基于RF-LSTM的地表水体水质预测

水质预测是水污染防治的重要一环,为提高水质预测的精度,研究随机森林算法(RF)与长短时记忆神经网络(LSTM)相结合的预测方法.以桃林口水库水质监测数据为例,采用RF算法分别筛选出影响高锰酸盐指数(CODMn)、氨氮(NH3—N)、总氮(TN)和总磷(TP)浓度变化的关键特征,在此基础上构建基于RF-LSTM的水质预测...     

基于LSTM模型的宁蒙河段封河时间预测研究

为解决目前使用的封河时间预测模型输入参数多、边界条件要求高以及长预见期预测精度较差等问题,采用长短时记忆(LSTM)循环神经网络模型方法,对黄河宁蒙河段封河时间进行预测.结果表明:在非极端天气条件下,LSTM模型的预报精度满足水情预报的要求,该模型的预见期和预测精度优于传统预报模型,对运行条件和边界条件的要求远低于现有...     

立面二维水质模型预测小浪底出库水质研究

针对小浪底水库下半段库区出现水质水温分层现象,建立基于标准k-ε紊流双方程的立面二维水质模型对小浪底出库水质进行了预测。通过示踪试验确定水质模型的参数,并将氨氮含量作为预测水质参数,采用实测数据对模型进行了验证,结果表明:小浪底坝下段氨氮含量预测值与实测值相比较平均相对误差为12%,坝前断面垂向氨氮含量预测值与实测值相比平均相对误差为17%,表明该水质模型可以较准确预测小浪底出库水质。应用该模型预测2013—2014年度黄河调水期小浪底出库水质表明:2014年3月10日小浪底出库水氨氮含量将达到1.20 mg/L(超标),应从3月1日开始加大陆浑水库、故县水库闸门开启度,进行稀释调度,以确保调水水质不超标。     

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明：VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R²(确定系数)提高,其MAE、RMSE、R²分别为0.055 3、0.071 7、0.935 1;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。     

人工神经网络模型在黄河水质预测中的应用

采用画匠营子断面2004-2009年逐周水质指标资料作为神经网络模型的训练样本,对BP神经网络进行训练,分别建立了pH值、溶解氧、氨氮、高锰酸盐指数的预测模型.为了验证模型的正确性,利用训练好的神经网络模型,采用调整后的权值和阈值,将2010年的数据作为独立样本进行预测检验.结果表明:基于BP神经网络的水质指标预测模型收敛速度快,对训练样本具有很好的拟合能力,且对检验样本的预测精度较高.     

多元回归分析在黄河水质预测中的应用

为提高黄河水质预测精度和实用性,应用多元回归分析法,根据上游潼关断面、区间入河主要支流和排污口的水量、水质,预测了三门峡断面COD浓度。结果表明:在样本容量有限的条件下,多元回归分析法用于黄河干流潼关至三门峡段河道水质预测,相对误差为2%~35%,平均相对误差为18%;监测数据的同步性以及样本容量是模型预测精度进一步提高的关键。     

基于神经网络的基坑紧邻环境多因素预测

随着高层建筑的增多与地下空间的大范围开发,基坑工程不断增加的深度与规模都对紧邻环境造成了巨大挑战,而有效预测能提前发现工程的安全隐患。为了预测深基坑工程开挖时地表沉降、地铁结构位移、坑外土体测斜三类紧邻环境的监测数据,同时降低数据在获取过程中受到的噪声影响,提出了小波分析－长短时记忆神经网络（ＷＡ-ＬＳＴＭ）模型。该模型使用排列熵算法选择最优预测天数,同时以皮尔逊相关性分析结果为依据选用不同的输入组合,考虑了输入项之间的相关性大小。实验使用上海徐家汇中心深基坑工程的监测数据进行验证,结果表明,ＷＡ-ＬＳＴＭ（双因素）模型对原数据的趋势性上还原程度较高,是一种高精度、高时效、更符合理论变化趋势的环境预测模型。     

基于1D CNN-LSTM模型的红旗水库水位序列模拟

为了提升水库水位模拟的精度,通过1D CNN-LSTM模型与五种常用的机器学习模型对安徽省红旗水库历史水位数据和降雨量数据实现未来7天的水位模拟并进行对比验证。CNN和LSTM能够表现出比较好的模拟性能,结合两种模型的优势能够更加显著的提升模型的模拟效果;1D CNN-LSTM具有较高鲁棒性,对于未来3天以内水位模拟都有较好的预测效果和精度,虽然3天以后的模拟效果有明显下降,但对未来第7天的模拟NSE和KGE依然能够达到0.8以上,在不发生极端天气的情况下,模型对于水位趋势的模拟依然具有相当的参考价值。1D CNN-LSTM模型对于红旗水库的水位模拟优于其他五种传统的机器学习模型,并具有相当高的精度。     

RNN与LSTM方法用于滑坡位移动态预测的研究

良好的滑坡位移预测是实施滑坡灾害预警的重要组成部分。受限于滑坡位移演化的非线性动态特性,传统的预测方法中普遍存在对历史数据遗忘,致使预测精度不高的问题。为此,提出了一种深度学习的滑坡位移预测方法,分别建立了循环神经网络(Recurrent Neural Network, RNN)和长短时记忆网络(Long Short Term Memory Network, LSTM)2种位移动态预测模型进行比对。以新滩滑坡工程为例,采用"流转训练"的方式,并选取多个监测点位移变化进行动态预测。结果表明,在误差函数满足期望精度时,LSTM模型具有更高的预测精度,且各项评价指标也表明LSTM模型的预测总体效果更优。     

