مقالة منهجية

طريقة اكتشاف شذوذ جودة المياه بناء على شبكة عصبية سائلة مقيدة بالانتباه

DOI:

10.3791/69492

⸱

فبراير 6, 2026

 ,  ,  ,  ,  , 
1School of Architecture and Art, Guangzhou Nanyang Polytechnic College, 2School of Big Data and Artificial Intelligence, Guangdong Polytechnic of Water Resources and Electric Engineering

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة شبكة عصبية سائلة مقيدة بالانتباه لاكتشاف الشذوذات في جودة المياه تحقق دقة وقابلية تفسير فائقة من خلال النمذجة الزمنية المستمرة وتحديد النقاط المعتمدة على الانتباه، مما يعزز موثوقية المراقبة البيئية ويدعم إدارة المياه المستدامة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مع التوسع السريع لشبكات مراقبة المياه، أصبح اكتشاف الشذوذات على السلاسل الزمنية أكثر أهمية لحماية البيئات المائية وضمان إدارتها المستدامة. ومع ذلك، غالبا ما تواجه النماذج التقليدية صعوبة في فترات أخذ العينات غير المنتظمة، والترابطات متعددة المتغيرات، وقابلية التفسير في التطبيقات العملية. لمعالجة هذه التحديات، تقترح هذه الدراسة شبكة عصبية سائلة مع بوابة الانتباه (AG-LNN) تدمج القدرة الديناميكية للنمذجة العصبية السائلة (LNN) مع آليات البوابات القائمة على الانتباه. يقدم النموذج بوابة مدخل-انتباه لتأكيد المتغيرات ذات الصلة بالشذوذات مثل الأكسجين المذاب (DO) ومؤشر البرمنغنات (CODMn)، وبوابة زمنية ثابتة تضبط ذاكرة النموذج الزمنية بشكل تكيفي. باستخدام بيانات من المركز الوطني لمراقبة البيئة في الصين (CNEMC) جمعت بين عامي 2019 و2024 عبر 13 محافظة، أظهر AG-LNN أداء متفوقا مقارنة بالنماذج الأساسية، بما في ذلك الذاكرة طويلة المدى قصيرة المدى (LSTM)، والشبكة الالفافية الزمنية (TCN)، والمحول، وشبكة الرسم البياني العصبية (GNN). يحقق مساحة الاسترجاع الدقة تحت المنحنى (PR-AUC) يبلغ 0.95 ودرجة F1 تبلغ 0.90، مع الحفاظ على الاستقرار تحت التقييمات عبر المناطق والزمن. نسخة مدمجة، AG-LNN-light، تقلل المعلمات بنسبة 62٪ مع فقدان دقيق قليل، مما يتيح نشر الحافة بكفاءة. أكدت النتائج أن النمذجة الزمنية المستمرة المرتبطة بالانتباه توفر نهجا قويا وقابلا للتفسير للكشف عن شذوذات جودة المياه على نطاق واسع.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد مراقبة جودة المياه ضرورية لحماية الصحة العامة، والحفاظ على النظم البيئية المائية، وضمان الامتثال للوائح البيئية. غالبا ما تواجه نماذج جودة المياه التقليدية، مثل أداة تقييم التربة والمياه (SWAT)، ونموذج QUAL الميكانيكي، وأساليب التنبؤ الإحصائي، في التقاط الطبيعة غير الخطية ومتعددة المتغيرات وغير المنتظمة زمنيا لأنظمة المياه المتأثرة في الوقت نفسه بالعوامل الكيميائية والبيولوجية والهيدرولوجية والأرصاد الجوية 1,2,3,4,5,6 . لذلك، لا يزال تحسين اكتشاف الشذوذات في بيانات جودة المياه تحديا ملحا.

عمليا، تم تصميم الإطار المقترح لشبكات استشعار جودة المياه متعددة المعاملات تقيس متغيرات مثل جهد الهيدروجين (pH)، الأكسجين المذاب (DO)، النيتروجين الكلي (TN)، الفوسفور الكلي (TP)، ومؤشر البرمنغنات (CODMn)، العكارة، والتوصيلية، مع فترات أخذ عينات نموذجية تتراوح بين 15 إلى 60 دقيقة. يتحمل هذا النموذج أخذ عينات غير منتظمة وملاحظات مفقودة، مما يجعله مناسبا للنشر الحقيقي في أنظمة مراقبة المياه السطحية والمكامات.

