[基于机器学习的扬子河河口溶解氧气预测建模和评估]
Xiao-Ying Li1,2, Hua Wang1,2, Yi-Qing Wang3
1College of Environment, Hohai University, Nanjing 210098, China.
Huan jing ke xue= Huanjing kexue
|December 4, 2024
概括
随机森林模型准确地预测了长江河口的溶解氧 (DO) 水平,优于其他机器学习方法. 温度,BOD5和氨是影响DO动态的关键因素.
科学领域:
- 环境科学 环境科学
- 水质监测 水质监测
- 机器学习应用 机器学习应用
背景情况:
- 溶解氧 (DO) 是水生生态系统健康和水质的关键指标.
- 长江河口是一个重要的经济和生物多样性枢纽,需要强有力的水质监测.
- 准确的DO预测对于有效的环境管理和可持续实践至关重要.
研究的目的:
- 评估和比较三个机器学习模型 (PSO-SVR,ANN,RF) 的性能,以预测长江河口的DO水平.
- 确定影响DO的时空动态的关键水质变量.
- 建立数据驱动的方法,以加强河口的水质管理.
主要方法:
- 利用了来自长江河口的六个监测站 (2004-2020) 的月平均水质数据.
- 应用了三个机器学习模型:粒子集群优化-支持向量回归 (PSO-SVR),人工神经网络 (ANN) 和随机森林 (RF).
- 在训练和测试集上使用R平方 (R2) 和根平均平方误差 (RMSE) 等指标评估模型性能.
主要成果:
- 随机森林 (RF) 模型表现出优异的预测性能,在训练 (0.971) 和测试 (0.986) 组中,错误率最低 (0.19 整体平均值),R2值最高.
- 温度,五天生化氧需求 (BOD5) 和氨被确定为影响DO水平最有影响的因素.
- 射频显示出优异的概括能力,而PSO-SVR显示出良好的性能和稳定性; ANN需要进一步优化以提高准确性.
结论:
- 随机森林模型在复杂的长江河口环境中对精确的溶解氧气预测非常有效.
- 了解温度,BOD5和氨的影响对于管理DO水平至关重要.
- 机器学习,特别是射频,为数据驱动的水质管理和环境管理提供了强大的工具.
相关概念视频
01:30Typical Model Studies
340
Fluid mechanics model studies often utilize scaled-down systems to predict fluid behavior in full-scale environments, such as river flows, dam spillways, and structures interacting with open surfaces. Maintaining Froude number similarity in river models is crucial, as it replicates surface flow features like wave patterns and velocities.
340
01:12Modeling and Similitude
245
Scaled modeling is a fundamental technique in engineering, enabling the study of large and complex systems by creating smaller, manageable replicas that recreate critical characteristics of the original. In hydrology and civil infrastructure, for example, scaled models of dams help analyze water flow, turbulence, and pressure. This method allows for accurate predictions of real-world behavior within a controlled environment, significantly reducing the cost and time involved in full-scale...
245