为准确评估监测条件有限的平原河网小流域河水水质演变趋势,预知水质变化情况,利用浙江省台州市南官河2021年6月至2023年6月的水质监测数据,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和双向长短期记忆神经网络(bi-direc...为准确评估监测条件有限的平原河网小流域河水水质演变趋势,预知水质变化情况,利用浙江省台州市南官河2021年6月至2023年6月的水质监测数据,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和双向长短期记忆神经网络(bi-directional long short-term memory,BiLSTM)建立了地表水水质预测模型。利用箱线图和Spearman秩相关系数挖掘水质的时空分布规律,划定中间河段4个站点为重点研究区域,NH3—N和TP为治理重点。通过BOA和双向信息传递机制优化LSTM超参数和模型结构,结果显示,用BOA-BiLSTM模型预测,未来4 h NH_(3)—N浓度的均方根误差(root mean squared error,RMSE)分别为0.2132,0.3689,0.3327和0.3740;未来4 h TP浓度的RMSE分别为0.0246,0.0321,0.0422和0.0334。二者较基准LSTM模型的预测结果分别提升了15.8%,10.6%,10.6%,17.1%和22.6%,3.6%,14.8%,11.8%。以磨石桥NH_(3)—N浓度为例,对比了时序预测与加入上下游数据后的多变量预测结果,发现时序预测对监测参数较少的平原河网具有更强的适用性和更高的预测精度。同时结合研究区域现场勘查和地块分类情况,指出生活源、污水收集及处理设施不完善、雨污合流应为整治重点。当监测参数有限时,本文模型有助于提升对水质异常的监管水平,为环境执法、水环境治理提供数据支撑。展开更多
文摘为准确评估监测条件有限的平原河网小流域河水水质演变趋势,预知水质变化情况,利用浙江省台州市南官河2021年6月至2023年6月的水质监测数据,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)和双向长短期记忆神经网络(bi-directional long short-term memory,BiLSTM)建立了地表水水质预测模型。利用箱线图和Spearman秩相关系数挖掘水质的时空分布规律,划定中间河段4个站点为重点研究区域,NH3—N和TP为治理重点。通过BOA和双向信息传递机制优化LSTM超参数和模型结构,结果显示,用BOA-BiLSTM模型预测,未来4 h NH_(3)—N浓度的均方根误差(root mean squared error,RMSE)分别为0.2132,0.3689,0.3327和0.3740;未来4 h TP浓度的RMSE分别为0.0246,0.0321,0.0422和0.0334。二者较基准LSTM模型的预测结果分别提升了15.8%,10.6%,10.6%,17.1%和22.6%,3.6%,14.8%,11.8%。以磨石桥NH_(3)—N浓度为例,对比了时序预测与加入上下游数据后的多变量预测结果,发现时序预测对监测参数较少的平原河网具有更强的适用性和更高的预测精度。同时结合研究区域现场勘查和地块分类情况,指出生活源、污水收集及处理设施不完善、雨污合流应为整治重点。当监测参数有限时,本文模型有助于提升对水质异常的监管水平,为环境执法、水环境治理提供数据支撑。
