平.
科学领域:
- 环境科学 环境科学
- 气候变化研究 气候变化研究
- 沿海海洋学 沿海海洋学
背景情况:
- 气候变化对沿海地区的溶氧 (DO) 度产生重大影响.
- 由于许多影响水质 (WQ),水文和气候因素,预测DO变化是复杂的.
- 人类在沿海入口的活动加剧了DO的挑战.
研究的目的:
- 引入和验证深度学习神经网络 (DLNN) 方法来建模和预测DO度.
- 评估传统机器学习 (ML) 方法与DLNN对DO预测的性能.
- 确定影响埃及拉希德沿海入口的DO波动的关键水气候和WQ参数.
主要方法:
- 利用了埃及拉希德沿海入口的现场记录的WQ和水气候数据集.
- 进行统计和探索性数据分析,以了解DO波动驱动因素.
- 采用传统的ML模型 (GPR,SVR,DTR) 和DLNN用于DO预测和比较.
主要成果:
- 与最佳的ML模型相比,DLNN在DO预测准确度上实现了4%的改进.
- DLNN模型显示了高相关性 (0.95) 和低RMSE (0.42 mg/l).
- 太阳辐射 (SR),pH,水位 (WL) 和大气压力 (P) 被确定为关键影响参数.
结论:
- DLNN为预测沿海环境中DO度提供了卓越的准确性.
- 开发的模型可以作为沿海当局监测气候变化影响的关键指标.
- 有效的DO监测对于在加速气候变化下管理沿海生态系统至关重要.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
相关概念视频
Precipitation Gravimetry
In determining nickel by gravimetric analysis, a precipitant of ethanolic dimethylglyoxime is added to a hot nickel salt solution. This is quickly followed by the dropwise addition of dilute ammonia solution until precipitation occurs. A...
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
The Integrated Rate Law: The Dependence of Concentration on Time
