功能增强的混合优化卷积神经网络长期短期记忆框架,用于实时预警河流水中突然发生的总悬浮固体污染事件
Lijun Liu1, Jingming Hou1, Tian Wang1
1State Key Laboratory of Eco-hydraulics in Northwest Arid Region of China, Xi'an University of Technology, Xi'an, 710048, China.
Journal of environmental management
|March 13, 2026
概括
这项研究引入了一个快速的CNN-LSTM模型,用于预测综合下水道溢出导致的河流污染. 它提供悬浮固体的秒级预测,帮助快速应对紧急情况.
科学领域:
- 环境科学 环境科学
- 水资源管理 水资源管理
- 环境监测中的人工智能
背景情况:
- 突发的河流污染事件需要快速预测污染物迁移,以有效应对紧急情况.
- 综合下水道溢出 (CSO) 排放是突发河流污染的重要来源,特别是悬浮固体.
研究的目的:
- 开发一款秒级预测模型,用于CSO排放影响的河流流域中悬浮固体污染.
- 为突发河流污染事件的紧急管理提供快速预警和决策支持.
主要方法:
- 使用了一个功能增强的卷积神经网络长期短期记忆 (CNN-LSTM) 框架.
- 训练和验证数据集是使用1D-2D水力动力-水质模型生成的.
- 该框架集成了多尺度卷积特征提取与递归时间建模.
主要成果:
- 在CNN-LSTM模型中,确定系数 (R2) 值始终高于0.90.
- 在低至中等度下观察到高空间一致性,在高度病例的晚期阶段,交叉与联合 (IoU) 超过0.98.
- 该模型在训练后几秒钟内生成事件级预测.
结论:
- 开发的CNN-LSTM模型为预测CSO事件中悬浮固体污染提供了高度准确和快速的解决方案.
- 秒级预测能力对于及时应对紧急情况和在突然的河流污染事件中做出决定至关重要.
- 这种方法通过先进的人工智能和水力动力学建模来增强突然河流悬浮固体污染的管理.


