关键词:
溶解氧
双向长短期记忆网络机
特征优选
仿生优化算法
耦合模型
摘要:
河流水体中溶解氧骤增或耗竭均会引发系列环境污染、物种多样性破坏等问题,准确预测河流溶解氧(DO)浓度对河流水环境治理具有重要意义。为提高模型输入特征的可解释性及模型精度,获取河流DO浓度最优预测模型,研究利用黄河流域山西境内水质监测站点数据,以双向长短期记忆网络(BiLSTM)为基础,结合卷积神经网络模型(CNN)和注意力机制(Attention Mechanism),基于随机森林模型(RF)进行特征优选,建立RF-CNN-BiLSTM-Attention(RF-CBA)模型,进一步利用吸血水蛭优化算法(BSLO)、黑翅鸢优化算法(BKA)、白鲨优化算法(WSO)等仿生优化算法,构建了BSLO-RF-CBA、BKA-RF-CBA、WSO-RF-CBA共3种优化模型,并与深度学习中CNN-A、LSTM-A、BiLSTM-A、CBA、RF-CBA模型对比,分析得到河流溶解氧预测结果,以平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)、决定系数(R2)、全绩效指标(GPI)和相对误差(MAPE)评价不同模型精度,结果表明:(1)RF模型通过对影响河流DO特征值进行排序、筛选,可消除冗余特征对水质预测模型的影响,提高预测精度。(2)利用仿生算法优化RF-CBA模型的神经元数量、学习率、正则化系数等参数,模型模拟精度进一步提升,总体上捕捉到了DO波动的时间序列特征,模型表现出强稳定性和泛化能力。(3)BSLO-RF-CBA模型模拟精度最高,对DO变化捕捉能力突出,具有更强的捕获全局依赖关系的能力,推荐用于河流溶解氧预测模型。该模型具备扩展至不同河流溶解氧等污染物浓度预测的能力,为河流水体污染预警与系统化管理提供技术支撑。