通过基于二阶段分解的可解释深度学习方法,在悬浮颗粒物中阐明和预测有机农药

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 分析化学 分析化学

背景情况:

• 有机化农药 (OCPs) 构成环境风险,由于其复杂的来源和行为,难以准确预测它们的度.
• 现有的模型往往难以捕捉表面水中的OCP度的动态变化.

研究的目的:

• 开发和评估一种新的混合模型,用于精确预测表面水中的OCP度.
• 将拟议模型的性能与单个基准和单个分解模型进行比较.

主要方法:

• 开发了一种混合模型,将完整集体实证模式分解与自适应噪声 (CEEMDAN),变化模式分解 (VMD) 和长短期记忆 (LSTM) 结合起来.
• 该模型用于预测典型的地表水样本中的OCP度.
• 用SHAP分析进行了对影响因素的可解释分析.

主要成果:

• 拟议的CEEMDAN-VMD-LSTM模型实现了明显较低的平均SMAPE13.55%,优于单个基准模型 (40.88%) 和单个分解模型 (29.80%).
• 混合两阶段分解合模型显示出更好的预测能力,平均SMAPE为23.24%.
• 降水和总被确定为影响OCP度的关键因素.

结论:

• CEEMDAN-VMD-LSTM模型显示了在地表水中的OCP度的卓越预测准确性.
• 深度学习算法与分解技术相结合,可以有效地捕获污染物的动态特性.
• 这些发现强调了在OCP污染评估中考虑降水和营养水平等环境因素的重要性.