基于深度学习的水质预测方法研究及监测系统设计.pdfVIP

摘要

水资源是维系生态平衡和支撑社会经济发展的重要自然资源，水质监测与科学管

理已成为环境科学领域的研究热点。溶解氧作为表征水体自净能力与生态健康状态的

核心指标，其浓度变化直接影响水生生物生存和水环境质量。本文以溶解氧作为关键

预测指标，基于Pearson相关性分析挖掘水质参数间的关联特征，筛选与溶解氧浓度显

著相关的关键参数。基于深度学习，针对不同预测需求，分别构建溶解氧短期预测模

型和长期预测模型。通过集成预测模型与监测技术，设计智能水质监测系统，为实现

水资源科学管理和水生态环境保护提供管理平台。具体工作如下：

1.针对循环神经网络和卷积神经网络在水质溶解氧短期预测中存在的预测精度不

足问题，提出组合预测模型GD_SCINet，通过融合高斯滤波器与改进SCINet模型，实

现水质中溶解氧的短期预测。以云蒙湖、沙沟河、武河、白马河、沂河五个监测点的

监测数据为基础，采用移动平均法与最值标准化方法构建水质数据集。利用高斯滤波

器将原始水质数据分解为低频分量与高频分量，在此基础上构建双分支处理架构：核

心主干网络采用改进的SCINet模型——在奇偶分割操作前引入自注意力机制增强全局

特征提取能力；通过GRU门控单元补偿下采样过程的局部信息损失；同时在子序列交

互学习中加入软阈值机制抑制非显著分量，以减少冗余特征干扰。实验表明，

GD_SCINet在五个流域的预测任务中均表现优异：平均MAE和RMSE分别为0.134与

0.220，较基准模型SCINet分别降低25.1%和23.1%；相较于CNN_GRU_Attention模

型分别降低21.2%和32.3%。

2.由于短期预测无法提供更全面的趋势信息本文进一步研究溶解氧长期预测模

型，提出基于时序分解的组合预测模型SA-Informer，实现水质溶解氧的长期预测。首

先采用STL算法将原始水质序列解耦为趋势项与季节项，通过分项建模降低模态干

扰。针对趋势项的渐变-突变特性，提出时频增强模块引入Informer编码器，利用短时

傅里叶变换同步捕获时域趋势与频域突变特征；针对季节项的多周期耦合特性，提出

季节注意力机制，并构建DA_SeqRNN模型增强对季节项的周期特征提取能力。针对

线性加法融合的局限性，通过在线性融合的基础上引入交互项，构建交互特征融合层

实现趋势与季节分量的动态耦合。实验结果表明，该模型在四个数据集（除沂河外）

的不同预测步长下均显著优于对比模型。但该模型在训练效率和参数规模方面存在一

定局限性，其训练时长和模型参数量均高于对比模型。

万方数据

3.基于物联网三层架构设计水质监测系统。系统由感知层、网络层和应用层构

成：感知层负责多源水质数据的实时采集；网络层实现数据的可靠传输与存储；应用

层集成预测模型并开发可视化平台，实现溶解氧浓度的预测与分析。该系统实现对自

然水体环境动态监测，并通过在应用层部署预测模型为水质预警提供决策支持，为水

环境保护与管理提供了有效的技术手段，具有较强的实际应用价值。

关键词：深度学习；溶解氧预测；时序分解；水质监测系统

万方数据

Abstract

Waterresourcesareimportantnaturalresourcestomaintainecologicalbalanceand

supportsocialandeconomicdevelopment.Waterqualitymonitoringandscientific

managementhavebecomearesearchhotspotinthefieldofenvironmentalscience.Asthe

coreindexofself-purification