Um modelo prático de transferência de aprendizado temporal para previsão do índice de qualidade da água em múltiplas etapas usando uma rede LSTM de dupla via acoplada a CNN

Rio Klang, Malásia. Este estudo apresenta uma estrutura de previsão do índice de qualidade da água (WQI) para múltiplas etapas no rio Klang para enfrentar desafios persistentes, como dados ausentes e padrões hidrológicos variáveis sazonalmente. Uma arquitetura híbrida de aprendizado profundo foi desenvolvida ao combinar uma Rede Neural Convolucional 1d (CNN) com uma rede Long Short-Term Memory (LSTM) de dupla via para capturar a memória hidrológica de longo prazo e a variabilidade temporal específica do local. Para aumentar a adaptabilidade em ambientes com escassez de dados, a arquitetura incorpora aprendizado por transferência, permitindo que o conhecimento dos dados históricos de qualidade da água (WQ) seja aplicado de forma eficaz às condições atuais para previsões robustas. Séries temporais de WQ são frequentemente incompletas e exibem interdependências não-lineares, o que apresenta desafios significativos para previsões precisas do WQI. O modelo CNN-LSTM extrai efetivamente características interparâmetro e aprende padrões temporais, alcançando um forte desempenho em previsões de cinco etapas à frente. Apesar de desafios como dados ausentes e padrões de WQ não estacionários, a abordagem de ajuste da LSTM de dupla via transfere e refina efetivamente o conhecimento de registros históricos para melhorar a precisão da previsão em diferentes domínios temporais. O modelo mantém um MAPE abaixo de 5% e valores de KGE entre 0,36 e 0,67, demonstrando um desempenho robusto na previsão do WQI em múltiplas etapas. Esses resultados destacam seu potencial para apoiar avaliações regionais de WQ, capturando dinâmicas de fluxo sazonal e transportes de poluentes em bacias tropicais de monção, reforçando assim o papel do WQI na classificação de rios e na gestão da água, especialmente sob condições de escassez de dados. • Uma abordagem de previsão indireta para a previsão do WQI. • Previsão do WQI para múltiplas etapas com base em várias séries de WQ. • Uma estratégia de ajuste da LSTM de dupla via foi proposta para a transferência temporal do modelo. • Um modelo com capacidade de auto-adaptação para lidar com conjuntos de dados de WQ incompletos.