基于复合神经网络的多元水质指标预测模型
| 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） 作者：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
网络链接：https://www.zjujournals.com/sci/article/2022/1008-9497/1008-9497-2022-49-3-354.shtml
|