一种简约的混合模型:结合小波神经网络和深度学习技术用于伊朗南部的水质预测

《Journal of Water Process Engineering》:A parsimonious hybrid model: Integrating wavelet neural networks and deep learning for water quality forecasting in Southern Iran

【字体: 大 中 小 】 时间:2026年01月28日 来源:Journal of Water Process Engineering 6.7

编辑推荐:

  滴灌系统结垢防治中LSI预测模型研究,采用pH、温度、电导率三参数,通过GA调参和混合神经网络优化,GA-XGBoost模型表现最佳(NSE=0.844,RMSE=0.132),EC+pH组合次之,温度贡献率11.5%。提出基于低成本传感器的实时预测框架,解决传统方法依赖实验室测定的局限性,为干旱区农业节水提供技术支撑。

  
Mehri Saeidinia|Laleh Divband Hafshejani|Mohsen Shahsavar
伊朗霍拉马巴德洛雷斯坦大学农业学院水利工程系

摘要

在干旱和半干旱地区,滴灌系统经常因碳酸钙结垢导致滴头堵塞而受到影响。传统上,人们通过Langelier饱和指数(LSI)来评估这一现象,但该指数需要通过实验室测量钙硬度和碱度来计算,这限制了实时监测的实现。本研究开发了一个可在现场使用的实时LSI预测框架,仅使用三种低成本、可连续测量的传感器数据:pH值、温度和电导率(EC)。研究使用了来自伊朗胡齐斯坦省的25年(1991–2015年)水文数据集(共4,633个样本),对七种优化模型进行了训练和比较,这些模型包括经典机器学习模型(遗传算法优化的支持向量机SVR、随机森林RF、XGBoost)、深度学习序列模型(贝叶斯优化的卷积神经网络CNN、长短期记忆网络LSTM)以及一种新颖的小波-人工神经网络(WANN)。通过RMSE、MAE、NSE、R2、Kolmogorov–Smirnov分布测试、Kendall's τ等级相关性分析、自助法99%置信区间和特征重要性分析等方法评估了这些模型的性能。最终发现包含pH值、电导率和温度的完整三输入组合具有最高的预测准确性,其中遗传算法优化后的XGBoost模型(NSE = 0.844,RMSE = 0.132)和贝叶斯WANN模型(NSE = 0.838,RMSE = 0.134)的表现优于深度学习模型。基于随机森林的特征重要性分析显示,pH值是影响滴头堵塞的主要因素(占比58.8%),其次是电导率(29.6%)和温度(11.5%),这解释了为什么加入温度参数后预测精度有所提高。自助法假设检验确认了表现最佳的模型之间的统计等效性。当温度数据不可用时,pH值与电导率的组合(EC + pH)仍能提供稳定的预测结果(NSE ≈ 0.79–0.80)。该框架通过在轻量级边缘设备上实现基于传感器的主动结垢风险评估,克服了传统基于平衡状态指数的局限性,为资源匮乏地区的农业提供了实用的结垢预防和可持续水资源管理工具。

