在公河流域通过半监督式的深度神经网络重建悬浮沉积物度
Thi Thu Ha Nguyen1, Duc Quang Vu2, Ngoc Phu Doan3
1Laboratory of Environmental Sciences and Climate Change, Institute for Computational Science and Artificial Intelligence, Van Lang University, Ho Chi Minh City, Vietnam; Faculty of Environment, School of Technology, Van Lang University, Ho Chi Minh City, Vietnam.
The Science of the total environment
|October 14, 2024
概括
这项研究引入了一种新的机器学习模型,用于重建公河流域 (MRB) 长期悬浮沉积物度 (SSC). 该模型使用水气候数据来提高准确性,为河流管理提供了至关重要的工具.
科学领域:
- 环境科学 环境科学
- 水文学的水文学
- 数据科学数据科学数据科学
背景情况:
- 公河流域 (MRB) 支持超过6000万人,需要有效的管理策略.
- 准确的长期悬浮沉积物度 (SSC) 数据对于MRB管理至关重要,但很少.
- 现有的数据限制阻碍了对MRB的全面分析和规划.
研究的目的:
- 开发和验证一种新的半监督机器学习 (ML) 模型,用于在MRB中重建长期SSC数据.
- 通过利用丰富的水气候数据来提高沉积物度数据重建的准确性.
- 解决MRB中零星沉积物数据的挑战,以改善环境管理.
主要方法:
- 开发了一种半监督机器学习 (ML) 模型,利用丰富的水气候数据来缓解训练过度装配.
- 该模型使用1979年至2019年的日常水气候和SSC数据在三个关键MRB站进行了训练和测试.
- 绩效与最先进的监督 (随机森林,XGBoost,CatBoost,MLP,CNN,LSTM) 和半监督 (CoReg,模型,ICT,平均教师) 方法进行了评估.
主要成果:
- 拟议的半监督ML模型在重建SSC数据方面明显优于现有的监督和半监督技术.
- 这种新方法通过有效地将水气候数据集成到ML模型中,证明了卓越的准确性.
- 该模型在公河流域的多个监测站中被证明是稳健的.
结论:
- 本研究提出了第一个半监督方法,用于重建主要河流系统中的沉积物数据.
- 开发的ML模型提供了一个非常准确和可靠的方法来填补SSC记录中的数据缺口.
- 该方法在面临类似数据稀缺挑战的其他河流系统中具有显著的应用潜力.
