基于REMD、RLMD和SVMD与深度学习模型耦合的河流水温预测

《Scientific Reports》：River water temperature prediction using REMD, RLMD, and SVMD coupled with deep learning models

　　

摘要

河流水温（_Tw）是淡水生态系统和水生生物的关键参数。日度水温时间序列可用于多种应用，并作为各类建模工具的输入变量。本研究使用了四种深度学习（DL）模型（即LSTM、BiLSTM、GRU和BiGRU）对波兰四个河流站点的日度水温（_Tw）进行建模。此外，本研究采用了一种基于信号分解（SD）的新方法来提升单一深度学习模型的性能。本研究使用了三种不同的信号分解算法，分别为：鲁棒经验模态分解（REMD）、鲁棒局部均值分解（RLMD）和递推变分模态分解（SVMD）。针对每种深度学习模型，我们设定了四种场景：(i) 仅使用气温（_Ta）作为输入变量，(ii) 使用通过RLMD获得的产品函数（PFs）以及通过REMD和SVMD获得的本征模函数（IMFs）。所有模型首先使用数据集的70%进行标定，使用剩余30%的数据进行验证，并使用均方根误差（RMSE）、平均绝对误差（MAE）、相关系数（R）和纳什-萨特克利夫效率（NSE）来评估其性能。总体而言，使用信号分解的模型获得了最小的RMSE和MAE，而单一深度学习模型的误差指标最大。在所有站点中，REMD-BiGRU模型表现最佳，其R、NSE、RMSE和MAE分别为0.986、0.973、0.966和0.752；而GRU模型表现最差，其R、NSE、RMSE和MAE分别为0.815、0.659、3.456和2.613。