一种针对河道水质模拟的特征时序混合模型

摘要

随着科学技术的发展，重点流域已经构建了众多的水质与气象在线监测站点。由于长时序水质与气象数据的获取，河流水污染的模拟与预测，已经具备了被深度学习模型训练的基础。因此，提出了一种基于多模式混合的特征提取与时序预测模型。通过VGG（视觉几何组）提取水质的变化特征，同时结合GRU（门控循环单元）对时序性数据进行训练，以模拟在真实气象条件下的水污染变化过程。针对国际知名生态旅游区——漓江流域的河道污染进行研究，采用47个站点的水质与气象在线监测数据，对模型进行了实际应用评估。在不同的时间间隔内，将模型实验结果与多种先进的方法进行了比较。实验结果表明，该模型能有效地提高水质预测的准确率，相比其他2种模型，其预测值的平均绝对误差、均方根误差和平均绝对百分误差分别提高了8.6%、13.8%和13.7%。该模型对极值的预测更为准确，且具有较好的适用性。

关键词

水质预测 / 卷积神经网络 / RNN / 漓江流域 / 特征提取

基金资助

广西自然科学基金(2021JJA170096); 广西重点研发计划(AB21196063); 桂林电子科技大学大学生创新创业训练计划(202010595031)