تطبيق التعلم الآلي في اكتشاف شذوذات جودة المياه

في السنوات الأخيرة، اكتسبت طرق التعلم الآلي (ML) والتعلم العميق (DL) زخما كبيرا في تطبيقات جودة المياه. على سبيل المثال، قدم وانغ وآخرون مشفر ذاتي للذاكرة قصيرة المدى طويلة مع الانتباه (LSTMA-AE) مع قيود ميكانيكية لتحسين الدقة وتقليل الإنذارات الكاذبة في اكتشاف الشذوذ في عمليات مضخة حقن الماء، محققين أداء أفضل بكثير من طرق الاستيفاء أو الغابات العشوائية أو LSTM-AE.

وبالمثل، اقترح تشاو وآخرون نموذج وحدة متكررة مبوبة مع شبكة عصبية مستندة بالفيزياء (GRU-PINN) يدمج القيود الفيزيائية في دالة الفقد، مما يعزز بشكل كبير قابلية التفسير ودرجة F1 في مهام اكتشاف الشذوذات في جودة المياه. طور الشافعي وآخرون معمارية شبكة التفافية متعددة المتغيرات - LSTM (MCN-LSTM)، تجمع بين الشبكات التفافية متعددة المتغيرات مع LSTM للكشف اللحظي عن الشذوذات في بيانات حساسات جودة المياه، مما يعرض قدرات اكتشاف محسنة في البيئات الميدانية. ومن التطورات الأخرى نموذج الشبكة العصبية السائلة المبوبة (Gated-LNN)رقم 10، الذي يدمج آليات البوابة في الشبكات العصبية السائلة للتنبؤ بدقة بمؤشر جودة المياه (WQI) وتصنيف جودة المياه، محققا R2 ≈ 0.9995 ودقة تصنيف تبلغ 99.74٪ في مجموعات البيانات الهندية.

اكتشاف الشذوذ في السلاسل الزمنية

بعيدا عن التطبيقات الخاصة ب DL، شهد اكتشاف الشذوذات في السلاسل الزمنية تطورا سريعا عبر مجالات متعددة. أصبح اكتشاف الشذوذات على السلاسل الزمنية تقنية رئيسية لتحسين مراقبة جودة المياه والإنذار المبكر. غالبا ما تفشل الطرق الإحصائية التقليدية في التقاط الخصائص غير الخطية والديناميكية لبيانات جودة المياه، مما يدفع إلى تطبيق نماذج التعلم العميق. على سبيل المثال، جمع تشانغ وآخرون بين تحلل النمط التجريبي (EMD) وLSTM للتعامل بشكل أفضل مع الإشارات غير الثابتة، مما حسن بشكل كبير دقة التنبؤ بطلب الأكسجين الكيميائي (COD)، والطلب الكيميائي الحيوي على الأكسجين (BOD₅)، والفوسفور الكلي (TP)، والنيتروجين الكلي (TN)، ونيتروجين الأمونيا (NH₃-N). استنادا إلى ذلك، اقترح وانغ وآخرون طريقة تحليل تقلبات تعتمد على LSTM باستخدام الإنتروبيا التقريبية، والتي تعزز أداء الكشف عن الشذوذات في الوقت الحقيقي.

ركزت التطورات الأخيرة على آليات الانتباه والأطر الهجينة. قدم أريبالي وآخرون 13 تقنية LSTM خفيفة المدى الفضائية المشتركة للكشف عن نقص الأكسجين في الاستزراع المائي، محققين دقة بلغت 99.8٪، بينما أظهر تشانغ وآخرون أن الانتباه المكاني والزماني حسن بشكل ملحوظ التنبؤ بالنساء الفضائي والزمني للأكسجين المذاب (DO) وNH₃-N. وبالمثل، دمج لونغ وآخرون التحليل التجريبي الكامل للمجموعة مع تفكيك نمط الضوضاء التكيفي (CEEMDAN-VMD) مع LSTM المعززة بالانتباه، محققين قيم كفاءة ناش-ساتكليف (NSE) تصل إلى 0.99 عبر مؤشرات متعددة. على مستوى التطبيق، عرض Xie وآخرون نظام متنقل من سلسلة إلى تسلسل (Seq2Seq) لتوقع جودة المياه التشغيلي في الوقت الحقيقي عبر أحواض الأنهار.

