使用机器学习和应用程序编程接口开发实时水质仿真工具箱.
Gi-Hun Bang1, Na-Hyeon Gwon2, Min-Jeong Cho2
1Department of Integrated Water Management, Yeungnam University, Daehak-ro 280, Gyeongsan-si, Water Campus, Korea Water Cluster, Gukgasandan-daero 40-gil, Guji-myeon, Dalseong-gun, Gyeongsangbuk-do, Daegu, Republic of Korea.
Journal of environmental management
|March 1, 2025
概括
一个新的机器学习工具箱提供实时河流水质量建模. 在随机采样数据上训练的随机森林模型显示了关键水质参数的最佳性能.
科学领域:
- 环境科学 环境科学
- 水资源管理 水资源管理
- 计算水文学计算水文学
背景情况:
- 河流对人类生活至关重要,但却面临着日益严重的污染.
- 实时河流水质量建模对于有效的管理和保护至关重要.
- 现有的方法需要改进,以便及时和准确地进行评估.
研究的目的:
- 使用机器学习 (ML) 和应用程序接口 (API) 开发实时河水质量模拟工具箱.
- 构建和比较ML模型来模拟关键的水质参数:叶绿素a (Chl-a),溶解氧 (DO),总 (TN),总有机碳 (TOC) 和总 (TP).
- 通过超参数调整优化模型性能,并评估数据采样方法和ML算法的影响.
主要方法:
- 开发了一个整合ML算法 (人工神经网络,随机森林,支持矢量机器) 与API数据的工具箱.
- 为中东河建造了水质模拟模型.
- 采用超参数优化,并使用随机抽样与时间序列数据比较模型性能.
主要成果:
- 用随机抽样数据训练的模型通常表现优于用时间序列数据训练的模型.
- 随机森林 (RF) 算法在使用随机抽样的测试ML模型中表现最好.
- 射频实现了DO的0.79的R平方值,TN的0.65,TP的0.74,Chl-a的0.45和TOC的0.48.
- 溶解氧,总和总模型与甲和总有机碳模型相比显示出更高的性能.
结论:
- 开发的基于ML的工具箱有效地实时模拟河流水质量.
- 使用随机采样数据的随机森林模型为水质预测提供了一个有希望的方法.
- 对Chl-a和TOC模型的进一步改进需要使输入变量多样化;灵敏度和不确定性分析增强模型理解.


