基于复合神经网络的多元水质指标预测模型

doi:10.3785/j.issn.1008-9497.2022.03.013

浙江大学学报（理学版）

2022, Vol. 49

Issue (3): 354-362 DOI: 10.3785/j.issn.1008-9497.2022.03.013

地球科学

基于复合神经网络的多元水质指标预测模型

王昱文^1,²,杜震洪^1,²(

),戴震^1,²,刘仁义^1,²,张丰^1,²

^1.浙江大学浙江省资源与环境信息系统重点实验室，浙江杭州 310028
^2.浙江大学地理信息科学研究所，浙江杭州 310027

Multivariate water quality parameter prediction model based on hybrid neural network

Yuwen WANG^1,²,Zhenhong DU^1,²(

),Zhen DAI^1,²,Renyi LIU^1,²,Feng ZHANG^1,²

^1.Zhejiang Provincial Key Lab of GIS，Zhejiang University，Hangzhou 310028，China
^2.Department of Geographic Information Science，Zhejiang University，Hangzhou 310027，China

全文: PDF(1744 KB)

HTML( 15 )

摘要：

长江流域在我国水资源配置体系中具有重要地位，对其进行水质预测尤为重要。基于现有研究结果，结合循环神经网络（recurrent neural network，RNN）中的门控循环单元（gate recurrent unit，GRU）模型与全连接神经网络（fully connected neural network，FCNN），提出了改进的多元水质指标预测（MWQPP）模型，并用其预测长江流域水体的pH、溶解氧（DO）、高锰酸盐指数（CODMn）、氨氮（NH₃-N）。基于长江流域2011—2018年23个水质监测点7 566条原始数据，经对比实验，证明了用MWQPP模型预测得到的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）均优于传统水质预测模型，有效提升了水质预测的精度，具有较好的鲁棒性，为水质预测和流域管理提供了科学支撑。

关键词： 水质预测; 人工神经网络; 门控循环单元（GRU）; 全连接神经网络（FCNN）

Abstract:

The Yangtze River basin plays an important role in Chinese water resources allocation. What proves common knowledge is that it is particularly important to predict the water quality in the Yangtze River basin. Based on the existing research, the recurrent neural network (RNN) model with gate recurrent unit (GRU) and fully connected neural network (FCNN) are combined in this study to improve a multiple water quality parameter prediction (MWQPP) model. It is proposed to predict the four water quality parameters, such as pH, dissolved oxygen (DO), permanganate index (CODMn) and ammonia nitrogen (NH₃-N) in the Yangtze River basin. Based on 7 566 raw data of 23 water quality monitoring points in the Yangtze River basin from 2011 to 2018, the comparative experiments show that the root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE) and coefficient of determination (R²) obtained from the MWQPP model's prediction results are better than traditional models, such as the multiple linear regression model, the random forest model, FCNN model and LSTM model, and the MWQPP model also has better robustness than these traditional water quality prediction models. As we can say, the MWQPP model can provide scientific, reasonable and effective support for water quality assurance and water management in Yangtze River basin.

Key words: water prediction artificial neural network gate recurrent unit (GRU) fully connected neural network(FCNN)

收稿日期: 2021-01-14 出版日期: 2022-05-24

CLC:

P 208

基金资助: 国家自然科学基金资助项目(41922043);国家重点研发计划项目(2018YFB0505000)

通讯作者: 杜震洪 E-mail: duzhenhong@zju.edu.cn

作者简介: 王昱文（1996—），ORCID：https：//orcid.org/0000-0003-1119-7120，女，硕士研究生，主要从事时空大数据挖掘研究.

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	王昱文
	杜震洪
	戴震
	刘仁义
	张丰

引用本文:

王昱文, 杜震洪, 戴震, 刘仁义, 张丰. 基于复合神经网络的多元水质指标预测模型[J]. 浙江大学学报（理学版）, 2022, 49(3): 354-362.

Yuwen WANG, Zhenhong DU, Zhen DAI, Renyi LIU, Feng ZHANG. Multivariate water quality parameter prediction model based on hybrid neural network. Journal of Zhejiang University (Science Edition), 2022, 49(3): 354-362.