بشكل عام، تبرز هذه الدراسات اتجاها واضحا في الخطوط الأساسية القائمة على LSTM، والنماذج الهجينة المعززة بالانتباه، والتطبيقات على مستوى النظام. على الرغم من تحسنت الدقة بشكل كبير، لا تزال هناك تحديات في قابلية التفسير، والمتانة تحت ظروف الضوضاء، والتعميم عبر شبكات المراقبة المتنوعة.

تطبيق الشبكات العصبية البيانية والنماذج الزمانية المكانية في المراقبة البيئية

أظهرت شبكات الرسم البياني (GNNs) ونماذج التعلم العميق المكاني والزماني مؤخرا إمكانات كبيرة في المراقبة البيئية من خلال التقاط كل من الارتباطات المكانية بين مواقع المراقبة والاعتماديات الزمنية في ديناميكيات جودة المياه. على سبيل المثال، اقترح وو وآخرون شبكة عصبية معززة للرسم البياني الزماني المكاني (PT-STGNN) لمحطات معالجة مياه الصرف، تدمج التدريب المسبق المعتمد على المحولات وتعلم بنية الرسوم البيانية لتحسين التنبؤ طويل الأمد لمستويات COD وNH₃-N وTP وTN وpH ومعدل التدفق. وبالمثل، طور وان وآخرون تقنية الميزة الزمانية المكانية (STF-GNN) التي جمعت بين الالتفاف البياني، وGRU، وآليات الانتباه، مما حسن بشكل كبير توقعات الأكسجين المذاب (DO) وTN مع إظهار تعميم قوي عبر الأحواض.

ظهرت أطر هجينة تتجاوز التصاميم المعتمدة على البيانات لتعزيز التعميم. قدم مو وآخرون شبكة عصبية مستنيرة بالفيزياء الزمانية والقائمة على الرسوم البيانية المكانية والزمانية (ST-GPINN)، التي تدمج المبادئ الهيدروليكية في نماذج قائمة على شبكة الرسم العصبي (GNN) لأنظمة توزيع المياه. من خلال ربط تمثيلات الرسوم البيانية بالقيود المستندة إلى الفيزياء، تحقق ST-GPINN دقة متطورة مع التوسع الفعال من شبكات صغيرة إلى كبيرة. تسلط هذه الدراسات معا الضوء على الدور المتزايد لشبكات المياه الجيولوجية المكانية والزمانية في المراقبة البيئية، مما يعزز الدقة التنبؤية، وقابلية التفسير، والمتانة، ويضع الأساس لأنظمة إدارة المياه الذكية من الجيل القادم.

مزايا وإمكانات الشبكات العصبية السائلة

تقوم شبكات الأعصاب السائلة (LNNs)، المعروفة أيضا بشبكات ثابت الزمن السائل، بنمذجة ديناميكيات الزمن المستمر بشكل فريد باستخدام ثوابت زمنية قابلة للتعلم، تعتمد على المدخلات. قدم حسني وآخرون LNNs وأظهروا قوتها التعبيرية واستقرارها وكفاءتها في المهام المتسلسلة الزمنية. تجعلها قدرتها على التكيف المستوحاة من الدماغ مرشحين واعدين لنمذجة ظواهر بيئية ديناميكية مثل جودة المياه، ومع ذلك لا تزال دمجها مع آليات الانتباه غير مستكشفة بشكل كاف.

آليات الانتباه، وخاصة بوابات الانتباه، أدوات قوية للتركيز على الميزات ذات الصلة وتمكين قابلية التفسير. على الرغم من استخدامه الواسع في التصوير الطبي، يضع Attention U-Net أساسا لتحسين الميزات الانتقائية عبر بوابات الانتباه القابلة للتعلم. كما تم تطبيق الانتباه في أطر اكتشاف الشذوذات القائمة على المستشعرات، مثل LSTMA-AE7 وGRU-PINN8، مما عزز الحساسية للأنماط الحرجة وحسن شفافية النماذج.

