基于双层数据分解混合模型预测鄱阳湖COD

作者：陈伟; 金柱成; 俞真元; 王晓丽^*; 彭士涛; 朱哲; 魏燕杰

来源：农业工程学报, 2022, 38(05): 296-302.

• 水质
• 机器学习
• COD
• 数据分解
• 样本熵(SE)

化学需氧量(Chemical Oxygen Demand, COD)是衡量水质状况的最重要参数之一，反映水体受还原性物质污染的程度。该研究采用改进的完全集合经验模式分解(ImprovedCompleteEnsembleEmpiricalModeDecompositionWith Adaptive Noise, ICEEMDAN)、变分模式分解(Variational Mode Decomposition, VMD)相结合的双层数据分解算法，并利用双向长短期记忆(BidirectionalLongShort-termMemory,BLSTM)神经网络，提出了一种混合模型IVB(Improved Complete Ensemble Empirical Mode Decomposition With Adaptive Noise-Variational Mode Decomposition-Bidirectional Long Short-term Memory)，并以鄱阳湖高锰酸盐指数(Permanganate index, CODMn)监测数据为研究对象，进行案例研究。结果表明，IVB模型具有良好的预测性能：1d以后的CODMn预测中，IVB模型的平均绝对百分比误差为2.21%，与单一BLSTM神经网络模型相比降低了10.57个百分点，而与IB(ImprovedCompleteEnsembleEmpiricalModeDecomposition With Adaptive Noise-Bidirectional Long Short-term Memory)模型相比降低了4.62个百分点；7 d以后的CODMn预测中，IVB模型的平均绝对百分比误差为8.18%，与单一BLSTM神经网络模型相比降低了16.34个百分点，而与IB模型相比降低了4.68个百分点。这项研究表明，所开发的IVB模型可以用作水资源管理的有效分析与决策工具。

• 单位
  天津理工大学; 交通运输部天津水运工程科学研究所