A deep complementary learning framework for surface water temperature forecasting

Mehdi Jamei

doi:10.1038/s41598-026-49238-z

A deep complementary learning framework for surface water temperature forecasting

2026-05-12

0

OA

AI

Aitazaz Ahsan Farooque *

Z

Zaher Mundher Yaseen

DOI：10.1038/s41598-026-49238-z

原文链接

查看原文

摘要

En 中文

水温在塑造河流生态系统方面发挥着关键作用，对多种水质参数产生显著影响。然而，由于水文时间序列的非平稳和非线性特征，准确预测多时间尺度日数据仍具挑战性。为解决这些挑战，本研究提出了一种新型深度学习框架，将递归特征消除（RFE）与多变量变分模态分解（MVMD）相结合，该多通道分解方案能提取多个相关变量中的有意义子信号。分解后的特征通过整合双向门控循环单元（BIGRU）的Elman神经网络进行处理，以捕捉双向和反馈驱动的时序动态。该模型应用于美国西部的范诺溪和麦肯齐河，在动态变化的水文条件下展现出卓越的预测性能。RFE从2017-2021年的五年数据中筛选出关键输入变量（流量、pH值、电导率、溶解氧）。MVMD多通道方案将输入滞后分解为各预测时长的子序列。主模型（MVMD-ELMAN-BIGRU）通过弹性网络（ELNET）回归和耦合BIGRU的卷积神经网络（CNN-BIGRU）作为对比机器学习模型进行验证。评估方法包括统计指标、脆弱性评估和诊断可视化。此外，为合理评价模型，采用了一种新型多准则决策方法（MCDM），即基于比率分析的多目标优化方法（MOORA），以整合各场景下的指标表现。结果表明，对于范诺溪（T+1:0.1096; T+3: 0.0096; T+7: 0.0478）和麦肯齐河（T+1:0.00; T+3: 0.0296; T+7: 0.0932）的最小MOORA值，MVMD-ELMAN-BIGRU模型分别优于MVMD-CNN-BIGRU和MVMD-ELNET模型。该方法为多时间尺度水温预测提供了有前景的解决方案，这对有效管理河流生态系统和水资源至关重要。

Keyword:

Water temperature forecasting

Deep learning framework

Multivariate Variational Mode Decomposition

Elman neural network

Bidirectional Gated Recurrent Unit

A deep complementary learning framework for surface water temperature forecasting

摘要

AI总结

期刊

机构

引用论文