وعند جمع هذه الملاحظات مجتمعة، تشير إلى الحاجة إلى بنية هجينة تجمع بين التكيف المستمر مع آليات الانتباه القابلة للتفسير. لذا، نقترح شبكة عصبية سائلة مقيدة بالانتباه (AG-LNN) تدمج قدرات النمذجة الديناميكية لشبكات الأعصاب السائلة (LNNs) مع بوابات الانتباه التي تركز على المدخلات البارزة أو المقاطع الزمنية. تهدف هذه البنية إلى تعزيز المتانة لضوضاء المستشعرات وأخذ العينات غير المنتظمة، وتحسين الحساسية للشذوذات قصيرة المدة، وتوفير قابلية التفسير من خلال خرائط حرارة الانتباه ومسارات زمنية ثابتة تكيفية. تم تقييم AG-LNN بناء على مجموعات بيانات جودة المياه متعددة المتغيرات في العالم الحقيقي، وتم مقارنته مقابل خطوط LSTM وTransformer وLNN النقي وخطوط ML التقليدية. أظهرت كل من التحليلات الكمية (الدقة، الاسترجاع، F1، AUC) والنوعية (تصورات الانتباه، ديناميكيات الزمن-الثابت) فعالية وشفافية النموذج المقترح.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ملاحظة: سير العمل العام لهذه الدراسة موضح في الشكل 1.

1. جمع البيانات

  1. تحديد مصدر البيانات
    1. احصل على بيانات السلاسل الزمنية لجودة المياه من قاعدة بيانات المركز الوطني لمراقبة البيئة في الصين (CNEMC) العامة (https://www.cnemc.cn/sssj/). استرجاع سجلات المراقبة الوطنية المستمرة التي تغطي البحيرات والخزانات الرئيسية في الصين. شملت المؤشرات الفيزيائية الكيميائية الرئيسية الرقم الهيدروجيني، الأكسجين المذاب (DO)، الفوسفور الكلي (TP)، النيتروجين الكلي (TN)، مؤشر البرمنغنات (CODMn)، العكارة (NTU)، والتوصيل الكهربائي (EC).
    2. تأكد من تضمين البيانات الوصفية المقابلة، مثل وقت المراقبة، حالة تشغيل المحطة، وتصنيف جودة المياه (الفئة I-V)، في مجموعة البيانات المحملة.
  2. استرجاع مجموعة البيانات ومواصفات الملفات
    1. ضمان قابلية تكرار البيانات من خلال دمج ومشاركة مجموعة البيانات المعالجة تحت اسم الملف cnemc_data_2019_2024. csv. يمكن الملف في مستودع بايدو السحابي (https://pan.baidu.com/s/1ZXYxkCZAnx7tiOHJhuJ2Qg?pwd=u97h) الوصول العام والتحقق من جميع التجارب.
    2. تشمل بيانات المراقبة من 13 مقاطعة (قوانغدونغ، هوبي، جيانغسو، تشجيانغ، أنهوي، فوجيان، جيانغشي، خنان، سيتشوان، قويتشو، لياونينغ، هيلونغجيانغ، وجيلين) لضمان تغطية تمثيلية عبر مناطق هيدرولوجية ومناخية متنوعة في مناطق الشمال والجنوب والشرق والغرب والهضبة.
    3. خصص عددا متساويا من سجلات المراقبة لكل مقاطعة، مما ينتج عنه ما مجموعه 1,832 إدخالا تم جمعه بين يناير 2019 وديسمبر 2024. قم بتسمية كل محطة باستخدام معرفات قائمة على المقاطعة (مثل GD001 لقوانغدونغ، HB001 لهوبي). لكل سجل، أضف صفات وصفية مثل الحوض، waterbody_type (البحيرة أو الخزان)، والموسم (الربيع، الصيف، الخريف، أو الشتاء، المستمدة من وقت أخذ العينات).
    4. إضافة حقول تحديد الموقع الجغرافي الاختيارية (خطوط الطول والعرض) لتسهيل التحليل المكاني وقابلية التكرار. تعريفات الحقول الكاملة، وأنواع البيانات، والوحدات المستخدمة في cnemc_2019_2024. يتم تلخيص قيم CSV في الجدول 1.

