基于GCN和TPA混合模型的青草沙水库叶绿素a浓度预测方法

• Published in: 净水技术 Vol. 43; no. 9; pp. 63 - 72
• Main Authors: 彭涛, 张晟, 祁少骏, 张海平
• Format: Journal Article
• Language: Chinese
• Published: 同济大学环境科学与工程学院,上海 200092%自然资源部东海海域海岛中心,上海 200135 2024
• Subjects: 富营养化; 时间模式注意力(TPA); graph convolutional networks(GPN); 叶绿素a(Chl-a); eutrophication; multilayer perceptron; 多层感知机; chlorophyll-a(Chl-a); temporal pattern attention(TPA); 图卷积网络(GPN)
• ISSN: 1009-0177
• DOI: 10.15890/j.cnki.jsjs.2024.09.008

TU991; 青草沙水库是上海重要饮用水水源地,面临较大藻华暴发风险,实现对水库叶绿素a(Chl-a)浓度的准确预测,对于饮用水安全保障至关重要.文章以青草沙水库为对象,提出了一种图卷积时间模式注意力网络混合模型(GC-TPA),首先利用时间模式注意力(TPA)机制学习水质数据的时间依赖性,其次使用图卷积网络(GCN)学习不同水质参数之间的关系.另外,为进一步提高模型的预测精度,引入完全自适应噪声集合经验模态分解(CEEMDAN)以降低模型的滞后性,同时使用多层感知机(MLP)学习Chl-a浓度的突变.结果表明:(1)引入的GCN模块显著增强了 TPA对Chl-a的预测能力,结合CEEMDAN和MLP的帮助,模型性能进一步提升,以纳什效率系数作为评价指标,混合模型的24 h预测精度较单独TPA提升了 56.5％;(2)与单独TPA和长短期记忆网络(LSTM)的对比试验表明,在更长的预测周期(48 h)上,GC-TPA虽然精度下降,但仍表现最好,48 h预测平均绝对误差和均方误差比LSTM低25.5％和24.0％,比TPA低4.92％和8.40％;(3)GCN模块与MLP模块在结果预测中发挥了不同的作用,GCN模块增强了 TPA的特征学习能力,提高了模型对Chl-a浓度变化趋势的预测精度,而MLP则对Chl-a的突变较为敏感.研究所提出的GC-TPA混合模型在青草沙水库Chl-a浓度短期预测中表现良好,可为水库水质管理提供支撑.