返回
Surface water quality classification and prediction model based on multiple machine learning algorithms
DOI:10.1038/s41598-025-23775-5.png)
摘要
En 中文
在全球水资源短缺日益加剧和突出的水污染问题背景下,精确的水质评估与预测对水资源管理至关重要。针对传统方法在多参数协同分析、类别不平衡处理和非线性拟合方面的不足,本研究聚焦中国黑龙江省,构建了包含“数据预处理—特征降维—模型优化”的多参数流域水质等级预测系统,并结合主成分分析(PCA)、C4.5决策树、反向传播(BP)神经网络、卷积神经网络(CNN)及长短期记忆(LSTM)网络进行研究。研究于2023年5月至10月期间,从该区域23个监测站收集了31,289个样本。通过SMOTE过采样平衡数据并利用PCA降维保留信息后,将数据输入四个模型。结果表明,PCA-C4.5的总准确率为87.26%,但在识别小样本方面表现较弱,而PCA-BP的总准确率最高,达到94.52%。PCA-CNN(93.27%)擅长捕捉局部特征,PCA-LSTM(93.42%)则擅长捕捉时间模式。本研究证实了比较和优化多种算法(包括C4.5决策树、BP神经网络、CNN及与PCA降维结合的LSTM)的可行性,为流域监测提供了新方法。未来研究可引入注意力机制或多源数据以提升模型性能。
Keyword:
Water quality prediction
Principal component analysis
Long and short-term memory
BP neural network
C4.5 decision tree
Convolutional neural network
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
Global water shortage and potable water safety; Today's concern and tomorrow's crisis全球水资源短缺和饮用水安全: 今天的关注和明天的危机
Prediction model of drinking water source quality with potential industrial-agricultural pollution based on CNN-GRU-Attention基于cnn-gru-注意力的含潜在工农业污染饮用水源地水质预测模型
JOURNAL OF HYDROLOGY
IF6.3
IoT-Enabled Chlorine Level Assessment and Prediction in Water Monitoring System Using Machine Learning
Electronics
IF0
Performance Evaluation of Support Vector Regression Machine Models in Water Level Forecasting支持向量回归机模型在水位预测中的性能评估
Islam, M.S.; Yin, H.; Rahman, M. Long-term trend prediction of surface water quality of two main river basins of China using Machine Learning Method. Procedia Comput. Sci. 2024, 236, 257–264. [Google Scholar] [CrossRef]Islam, M.S.; Yin, H.; Rahman, M. 使用机器学习方法预测中国两大主要河流流域的长期地表水质趋势。Procedia Comput. Sci. 2024, 236, 257–264. [Google Scholar] [CrossRef]
Analysis of Water Quality Prediction in the Yangtze River Delta under the River Chief System
SUSTAINABILITY
IF3.3

