基于双层数据分解混合模型预测鄱阳湖COD

来源：农业工程学报杂志2022年第5期北京时间：

作者：陈伟,金柱成,俞真元,王晓丽,彭士涛,朱哲,魏燕杰,

摘要：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（Improved Complete Ensemble Empirical Mode Decomposition With 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（Bidirectional Long Short-term Memory, 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：1 d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 (Improved Complete Ensemble Empirical Mode Decomposition 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。

关键词：水质, 机器学习, COD, 数据分解, 样本熵（SE）