.png){kind=icon}
返回
An Optimization-Focused Comparative Framework for Machine Learning-Based Suspended Sediment Load Modeling
.png){kind=icon}
OA
AI
DOI：10.1007/s00024-026-03973-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
古克苏河流域城市化加剧了泥沙向古克苏三角洲的运移。研究采用水文学气象数据评估了包括混合和深度学习系统在内的机器学习技术用于悬移质泥沙负荷（SSL）预测。通过实施自适应矩估计（ADAM）、序列最小优化（SMO）和水循环算法（WCA），对包括反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）和支持向量机（SVM）在内的传统模型进行了优化算法改进，提升了模型精度和开发速度。BPNN_ADAM混合模型表现优于其他所有方法，因其达到了更优的R²、调整后R²、纳什-斯utcliffe效率（NSE）、RMSE-观测标准差比（RSR）和归一化均方根误差（NRMSE）结果，导致平均绝对误差（MAE）低至0.09。BPNN_WCA混合系统在所有测试指标上均表现出一致的性能，这些指标同时衡量了误差和运行效率。深度学习模型长短期记忆网络（LSTM）和双向长短期记忆网络（Bi-LSTM）在单变量和多变量测试模式下均取得了卓越的预测性能，R²值接近0.99。深度学习模型（LSTM/Bi-LSTM）的NRMSE值为8-12%，其次是优化混合模型如BPNN_ADAM和BPNN_WCA，其NRMSE值为35-50%。相比之下，独立机器学习模型如SVM显示出显著更高的误差，NRMSE值超过60-90%。研究表明，时间滞后的水文和泥沙变量在提高SSL预测精度的同时，也捕捉了流域系统的记忆效应。
Keyword:
Stochastic gradient descent
deep learning
backpropagation neural network
optimization algorithms
radial basis function neural network
期刊
P
IF:
1.9
论文数:
163
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
THE PROBLEM OF ENVIRONMENTAL POLLUTION IN THE MEDITERRANEAN SEA ALONG THE COAST OF TURKEY土耳其沿岸地中海海域的环境污染问题OAAI
OAAI分享收藏
查看更多内容