2. اختيار المتغيرات وتصنيفها

  1. اختيار المتغيرات
    1. اختر المتغيرات التي تمثل المعايير الفيزيائية الكيميائية الأكثر مراقبة للمياه السطحية، لضمان الصلة البيئية والحساسية تجاه التلوث أو الاضطرابات البيئية. على وجه التحديد، يجب تضمين المؤشرات التالية:
      الرقم الهيدروجيني، الذي يعكس توازن الحمض والقاعدة للماء ويؤثر على النشاط البيولوجي والذوبان الكيميائي
      الأكسجين المذاب (DO)، مؤشر مباشر على صحة النظم البيئية المائية والتلوث العضوي
      الفوسفور الكلي (TP) والنيتروجين الكلي (TN)، وهما غذائيان رئيسيان مرتبطان بعمليات التغذية الترويجية
      مؤشر البرمنغنات (CODMn)، الذي يمثل محتوى المادة العضوية المؤكسدة ومقياس غير مباشر للتلوث العضوي
      العكارة (Tur)، التي تعكس الجسيمات العالقة وحمل الرواسب
      التوصيلية الكهربائية (EC)، التي تشير إلى تركيز الأيونات المذابة والملوحة العامة
    2. اختر هذه المتغيرات ليس فقط لتوفرها الروتيني من محطات المراقبة CNEMC، بل أيضا لمدى أهميتها المثبتة في الدراساتالسابقة 10,11,14,17 في تقييم جودة المياه واكتشاف الشذوذ.
  2. استراتيجية التصنيف
    1. تعريف تسميات الشذوذ لدعم تدريب وتقييم النماذج. تطبيق استراتيجية التصنيف المزدوج التي تجمع بين النهجين التكميليين.
    2. الوسم التنظيمي أو المعتمد على الخبراء: اعتمد الأحداث غير الطبيعية الموثقة رسميا أو المشروحة (مثل تصريف المفاجئ للملوثات، أو تكاثر الطحالب، أو فشل الأجهزة) من جهة المراقبة كشذوذات في الحقيقة الأرضية.
    3. التصنيف الضعيف القائم على البيانات: استنتاج شذوذات لفترات مراقبة تفتقر إلى تعليقات خبراء صريحة مباشرة من مجموعة بيانات CNEMC متعددة المتغيرات من خلال تطبيق إطار تصنيف ضعيف موجه إحصائيا وواع بالموسم.
    4. هيكل هذه العملية إلى ثلاثة مكونات رئيسية: إجراء التطبيع الموسمي، تطبيق كشف الانحراف القائم على الكم، وتعزيز النتائج من خلال التقييم القائم على البقايا.
      1. تطبيع المواسم: تطبيع التأثيرات الموسمية لكل متغير xi,t (مثل DO، CODMn، TP، TN، العكارة) باستخدام حقل الفصول الصريح (الربيع، الصيف، الخريف، الشتاء) المقدم في مجموعة بيانات CNEMC. توحيد كل متغير ضمن مجموعته الموسمية المقابلة، كما هو موضح في المعادلة (1).
        المعادلة 4(1)
        حيث μi(s) و σi(s) هما المتوسط والانحراف المعياري للمتغير i خلال الموسم S. يعوض هذا التطبيع عن التحولات الموسمية المنهجية مثل انخفاض DO في الصيف أو زيادة CODMn خلال موسم الأمطار، مما يضمن قابلية المقارنة بين المواسم.
      2. التصنيف الضعيف القائم على الكم: بعد التطبيع، حدد الشذوذات بتطبيق عتبات كمية قوية محسوبة لكل متغير ضمن نفس الموسم ومجموعة المقاطعات، كما هو موضح في المعادلة (2).
        المعادلة 7(2)
        حيث Q_p (⋅) هو عامل الكم p، المعادلة 9 والعتبة الدنيا والعليا (النسبة الأولى و99) للمتغير i في الموسم s. اعلم نقطة بيانات كحالة شاذة إذا تجاوزت هذه الحدود، كما هو موضح في المعادلة (3).
        المعادلة 10 (3)
        تأخذ هذه الخطوة في الاعتبار الفروق الإقليمية والموسمية بشكل تكيفي، مما يمنع الاكتشافات الكاذبة الناتجة عن التقلبات الهيدرولوجية الطبيعية.
      3. تعزيز قائم على البقايا: إنشاء خط أساس متوسط متجدد لمدة 15 يوما لاكتشاف الانحرافات المفاجئة قصيرة المدى التي قد تفوتها العتبات الكمية، كما هو معبر عنها في المعادلة (4).
        المعادلة 11 (4)