内嵌神经网络的不确定水质模型研究

不确定水质模型研究是提高和认识水环境中各种不确定性因素常用的手段，目前水质不确定模型主要是增加一个外部观测量，通过对观测结果的回归分析或滤波来分析不确定性因素的影响。本文将神经网络内嵌到水质模型中，构成一个具有学习功能的不确定性水质模型，此模型能从内部感知各种不确定性因素的变化，实践证明此模型在对具有不确定性污染物排放的预测上具有较高精度。     

基于权重修正和DRSN-LSTM模型的向家坝下游水位多时间尺度预测

为从大量水位影响因子中提取重要特征实现水位的高效、精准预测,提出改进的深度残差收缩网络与长短时记忆网络的混合模型用于多时间尺度水位预测。选取水位、流量、电站出力等数据拟合为高维特征输入的形式便于网络提取水位变化的动态特征。利用新的半软阈值函数消除深度残差收缩网络的恒定偏差并降低水文数据中的噪声干扰。根据预测误差,采用新构建的误差权重修正函数配合交叉熵函数对水位影响因子进行权重修正。阿基米德优化算法被用于调整长短时记忆网络的参数。将新模型应用于向家坝水电站下游水位的多时间尺度预测,结果表明,该方法的预测精度比现有CNN-LSTM、SVR等模型分别提高47%、61%,预测效率分别提高57%、20%,其短期、中期和长期的最大预测误差为0.09 m、0.14 m、0.31 m,证明模型在多时间尺度的水位预测中取得良好的精度和效率。此外,考虑支流流量后的预测误差最高可降低0.03m,证明模型对回水顶托等复杂水文的适应性,研究成果为洪水预测和城市雨洪预警提供新思路。     

黄河包头段水质状况短期预测

包头市是中国重要的重工业基地,也是严重缺水城市,流经包头市南缘的黄河成为包头市可利用的重要地表水源,因此准确地预测黄河包头段地表水污染物浓度及其趋势变化具有重要的理论和现实意义。采用灰色残差辨识法对黄河包头段地表水体建立DO、TB、IMn和NH3-N四项污染指标的水质预测模型,预测结果表明,DO、TB和NH3-N三项污染指标预测结果与实测结果基本吻合,而IMn指标波动性较大,可能是由于不合理放牧及化肥过量使用导致实测值无规律变化造成的,但总的预测变化趋势符合实际情况。     

黄河上游羊曲水库水质预测研究

羊曲水库为峡谷型水库,长宽比较大,可忽略水流在横向和垂向的变化,只考虑纵向变化.在求解一维动态水质模型之前需推求水库水面线,以获得相关水力要素.通过建立一维动态水质模型,模拟了羊曲水库BOD、氨氮浓度的时空分布.得出在50%频率年,库区的BOD值小于3 mg/L、氨氮质量浓度小于0.5 mg/L.     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。     

河流水质模型研究概述

阐述了研究河流水质的意义,对国内外河流水质模型研究进行了概述,在此基础上,探讨了今后河流水质的研究方向。     

基于灰色模型的营口地区水库水质预测研究

结合灰色模型对营口地区水质状况进行预测,并结合采样数据对比模型的适用性。分析结果表明:灰色模型在营口地区水库预测具有较好的适用性,水库总氮、总磷、COD5、及氨氮的预测误差均在30%以内,满足水质预测的精度要求。研究成果对于水库水质预测具有重要的方法参考价值。     

基于氧化塘技术水质模型应用的研究

氧化塘是一种投入小、耗能少、管理费用低的污水处理设施,在许多国家被广泛用于处理城市污水和多种工业废水,并取得了显著的环境效益和社会效益。讨论了氧化塘的净化污水机理和水质变化特点。提出了氧化塘二维水质模型,并探讨了氧化塘水质预测研究的发展趋势。     

基于ARIMA和Prophet的水质预测集成学习模型

将时间序列模型ARIMA和Prophet作为基学习器,结合BP神经网络模型构建了水质预测集成学习模型。选取长江流域某断面2019—2020年的DO、COD_Mn、NH₃-N、TP和TN等5个水质指标的监测数据对该模型的有效性进行了检验,结果表明：5个水质指标集成学习模型预测结果的平均绝对百分比误差比时间序列模型的预测误差分别低35.0%、29.9%、4.1%、40.6%和17.1%,模型预测值和监测值的皮尔逊相关系数大于0.8。集成学习模型预测精度高于单一模型,可以更精确地进行水质预测。     

基于葠窝水库的水质预测研究

文章以葠窝水库为例,对其水质状况利用灰色模型预测,并结合采样数据验证了模型的精准度与可行性.结果表明:在水质预测过程中灰色模型表现出较强的可行性,对氨氮、COD5、总磷及总氮的预测误差均不超过30％,该模型能够客观、准确的反映葠窝水库水质状况,为库区水环境保护及水资源管理提供科学依据.