Previsão do Nível da Água e da Qualidade da Água Usando uma Abordagem Combinada de Aprendizado Profundo CNN-LSTM

Uma Rede Neural Convolucional (CNN) - Memória de Longo e Curto Prazo (LSTM) combinada com uma abordagem de aprendizado profundo foi criada ao combinar as redes CNN e LSTM para simular a qualidade da água, incluindo nitrogênio total, fósforo total e carbono orgânico total. Dados de nível da água e qualidade da água na bacia do rio Nakdong foram coletados do Sistema de Informações de Gestão de Recursos Hídricos (WAMIS) e da Informação em Tempo Real sobre a Qualidade da Água, respectivamente. A imagem do radar de precipitação e as informações de operação da barragem de estuário também foram coletadas da Administração Meteorológica da Coreia. Neste estudo, a CNN foi usada para simular o nível da água e a LSTM foi utilizada para a qualidade da água. O período total de simulação foi de 1 de janeiro de 2016 a 16 de novembro de 2017, dividido em duas partes: (1) calibração (1 de janeiro de 2016 a 1 de março de 2017); e (2) validação (2 de março de 2017 a 16 de novembro de 2017). Este estudo revelou que o desempenho tanto dos modelos CNN quanto LSTM estava na faixa de “muito bom”, com um valor de eficiência de Nash-Sutcliffe acima de 0,75, e que esses modelos representaram bem as variações temporais dos poluentes na bacia do rio Nakdong (NRB). Conclui-se que a abordagem proposta neste estudo pode ser útil para simular com precisão o nível da água e a qualidade da água.