        حيث أنi,t هو الانحراف المتبقي للمتغير i عند الزمن T، والوسيط (xi,t-15:t+15) هو خط الأساس الوسيط المتدحرج لمدة 15 يوما حول t. علم نقطة بيانات كشذوذ متبقي إذا تجاوز البواقي المطلق ثلاثة أضعاف الانحراف المعياري الموسمي (|ri,t| > 3σi(s)). وقد التقط هذا التعزيز المتبقي بشكل فعال الارتفاعات العابرة الناتجة عن تصريف الملوثات أو أحداث الأمطار أو أعطال أجهزة الاستشعار المؤقتة.
      4. قرار التصنيف الضعيف المجمع: ادمج مؤشرات الشذوذ القائمة على الكم والمؤشرات البقيدة لتعيين تسمية ثنائية ضعيفة yt، كما هو معرف في المعادلة (5).
        المعادلة 16(5)
        حيث يشير yt=1 إلى أن معامل واحد على الأقل يظهر سلوكا شاذا في الزمن t، وyt = 0 يدل على الملاحظات الطبيعية عبر جميع المعاملات.
        توليد مجموعة من التعليقات الضعيفة المعتمدة على البيانات عبر جميع المقاطعات الثلاث عشرة وخمس مناطق مناخية في مجموعة بيانات CNEMC باستخدام إجراء التصنيف المجمع. دمج هذه التسميات في التعلم المرجح بالثقة عن طريق تعيين وزن ثقة 0.7 للتسميات الضعيفة مقارنة بالتعليقات المثبتة من قبل الخبراء ذات وزن 1.0.
    5. نسبة أنواع التعليقات التوضيحية
      1. استخدم حوالي 42٪ من التعليقات الموثوقة من الخبراء المستمدة من التقارير البيئية الرسمية، و58٪ من التعليقات الضعيفة الناتجة عن بيانات المراقبة المستمرة. تطبيق دمج استدلالي بين عتبة درجة z وتحليل الاتجاه الموسمي (STL) لاكتشاف الشذوذات المحتملة في سلاسل زمنية متعددة المتغيرات لجودة المياه. يتم التحقق من صحة نسب التعليقات المختارة من خلال تجارب معروضة في القسم 5.1 (تأثير نسبة التعليق) من جزء النتائج. تؤكد هذه النتائج أن التوازن الأمثل تجريبيا يحدث حول نسبة 40:60 بين الخبير والضعيف، وهو ما يتوافق مع تركيب مجموعة البيانات الفعلي.
    6. التحقق من ضعف دقة التعليق
      1. ضمان موثوقية العينات المشروحة بشكل ضعيف عن طريق التحقق من مجموعة عشوائية من 800 حالة مصنفة بشكل ضعيف مع خبراء بيئيين. سجل معدل الاتفاق بين التعليقات الضعيفة وأحكام الخبراء، والذي من المفترض أن يصل إلى حوالي 87.5٪. إزالة عينات ذات ثقة منخفضة في الشذوذ (< 0.6) أو تختلف مع مجموعة التحقق الخبير من بيانات التدريب.
      2. حافظ على الشروحات الضعيفة المحفوظة بدقة فعالة تتجاوز 90٪. افحص موثوقية التعليقات الضعيفة وتأثيرها على أداء النموذج، حيث تؤكد التجارب المحكمة أن الحفاظ على دقة التسمية الضعيفة فوق 90٪ يمنع بشكل فعال تحيز التدريب ويضمن سلوكا تنبؤيا مستقرا.
    7. التخفيف من التحيز
      1. خلال التدريب، طبق استراتيجية تعلم موزونة بالثقة لتقليل التحيز المحتمل الناتج عن التعليقات الضعيفة. عرف دالة الخسارة كما هو موضح في المعادلة (6).
        المعادلة 19 (6)
        حيث yi∈{0,1} يرمز إلى تسمية الحقيقة الأرضية للعينة i، وpi يمثل الاحتمال المتوقع للنموذج، وWi هو الوزن المخصص لكل عينة، وN هو إجمالي عدد العينات.
      2. حدد وزن العينة wi بناء على مصدر ومستوى ثقة العلامة، كما هو موضح في المعادلة (7).
        المعادلة 24 (7)
        هنا، ci∈[0,1] تشير إلى درجة الثقة في التعليق الرقم i، و α,β هما معاملات الوزن العالمية للتسميات الخبيرة والضعيفة على التوالي. أظهر التحليل التجريبي أن ضبط α=1.0 و β=0.7 يحقق أفضل توازن بين الأداء والاستقرار، حيث أن هذا الوزن يقمع الضوضاء المتبقية من التسميات الضعيفة مع الحفاظ على مساهمة كافية من تغطيتها الأوسع.
      3. اختر سبعة معايير فيزيائية-كيميائية (pH، DO، TP، TN، CODMn، Tur، وEC) كمتغيرات أساسية لاكتشاف الشذوذ. استخدم هذه المؤشرات لتمثيل حالة العناصر الغذائية، والتلوث العضوي، وتوفر الأكسجين، والتركيب الأيوني للمياه السطحية بشكل شامل. قدم وصفا تفصيليا لكل متغير.

