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
|