Developing a real-time water quality simulation toolbox using machine learning and application programming interface

Gi-Hun Bang

doi:10.1016/j.jenvman.2025.124719

2025-03-01

PRE

DOI：10.1016/j.jenvman.2025.124719

原文链接

原文求助

摘要

En 中文

河流对于维持人类生命至关重要，因为它们促进社会发展、提供饮用水、维持水生生态系统，并提供娱乐空间。然而，大多数河流正日益受到来自非点源污染、城市化及其他来源的污染物的污染。因此，实时河流水质建模对于管理和保护河流免受污染至关重要，其在公共卫生、农业和水质处理系统等各领域的意义日益增长。为此，本研究利用机器学习（ML）和应用程序接口（API）开发了一个实时河流水质模拟工具箱。为创建该工具箱，构建了模拟 Nakdong River 各点水质参数（如叶绿素 a（Chla）、溶解氧（DO）、总氮（TN）、总有机碳（TOC）和总磷（TP））的模型。这些模型采用人工神经网络（ANN）、随机森林（RF）、支持向量机（SVM）以及 API 数据构建。随后，通过超参数优化来提升模型性能。在训练过程中，基于数据采样方法和 ML 算法对模型性能进行评估和比较。采用随机采样数据训练的模型优于采用时间序列数据训练的模型。在采用随机采样数据的算法模型中，RF 表现最佳。使用 RF 对随机采样数据进行水质模拟时，DO、TN、TP、Chl-a 和 TOC 的平均决定系数（R2）值分别为 0.79、0.65、0.74、0.45 和 0.48。对于 ANN，这些值分别为 0.7、0.51、0.64、0.35 和 0.35；对于 SVM，则分别为 0.73、0.51、0.59、0.21 和 0.3。Chl-a 和 TOC 模型表现相对较差，而 DO、TN 和 TP 模型则表现出更优性能。为改善 Chl-a 和 TOC 模型的性能，有必要多样化输入数据变量。通过敏感性和不确定性分析来评估并提升对模型的理解。此外，通过图形用户界面（GUI）工具箱，最大化提升了用户便利性。

Keyword:

Application programming interface

Graphic user interface

Machine learning

Water quality simulation

Sensitivity analysis

Uncertainty analysis