基于不同人工神经网络的水质预测方法对比

来源：环境科学杂志2024年第1期北京时间：

作者：肖明君,朱逸纯,高雯媛,曾钰,李濠,陈硕夫,刘萍,黄红丽

单位：湖南农业大学环境与生态学院, 长沙 410128,湖南农业大学环境与生态学院, 长沙 410128,湖南省生态环境监测中心, 长沙 410000,湖南省生态环境监测中心, 长沙 410000,湖南省生态环境监测中心, 长沙 410000,湖南农业大学环境与生态学院, 长沙 410128,湖南农业大学环境与生态学院, 长沙 410128,湖南农业大学环境与生态学院, 长沙 410128

摘要：利用现有水质数据对未来水质变化进行预测是实现区域规划与流域管理的有效工具．基于2022年4月至2022年5月湘江流域衡阳段水质监测数据,构建了反向传播神经网络（BPNN）与卷积神经网络（CNN）水质指标预测模型,并对高锰酸盐指数的预测结果进行了比较分析．数据显示,BPNN模型的预测值与真实水质情况基本吻合,但在拟合过程中出现了过拟合现象,利用粒子群算法（PSO）改进BPNN模型的参数选择方式,能够避免这一现象．而CNN模型拥有更复杂的结构、更科学的拟合方法,从而避免了模型在拟合过程中陷入局部极值,同时提高了模型预测结果的准确性．以不同模型的均方根误差（RMSE）、决定系数（R2）与平均绝对误差（MAE）作为评价参数,与传统的BPNN模型相比,PSO-BPNN模型中测试集的RMSE从0.278 2 mg·L-1降低到0.210 9 mg·L-1,MAE从0.222 3 mg·L-1降低到0.153 7 mg·L-1,R2从0.864 0提高到0.921 8,PSO-BPNN模型拥有更加稳定的拟合效果．CNN模型测试集的RMSE、MAE和R2分别为0.122 0 mg·L-1、0.092 7 mg·L-1和0.970 5,显示CNN模型预测效果更好．

关键词：湘江流域,水质预测,机器学习,人工神经网络,模型性能,