在一个大而深的水库中预测藻类生物质的数据驱动模型

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 数据科学数据科学数据科学

背景情况:

• 准确预测藻类生物质对于饮用水的保护和管理至关重要.
• 在大而深的水库中预测藻类生物量存在重大挑战.
• 高频观测数据对于开发可靠的预测模型至关重要.

研究的目的:

• 开发和评估长期短期记忆 (LSTM) 模型,用于预测中国大型水库中的藻类生物量.
• 在各种预测尺度上预测甲度 (C_Chla) 和列整合的C_Chla (CIC).
• 将LSTM模型与其他机器学习模型 (MLP,CNN,RNN) 的性能进行比较.

主要方法:

• 利用了来自新疆水库的六年高频 (30分钟) 观测数据.
• 开发了五个基于LSTM的模型:四个用于C_Chla (1小时,3小时,6小时,24小时尺度) 和一个用于CIC (1天尺度).
• 使用根平均平方误差 (RMSE) 评估模型性能,并与MLP,CNN,CNN-LSTM和RNN模型进行比较.

主要成果:

• LSTM模型准确地预测了C_Chla (RMSE < 1.1 μg/L) 和CIC (RMSE < 14.9 μg/L) 的情况.
• 拟议的C_Chla LSTM模型表现优于其他模型,RMSE减少2.6%9.3%;CIC LSTM模型表现优越,RMSE减少36.1%52.8%.
• 模型的性能随着输入时间的长度 (预测时间的6-8倍) 提高,并且在生物质变化较少的地点更好;水温是关键因素.

结论:

• LSTM模型提供了一个有效的工具,用于准确的,大规模的藻类生物量预测在深水库.
• 这些模型为水资源管理者提供了有价值的早期预警系统,以实施防止藻类繁殖的预防措施.
• 了解水温等因素的影响对于完善预测准确度至关重要.