| 基于深度学习的排污口污染物浓度预测研究 |
| |
| 引用本文： | 叶蕾,耿敬华,方文,毕军.基于深度学习的排污口污染物浓度预测研究[J].环境科学学报,2024(4):429-439. |
| |
| 作者姓名： | 叶蕾 耿敬华 方文 毕军 |
| |
| 作者单位： | 1. 南京大学环境学院,污染控制与资源化研究国家重点实验室;2. 南京信息工程大学,大气环境与装备技术协同创新中心 |
| |
| 基金项目： | 国家自然科学基金（No.71921003,52270199,72234003）； |
| |
| 摘 要： | 入河排污口是污染物进入生态环境的最后一道关口，预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警，本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例，利用排口污染物监测数据与气象数据，基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型，并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好，R2可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%，对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测，为排口污染预警和全链条管理提供技术支撑.
|
| 关 键 词： | 入河排污口 污染物浓度预测 深度学习 变量重要性分析 |
|
| 点击此处可从《环境科学学报》浏览原始摘要信息 |
|
点击此处可从《环境科学学报》下载全文 |
|
