联合识别液压导电性和地下水污染源使用无气质卡尔曼光滑器与多重数据同化和深度学习
Jiuhui Li1, Zhengfang Wu1, Shuo Zhang1
1Key Laboratory of Geographical Processes and Ecological Security in Changbai Mountains, Ministry of Education, School of Geographical Sciences, Northeast Normal University, Changchun 130024, China.
Ecotoxicology and environmental safety
|April 5, 2025
概括
一种新方法,无气味卡尔曼光滑器与多重数据同化 (UKS-MDA),提高了地下水污染源识别的准确性和效率. 与深度信念神经网络相结合,它可以显著降低计算负载,从而更好地纠正污染和预测风险.
科学领域:
- 环境科学 环境科学
- 水文地质学 水文地质学
- 数据同化数据同化
背景情况:
- 识别地下水污染源 (IGPS) 对于整治和风险预测至关重要.
- 现有的数据同化方法,如无气味卡尔曼波器,对非线性系统的准确性和计算效率有局限性.
- 需要改进技术来处理IGPS中复杂的非线性特征.
研究的目的:
- 引入和评估一种新型的数据同化方法,即无臭卡尔曼光滑器与多重数据同化 (UKS-MDA),用于识别地下水污染源.
- 通过集成深度信念神经网络 (DBNN) 作为替代模拟模型来提高IGPS的计算效率和准确性.
- 为了比较UKS-MDA的性能与集成光滑器与多重数据同化 (ES-MDA).
主要方法:
- 使用多重数据同化 (UKS-MDA) 的无气质卡尔曼光滑剂来识别液压导电性和污染源.
- 开发一种深度信念神经网络 (DBNN),作为减少计算负载的替代模型.
- 基于识别准确性和计算效率的UKS-MDA和组合光滑多重数据同化 (ES-MDA) 的比较分析.
主要成果:
- DBNN替代模型实现了0.92%的平均相对误差 (MRE),并将计算时间减少了大约99%.
- 与ES-MDA相比,UKS-MDA的MREs较低,在分别较小和较大的度误差的场景中,MREs的改善率分别为0.4%和4.16%.
- 对于IGPS,UKS-MDA比ES-MDA提供了12%的计算效率提升.
结论:
- DBNN和UKS-MDA的组合有效地识别了地下水污染源,从而大大节省了计算成本.
- 这种新的方法为地下水污染的补救和风险预测提供了更准确,更有效的工具.
- 该研究强调了先进的数据同化技术在应对复杂的环境挑战方面的潜力.
更多相关视频
08:09Wastewater Irrigation Impacts on Soil Hydraulic Conductivity: Coupled Field Sampling and Laboratory Determination of Saturated Hydraulic Conductivity
Published on: August 19, 2018
9.1K
07:21Author Spotlight: Advancing Agricultural Land Ecosystem Research with a Hydraulic Property Analyzer to Assess Soil Health
Published on: August 9, 2024
874
