在河流系统中使用新型混合时间模式关注深度神经网络的溶解氧度的增强预测建模

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 数据科学与机器学习

背景情况:

• 河流水质量监测对于公共卫生和环境可持续性至关重要.
• 现有的数据驱动型号用于溶解氧 (DO) 预测,在准确性,可扩展性和适应性方面面临挑战.
• 之前的研究经常使用单一或基本的机器学习组合,缺乏先进的自适应机制.

研究的目的:

• 开发和评估创新的混合模型,以提高河流DO预测.
• 将时间模式注意力 (TPA) 机制与前神经网络 (FFNNs) 和长期短期记忆网络 (LSTM) 集成.
• 用伊利诺伊州和德斯普莱恩斯河的现实世界水质数据来评估模型性能.

主要方法:

• 开发混合模型,将TPA与FFNN和LSTM结合起来.
• 严格测试使用每天的水质数据 (DO,叶绿素-a,酸盐加酸盐,温度,特定导电量,pH) 从2017-2024.
• 评估了10种不同的模型输入场景,包括TPACWRNN-LSTM-10模型.
• 应用沙普利增量解释 (SHAP) 来解释预测器贡献.

主要成果:

• 混合型TPACWRNN-LSTM-10模型表现出了卓越的性能,达到0.993 (ILL) 和0.965 (DP) 的R2值.
• 0.241 mg/L (ILL) 和 0.450 mg/L (DP) 的低根平均平方误差 (RMSE) 表明预测的准确性很高.
• 优秀的威尔莫特指数 (0.998/0.992) 和纳什-萨特克利夫效率 (0.990/0.961) 值证实了模型的可靠性.
• SHAP分析确定了影响DO预测的关键驱动因素.

结论:

• 新的混合建模方法显著提高了在河流系统中DO预测的准确性和适应性.
• 提出的模型为预测复杂环境条件下的水质提供了可靠的解决方案.
• 这种方法可以使水利设施和资源管理系统受益,从而改善水质预测.