引言

水是许多半干旱和干旱地区的重要资源,但这类地区的淡水消耗量却不断增加[57],[61]。伊朗[44],[46],[55]、埃及[20]、印度[37]和巴西[42]以及地中海部分地区面临严重的地下水水位下降和盐碱化问题。滴灌系统被视为最节水的灌溉方式之一,但在干旱和盐碱环境中,其长期可靠性常常因矿物沉淀(尤其是碳酸钙结垢)而受到威胁[8],[42]。
Langelier饱和指数(LSI)和Ryznar稳定性指数(RSI)是广泛用于评估水系统中碳酸钙(CaCO?)结垢或腐蚀潜力的水质指标。LSI用于量化水析出或溶解碳酸钙的趋势,正值表示结垢可能性,负值表示腐蚀性。
传统的LSI和RSI计算方法虽然历史悠久且应用广泛,但在干旱和半干旱地区的滴灌管理中存在重大实际缺陷。这些方法依赖于对钙硬度、总碱度和总溶解固体等参数的实验室分析,此外还需要测量pH值和温度。这种做法通常将监测频率限制在每周或每月一次,无法满足农民实时监测滴头堵塞的需求。此外,这些指数是在假设化学平衡的条件下计算得出的,而实际灌溉系统中的流量、压力、温度和水质参数是不断变化的。因此,传统LSI/RSI值容易出错,对测量误差非常敏感,也无法有效应对炎热、多尘的田间环境中的传感器噪声和瞬态干扰。
本研究提出的混合机器学习-深度学习-小波模型仅使用pH值、温度和电导率这三个参数,这些参数可以通过低成本、可靠的现场传感器连续测量。通过遗传算法和贝叶斯技术的优化,该模型计算量小,可以在低成本微控制器或云平台上运行,即使是在基础设施较差的偏远地区也能适用。这种从依赖实验室的平衡状态指数向快速、基于传感器的实时预测工具的转变,是真正的实践突破,使水资源匮乏地区的农民能够进行主动的结垢风险评估和预防。
传统计算LSI等指标的方法存在一些局限性,文献中已多次指出。例如,Abyaneh等人[4]和Abbasnia等人[2]发现伊朗地下水中测量的LSI/RSI与各参数之间存在高相关性(R2 = 0.90–0.99),但他们的评估完全依赖于定期实验室采样,无法实现早期预警。Lodha等人[37]基于实验室测量的参数(钙、碱度、总溶解固体等)计算了乌代布尔的地下水LSI和RSI,虽然能够解释结垢和腐蚀风险,但无法实现实时监测。类似地,最近在加纳[6]、埃及[20]、印度[29]和巴西[42]的应用研究也依赖于离线分析,而这些参数在偏远农业环境中难以持续测量。
相比之下,低成本、耐现场环境的pH值、温度和电导率传感器已广泛普及,加上机器学习和深度学习的最新进展,使得无需实验室测量钙硬度或碱度即可准确估算LSI。尽管单独的机器学习模型(如人工神经网络、随机森林和基于支持向量机的混合模型)已成功应用于河流和工业环境中的水质指数预测[12],[19],[22],[26],[30],[41],但尚未有模型专门针对干旱农业条件下资源匮乏和数据有限的滴灌系统中的实时LSI预测问题。
本研究的主要目标是开发一个可在现场使用的实时LSI预测框架,以克服传统指数和现有机器学习方法的局限性。其主要创新点包括:(1)仅使用三种低成本传感器数据;(2)采用遗传算法和贝叶斯优化以实现抗噪声的轻量级部署;(3)首次在滴灌系统中实现主动结垢预防。

材料与方法

本研究分析了1991年10月29日至2015年12月27日期间胡齐斯坦省主要河流系统(卡伦河、阿尔万德河、巴赫曼希尔河、沙蒂特河、加加尔河、纳赫尔加萨贝河)的25个监测站的水文数据。这些长期数据由伊朗水资源管理公司提供,包含每日流量、电导率(EC)、pH值和总溶解固体(TDS)的测量结果,共计4,633条经过质量控制的记录。

特征重要性分析

为了进一步量化各参数对LSI预测的相对贡献,我们构建了一个随机森林回归模型。该模型使用三个预测变量(TEMP、EC、pH)来预测LSI值,并通过Gini重要性方法计算特征重要性,结果以百分比形式呈现(图3)。
如图3所示,pH值在预测模型中起主导作用,占特征重要性的58.8%(pH值与LSI的相关系数r = 0.74),证实了其关键作用。

结论

本研究提出了一种新的、可在现场使用的实时Langelier饱和指数(LSI)预测框架,克服了传统LSI计算的主要局限性——即依赖不频繁的实验室测量。通过仅使用三种低成本、可连续测量的参数(pH值、电导率和温度),并结合经过严格优化的机器学习模型,该框架实现了实时预测。

CRediT作者贡献声明

Mehri Saeidinia:撰写初稿、验证、监督、软件开发、项目管理、方法论设计、概念构思。Laleh Divband Hafshejani:审稿与编辑、数据可视化、监督。Mohsen Shahsavar:数据可视化、软件开发、方法论设计。

利益冲突声明

所有作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号