链接本文:

https://www.zjujournals.com/sci/CN/10.3785/j.issn.1008-9497.2022.03.013 或 https://www.zjujournals.com/sci/CN/Y2022/V49/I3/354

图1 FCNN结构

图2 GRU结构原理

表1 《地表水环境质量标准GB3838—2002》中水质指数评价标准

图3 多元水质指标预测（MWQPP）模型神经网络结构

图4 训练过程MRE变化折线图

表2 水质指标预测模型结果评价与比较

图5 某点位水质指标各模型预测值与真实值比较

图6 某点位水质指标逐年预测MAPE比较

图7 多点位水质指标预测MAPE 比较

表3 不同噪声下各模型预测结果的MAPE对比

1	BERNHARD L， HØJSTRUP J. Evaluation of the wind-resource estimation program WAsP for offshore applications［J］. Journal of Wind Engineering and Industrial Aerodynamics， 2001， 89（3/4）： 271-291. DOI：10.1016/S0167-6105（00）00082-9 doi: 10.1016/S0167-6105（00）00082-9
2	MARTIN N， MCEACHERN P M， YU T， et al. Model development for prediction and mitigation of dissolved oxygen sags in the Athabasca River， Canada［J］. Science of the Total Environment， 2013， 443： 403-412. DOI：10.1016/j.scitotenv.2012. 10.030 doi: 10.1016/j.scitotenv.2012. 10.030
3	BAUWE A， ECKHARDT K U， LENNARTZ B. Predicting dissolved reactive phosphorus in tile-drained catchments using a modified SWAT model［J］. Ecohydrology and Hydrobiology， 2019， 19（2）： 198-209. DOI：10.1016/j.ecohyd.2019.03.003 doi: 10.1016/j.ecohyd.2019.03.003
4	秦文虎，付亚涛. 基于向量自回归模型的水质异常检测研究［J］. 安全与环境学报， 2018， 18（4）： 1560-1563. DOI：10.13637/j.issn.1009-6094.2018.04.056 QIN W H， FU Y T. Water quality abnormity inspection and detection via the vector auto-regressive model［J］. Journal of Safety and Environment， 2018， 18（4）： 1560-1563. DOI：10.13637/j.issn.1009-6094.2018.04.056 doi: 10.13637/j.issn.1009-6094.2018.04.056
5	CHEN W， XU H L， CHEN Z S， et al. A novel method for time series prediction based on error decomposition and nonlinear combination of forecasters［J］. Neurocomputing， 2021， 426： 85-103. DOI：10.1016/j.neucom.2020.10.048 doi: 10.1016/j.neucom.2020.10.048
6	马晋，何鹏，杨庆，等. 基于回归分析的地下水污染预警模型［J］. 环境工程， 2019， 37（10）： 211-215. DOI：10.13205/j.hjgc.201910036 MA J， HE P， YANG Q， et al. Early warning model for groundwater pollution based on regression analysis［J］. Environmental Engineering， 2019， 37（10）： 211-215. DOI：10.13205/j.hjgc.201910036 doi: 10.13205/j.hjgc.201910036
7	LI X， CHENG Z， YU Q， et al. Water-quality prediction using multimodal support vector regression： Case study of Jialing River， China［J］. Journal of Environmental Engineering， 2017， 143（10）： 04017070. doi:10.1061/(asce)ee.1943-7870.0001272 doi: 10.1061/(asce)ee.1943-7870.0001272
8	白云，李勇. 基于VMD-LSSVR的河水水质预测方法［J］. 安全与环境学报， 2020， 20（3）： 1162-1168. DOI：10.13637/j.issn.1009-6094.2019.0727 BAI Y， LI Y. A prediction model of the river water quality based on the VMD-LSSVR［J］. Journal of Safety and Environment， 2020， 20（3）： 1162-1168. DOI：10.13637/j.issn.1009-6094.2019.0727 doi: 10.13637/j.issn.1009-6094.2019.0727
9	薛同来，赵冬晖，韩菲. 基于GA优化的SVR水质预测模型研究［J］. 环境工程， 2020， 38（3）： 123-127， 128. DOI：10.13205/j.hjgc.202003021 XUE T L， ZHAO D H， HAN F. SVR water quality prediction model based on GA optimization［J］. Environmental Engineering， 2020， 38（3）： 123-127， 128. DOI：10.13205/j.hjgc.202003021 doi: 10.13205/j.hjgc.202003021
