创新的深度学习和信号分解方法用于增强空间和时间悬浮沉积物度预测
Kiyoumars Roushangar1, Arman Alirezazadeh Sadaghiani2
1Department of Water Resource Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran. kroshangar@yahoo.com.
概括
准确的悬浮沉积物度 (SSC) 预测对于河流管理至关重要. 混合深度学习模型,特别是SVMD-DDNN,表现出卓越的性能,提高了准确性并帮助生态恢复工作.
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:
- 准确预测悬浮沉积物度 (SSC) 对于有效的流域规划,水资源管理和生态恢复至关重要.
- 传统的方法经常与SSC的复杂,动态性质作斗争,需要先进的预测技术.
研究的目的:
- 引入和评估新的混合深度学习模型,以提高SSC预测.
- 确定影响SSC的关键水文参数,并评估其预测能力.
主要方法:
- 采用深度学习模型:长短期记忆 (LSTM),双向LSTM (BiLSTM),门式反复单元 (GRU) 和密集深度神经网络 (DDNNs).
- 集成模型与数据分解技术:用自适应噪声 (CEEMDAN) 和连续变化模式分解 (SVMD) 进行补充集体实证模式分解.
- 利用波纹变换连贯性 (WTC) 来识别有影响力的参数:度,测量高度,水温,排放和特定导电.
主要成果:
- 独立DDNN和混合CEEMDAN-DDNN和SVMD-DDNN模型的性能优于其他方法.
- 在第三个标尺上,SVMD-DDNN混合模型实现了最高的精度 (MSE: 0.027,RMSE: 0.165,NSE: 0.983,R: 0.992).
- 6天前的上游SSC数据对下游预测产生了重大影响,SVMD-DDNN的准确性增加了3.8%.
结论:
- 混合深度学习框架,特别是SVMD-DDNN,为SSC预测提供了精确可靠的解决方案.
- 这些先进的模型显著提高了河流管理实践,并支持生态恢复目标.
- 该研究强调了数据分解技术在提高水文预测深度学习模型性能方面的有效性.