3. مراقبة جودة البيانات والمعالجة المسبقة

  1. إنشاء خط أنابيب هرمي لمراقبة جودة البيانات والمعالجة المسبقة لضمان موثوقية ونمذجة تطبيق بيانات مراقبة جودة المياه متعددة المصادر. تقوم بمحاذاة الزمن بشكل متسلسل، وتحديد القيم المفقودة، واكتشاف الشذوذ، وتطبيع المقياس، وبناء العينات عبر النافذة. اختر ودمج الطرق المناسبة ديناميكيا وفقا للخصائص المحددة للبيانات.
  2. محاذاة الوقت وإعادة أخذ العينات: محاذاة جميع تسلسلات محطات المراقبة بدقة زمنية موحدة مدتها 15 دقيقة لمراعاة الطوابع الزمنية غير المتزامنة. بالنسبة للنقاط المأخوذة بشكل غير منتظم، تطبيق الاستيفاء الخطي بين الملاحظات المتجاورة وفقا للمعادلة (8). تأكد من أن العينات النافذة اللاحقة مبنية على شبكة زمنية متسقة.
    المعادلة 27 (8)
  3. معالجة القيمة المفقودة
    1. صنف القيم المفقودة بناء على طول الفجوات المتتالية إلى القيم المفقودة قصيرة الأجل (<6 نقاط متتالية، أي <1.5 ساعة) والمفقودة طويلة الأجل (≥6 نقاط متتالية)، وتم تطبيق استراتيجيات مختلفة وفقا لذلك.
    2. تطبيق ترشيح كالمان وتنعيمه لإجراء تقدير ديناميكي للفترات المفقودة طويلة الأمد (≥ 6 نقاط متتالية). نمذجة كل متغير جودة مياه xt (مثل DO، TN، CODMn) باستخدام صياغة متقطعة لفضاء الحالة الخطي، كما هو موضح في
      المعادلات (9) إلى (11).
      المعادلة 29 (9)
      المعادلة 30 (10)
      المعادلة 31 (11)
      حيث xt هي الحالة الكامنة (الحقيقية) لمتغير جودة الماء في الزمن t، yt هي القيمة المرصودة المقابلة؛ A هو معامل انتقال الحالة (مضبوط تجريبيا على 0.95) ليعكس ارتباطا زمنيا عاليا في ملاحظات مدتها 15 دقيقة، H هو مصفوفة الملاحظة (مضبوطة على 1 للقياسات المباشرة)، wt ∼ N(0,Q) و vt ∼ N(0,R) هما عملية غاوسية ذات المتوسط الصفري وضوضاء القياس على التوالي؛ Q = (0.05σx)2 و R=(0.10σx)2، حيث σx هو الانحراف المعياري للمتغير ضمن نافذة انزلاق مدتها 7 أيام.
    3. قم بضبط المرشح ليبقى حساسا للتغيرات قصيرة المدى مع كبح ضوضاء القياس العشوائية. قم بتهيئة الحالة المعادلة 39 الابتدائية باستخدام أول ملاحظة غير مفقودة متاحة وتعيين التغاير الابتدائي P0|0 إلى المعادلة 41. إزالة المقطع بأكمله إذا تجاوز الفاصل المفقود 24 ساعة (96 سجل) لمنع تراكم الأخطاء من خلال الاستقراء طويل الأمد.
  4. اكتشاف وتصحيح الشذوذات
    1. تحديد وتصحيح الشذوذات في خطوتين متسلسلتين: القيود الصلبة (الحدود الفيزيائية) والقيود اللينة (حدود التدرج والوونسورة الكمية).
      1. القيود الصارمة (الحدود الفيزيائية): استبعاد القياسات التي تقع خارج النطاقات المعقولة فيزيائيا (مثل: pH∉[0,14],DO>20 mg/L).
      2. القيود اللينة (حدود التدرج + التحول الكمي للكمي): علم نقطة بيانات على أنها مشبوهة إذا تجاوز معدل التغير المطلق بين ملاحظتين متتاليتين عتبة تدرج معرف تجريبيا |xt - xt-1 | > θ. المجموعة θ=3σ_x Δt-1، حيث σ x تشير إلى الانحراف المعياري للمتغير عبر نافذة منزلقة مدتها 24 ساعة، وΔt = 15 دقيقة تمثل فترة العينة. صحح القيم القصوى باستخدام إجراء وينسوريزشن، كما هو معبر عنه في المعادلة (12).
        المعادلة 45 (12)
        حيث تشير Qα وQ1-α إلى 1٪ و99٪ على التوالي.
        تقوم العملية أولا بإزالة القيم المستحيلة من خلال قيود صارمة، ثم تحدد الملاحظات غير الطبيعية بناء على عتبات التدرج، وأخيرا تنعم الانحرافات المتبقية باستخدام الوينسوريزيشن القائم على الكم. ضمن هذا النهج الهرمي الصلاحية الفيزيائية والاستقرار الإحصائي لمجموعة البيانات المنظفة.
  5. التطبيع
    1. مؤشرات جودة المياه المختلفة لها وحدات وقيم مختلفة. لإزالة فروق المقياس ومنع سيطرة بعض المتغيرات على عملية تدريب النماذج، تطبيق تطبيع درجة z.
  6. بناء عينات النوافذ
    1. تحويل السلاسل الزمنية إلى عينات نوافذ منزلقة ذات طول ثابت للحفاظ على التبعيات الزمنية. بالنظر إلى طول النافذة W وحجم الخطوة S، قم ببناء عينات الإدخال وفقا للمعادلة (13).
      المعادلة 48  (13)
      اضبط W=96 (أي 24 ساعة مع فترة زمنية 15 دقيقة) و S=1 لتوليد عينات بالتتابع باستخدام نافذة منزلقة نقطة نقطة.

