Ein praktisches zeitliches Transfer-Lernmodell zur Vorhersage des mehrstufigen Wasserqualitätsindex unter Verwendung eines mit CNN gekoppelten dualen LSTM-Netzwerks

Klangfluss, Malaysia. Diese Studie präsentiert ein Rahmenwerk zur Vorhersage des mehrstufigen Wasserqualitätsindex (WQI) im Klangfluss, um persistente Herausforderungen wie fehlende Daten und saisonal variable hydrologische Muster anzugehen. Eine hybride Deep-Learning-Architektur wurde entwickelt, indem ein 1d-Convolutional Neural Network (CNN) mit einem dualen Long Short-Term Memory (LSTM) Netzwerk kombiniert wurde, um langfristige hydrologische Erinnerungen und standortspezifische zeitliche Variabilität zu erfassen. Um die Anpassungsfähigkeit in datenarmen Umgebungen zu verbessern, integriert die Architektur Transfer Learning, wodurch Wissen aus historischen Wasserqualitätsdaten (WQ) effektiv auf aktuelle Bedingungen zur robusten Vorhersage angewendet werden kann. WQ-Zeitserien sind oft unvollständig und weisen nichtlineare Abhängigkeiten auf, was erhebliche Herausforderungen für die genaue Vorhersage des WQI darstellt. Das CNN-LSTM-Modell extrahiert effektiv Inter-Parameter-Merkmale und lernt zeitliche Muster, wodurch eine starke Leistung bei der Vorhersage von fünf Schritten im Voraus erreicht wird. Trotz Herausforderungen wie fehlenden Daten und nicht-stationären WQ-Mustern überträgt und verfeinert der duale LSTM-Tuning-Ansatz effektiv Wissen aus historischen Aufzeichnungen, um die Vorhersagegenauigkeit über verschiedene zeitliche Bereiche hinweg zu verbessern. Das Modell hält eine MAPE von unter 5 % und KGE-Werte zwischen 0,36 und 0,67 aufrecht, was eine robuste Leistung bei der mehrstufigen WQI-Vorhersage zeigt. Diese Ergebnisse unterstreichen sein Potenzial, regionale WQ-Bewertungen zu unterstützen, indem saisonale Flussdynamiken und Schadstofftransporte in tropischen Monsun-Einzugsgebieten erfasst werden, wodurch die Rolle des WQI in der Flussklassifikation und im Wassermanagement, insbesondere unter datenarmen Bedingungen, verstärkt wird. • Ein indirekter Vorhersageansatz zur WQI-Vorhersage. • Mehrstufige WQI-Vorhersage basierend auf mehreren WQ-Zeitserien. • Eine duale LSTM-Tuning-Strategie wurde für den temporalen Transfer des Modells vorgeschlagen. • Ein Modell mit selbstanpassender Fähigkeit im Umgang mit unvollständigen WQ-Datensätzen.