基于双层数据分解混合模型预测鄱阳湖COD

摘要：

化学需氧量(Chemical Oxygen Demand,COD)是衡量水质状况的最重要参数之一,反映水体受还原性物质污染的程度.该研究采用改进的完全集合经验模式分解(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,ICEEMDAN)、变分模式分解(Variational Mode Decomposition,VMD)相结合的双层数据分解算法,并利用双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)神经网络,提出了一种混合模型IVB(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise-Variational Mode Decomposition-Bidirectional Long Short-term Memory),并以鄱阳湖高锰酸盐指数(Permanganate index,CODMn)监测数据为研究对象,进行案例研究.结果表明,IVB模型具有良好的预测性能:1 d以后的CODMn预测中,IVB模型的平均绝对百分比误差为2.21％,与单一BLSTM神经网络模型相比降低了10.57个百分点,而与IB(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise-Bidirectional Long Short-term Memory)模型相比降低了4.62个百分点;7 d以后的CODMn预测中,IVB模型的平均绝对百分比误差为8.18％,与单一BLSTM神经网络模型相比降低了16.34个百分点,而与IB模型相比降低了4.68个百分点.这项研究表明,所开发的IVB模型可以用作水资源管理的有效分析与决策工具.

关键词：水质、机器学习、COD、数据分解、样本熵(SE)

所属期刊栏目：38

分类号：X52(水体污染及其防治)

资助基金：国家自然科学基金;天津市高校科研创新团队培训计划;天津市科技计划项目;天津市科技计划项目

在线出版日期：2022-06-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：296-302