在长江中流的预测基于GRA-CEEMDAN-CNLSTM-DBO的数据
Huaipeng Yao1,2, Yuling Huang3, Pingyu Lv1,4
1School of River and Ocean Engineering, Chongqing Jiao Tong University, Chongqing, 400074, China.
Scientific reports
|August 21, 2024
概括
一个新的模型准确地预测了长江的总 (TP),表现优于其他模型. 这一进步有助于在洪水季节管理水质,保护水生生态系统.
科学领域:
- 环境科学 环境科学
- 水质管理水质管理
- 预测建模预测建模
背景情况:
- 准确预测总 (TP) 对水生生态系统健康至关重要.
- 长江中流地区在水质监测和管理方面面临着挑战.
研究的目的:
- 为了提高总 (TP) 度在长江的预测准确度.
- 开发和验证一种新型模型,将灰色关系分析 (GRA) 和深度学习集成为TP预测.
主要方法:
- 利用了三峡水库 (TGR) 的运行和排放数据和下游水质参数.
- 采用灰色关系分析 (GRA) 来确定影响TP度的关键因素.
- 开发了一个结合的神经网络模型 (GRA-CEEMDAN-CN1D-LSTM-DBO) 用于TP预测.
主要成果:
- 确定了度,CODMn,TN,水温,叶绿素a,上游水位变化和TGD排放作为TP的主要贡献者.
- GRA-CEEMDAN-CN1D-LSTM-DBO模型实现了0.784的相关系数 (R) 和0.004的RMSE,显著优于BP,LSTM和GRU模型.
- 模型性能在Yichang (YC) 和Jingzhou (LK) 进行了验证,R值分别为0.776和0.718.
结论:
- 格拉-CEEMDAN-CN1D-LSTM-DBO模型为长江的TP预测提供了卓越的性能.
- 该研究为在洪水季节的动态水位控制提供了宝贵的见解.
- 这些发现有助于在长江流域推进智能水资源管理.


