| 基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力 |
| |
| 引用本文： | 余镒琦, 陈能汪, 余其彪, 李少斌, 张东站, 瞿帆. 基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力[J]. 环境工程, 2024, 42(1): 223-234. doi: 10.13205/j.hjgc.202401029 |
| |
| 作者姓名： | 余镒琦 陈能汪 余其彪 李少斌 张东站 瞿帆 |
| |
| 作者单位： | 1.厦门大学环境与生态学院福建省海陆界面生态环境重点实验室,福建厦门 361102;2.厦门大学环境与生态学院福建省海陆界面生态环境重点实验室,福建厦门 361102;厦门大学近海海洋环境科学国家重点实验室,福建厦门 361102;3.厦门大学信息学院,福建厦门 361005 |
| |
| 基金项目： | 国家自然科学基金“中国-智利水环境管理比较研究：聚焦气候变化下流域生态与社会经济的可持续性”(51961125203); |
| |
| 摘 要： | 准确预测河流水质变化是流域水环境管理的重要基础.目前常用的基于数据驱动的深度学习模型依赖大量的监测数据训练,然而很多河流数据缺乏,无法满足水质预测精度要求.提出 了 一种基于极端梯度提升模型(XGBoost)的迁移条件选择方法,利用全国河流自动监测站点的水质参数(水温、pH、溶解氧、总氮)数据集,研究建立长短期记忆神经网络(LSTM)模型库,通过迁移学习条件的优化,提升LSTM模型的预测能力.结果表明:1)采用不同源域和迁移方式训练出的模型,其预测精度有很大差异;2)基于XGBoost模型选择最佳迁移条件,迁移模型的预测误差(RMSE)降低了 9.6％～28.9％,LSTM模型预测精度明显提升;3)选取合适的迁移方式、选用性质接近的源域数据、增加训练数据量均可以提升迁移模型的预测精度.该建模方法可应用于实测数据少的河流水质预测,为流域水环境精细化管理提供技术支持.
|
| 关 键 词： | 水质预测 LSTM模型 迁移学习 XGBoost模型 |
| 收稿时间： | 2023-04-26 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《环境工程》浏览原始摘要信息 |
|
点击此处可从《环境工程》下载全文 |
|