10	王晓萍，孙继洋，金鑫. 基于BP神经网络的钱塘江水质指标的预测［J］. 浙江大学学报（工学版）， 2007， 41（2）： 361-364. DOI：10.3785/j.issn.1008-973X.2007.02.037 WANG X P， SUN J Y， JIN X. Prediction of water quality index in Qiantang River based on BP neural network model［J］. Journal of Zhejiang University（Engineering Science）， 2007， 41（2）： 361-364. DOI：10.3785/j.issn.1008-973X.2007.02.037 doi: 10.3785/j.issn.1008-973X.2007.02.037
11	宓云軿，王晓萍，金鑫. 基于机器学习的水质COD预测方法［J］. 浙江大学学报（工学版）， 2008， 42（5）： 790-793. DOI：10.3785/j.issn.1008-973X.2008.05.013 MI Y P， WANG X P， JIN X. Water COD prediction based on machine learning［J］. Journal of Zhejiang University（Engineering Science）， 2008，42（5）： 790-793. DOI：10.3785/j.issn.1008-973X.2008.05.013 doi: 10.3785/j.issn.1008-973X.2008.05.013
12	SAMSUDIN M S， AZID A， KHALIT S I， et al. Comparison of prediction model using spatial discriminant analysis for marine water quality index in Mangrove Estuarine Zones［J］. Marine Pollution Bulletin， 2019， 141： 472-481. DOI：10.1016/j.marpolbul.2019.02.045 doi: 10.1016/j.marpolbul.2019.02.045
13	RAJAEE T， KHANI S， RAVANSALAR M. Artificial intelligence-based single and hybrid models for prediction of water quality in rivers： A review［J］. Chemometrics and Intelligent Laboratory Systems， 2020， 200： 103978. DOI：10.1016/j.chemolab.2020. 103978 doi: 10.1016/j.chemolab.2020. 103978
14	TA X X， WEI Y. Research on a dissolved oxygen prediction method for recirculating aquaculture systems based on a convolution neural network［J］. Computers and Electronics in Agriculture， 2018， 145： 302-310. DOI：10.1016/j.compag.2017.12.037 doi: 10.1016/j.compag.2017.12.037
15	NOORI N， KALIN L， ISIK S. Water quality prediction using SWAT-ANN coupled approach［J］. Journal of Hydrology， 2020， 590： 125220. DOI：10. 1016/j.jhydrol.2020.125220 doi: 10. 1016/j.jhydrol.2020.125220
16	WANG Z， MAN Y， HU Y， et al. A deep learning based dynamic COD prediction model for urban sewage［J］. Environmental Science （Water Research & Technology）， 2019， 5（12）： 2210-2218. DOI：10.1039/C9EW00505F doi: 10.1039/C9EW00505F
17	TU J C， YANG X Q， CHEN C B， et al. Water quality prediction model based on GRU hybrid network［C］// 2019 Chinese Automation Congress （CAC）. Hangzhou： CAC， 2019： 1893-1898. DOI：10.1109/CAC48633.2019. 8996847 doi: 10.1109/CAC48633.2019. 8996847
18	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780. DOI：10.1162/neco.1997.9.8.1735 doi: 10.1162/neco.1997.9.8.1735
19	CHO K， MERRIËNBOER B VAN， BAHDANAU D， et al. On the properties of neural machine translation： Encoder-decoder approaches［EB/OL］.［2014-10-07］ . DOI：10.48550/arXiv. 1409.1259 doi: 10.48550/arXiv. 1409.1259
20	BILALI A E， TALEB A， BROUZIYNE Y. Groundwater quality forecasting using machine learning algorithms for irrigation purposes［J］. Agricultural Water Management， 2021， 245： 106625. DOI：10.1016/j.agwat.2020.106625 doi: 10.1016/j.agwat.2020.106625
21	刘世存，杨薇，田凯，等. 基于多层全连接神经网络的白洋淀水质预测［J］. 农业环境科学学报， 2020， 39（6）： 1283-1292. DOI：10.11654/jaes.2020-0288 LIU S C， YANG W， TIAN K， et al. Water quality forecasting based on multilayer fully connected neural network for Baiyangdian Lake［J］. Journal of Agro-Environment Science， 2020， 39（6）： 1283-1292. DOI：10.11654/jaes.2020-0288 doi: 10.11654/jaes.2020-0288

[1]	郭伟强. 用人工神经网络方法解析色谱重叠峰[J]. 浙江大学学报（理学版）, 1998, 25(3): 62-65.

Viewed

Full text

Abstract

Cited

Shared

Discussed