-
题名基于深度学习的地表水总磷浓度预测模型研究
- 1
-
-
作者
黎如昊
严惠华
周泉
-
机构
广东省生态环境监测中心
生态环境部华南环境科学研究所河口与海岸生态环境研究中心
-
出处
《环境监控与预警》
2025年第2期41-50,共10页
-
基金
热带海洋环境国家重点实验室(中国科学院南海海洋研究所)开放课题(LTO2221)。
-
文摘
提出一种基于数据稳态调控和深层时序解析的模型(DSC-SDP-TF),专注于解决水质数据的多尺度动态变化和复杂时变特性,从而提高水质数据的长期预测能力。该模型基于Transformer模型,搭建了数据稳态调控模块(DSC),提高模型面对异质数据的稳定性,搭建时序深层解析模块(SDP),提升模型对于多重周期和长期依赖的捕捉能力。基于广东省地表水自动监测网络6个地表水监测站点的水质监测数据,对总磷质量浓度进行预测。结果表明:(1)DSC-SDP-TF模型在6个站点上的1 d滚动预测的平均均方根误差(RMSE)、平均绝对误差(MAE)和平均百分比误差(MAPE)分别为0.005 3 mg/L、0.004 4 mg/L和4.20%,1 d和5 d预测的平均误差均<0.01 mg/L;(2)DSC-SDP-TF模型在6个站点上的5 d滚动预测平均RMSE相比于Transformer模型降低36.66%,MAE降低38.37%,MAPE降低37.08%;(3)对比了数据稳态调控模块和时序深层解析模块对模型性能的贡献,表明这2个模块均有效增加了模型的预测能力。
-
关键词
总磷
多尺度动态变化
复杂时变特性
深度学习
数据稳态调控
时序深层解析
预测模型
-
Keywords
Phosphorus
Multi-scale dynamic changes
Complex temporal variations
Deep learning
Data stabilization control
Sequential deep parsing
Prediction model
Prediction model
-
分类号
X824
[环境科学与工程—环境工程]
-