4. الشبكة العصبية السائلة المحصورة بالانتباه (AG-LNN)

ملاحظة: الهيكل العام لشبكة السائل العصبية المقيدة بالانتباه (AG-LNN) المقترحة موضح في الشكل 2. يدمج النموذج مدخلات جودة المياه متعددة المصادر، وآلية بوابات تعتمد على الانتباه، وشبكة LNN ذات ثوابت زمنية تكيفية، ومرحلة فك تشفير القراءة مع مخرجات قابلية للتفسير. يتيح هذا التصميم للشبكة التقاط الاعتمادات الزمنية المعقدة ديناميكيا مع الحفاظ على قوة أمام الضوضاء وأخذ العينات غير الموحدة.

  1. طبقة الإدخال متعددة المصادر: راجع الجزء الأيسر من الشكل 2 لعرض بيانات مراقبة جودة المياه متعددة المصادر {xτ}، حيث يمثل كل متجه xτ∈RC قياسات المتغيرات الفيزيائية والكيميائية C (مثل pH، DO، TN، TP، CODMn، العفارة، EC) في الزمن τ. قسم تسلسلات الإدخال إلى نوافذ منزلقة ذات طول ثابت بحجم W، كما صيغ في المعادلة (14).
    المعادلة 53(14)
  2. بوابة الانتباه المدخلة: تطبيق بوابة انتباه، كما هو موضح في الكتلة السفلية اليسرى من الشكل 2، لتسليط الضوء على المتغيرات المعلوماتية وقمع التقلبات المزعجة. احسب أوزان الانتباه وفقا للمعادلة (15).
    المعادلة 54 (15)
    حيث تشيرα τ إلى أهمية على مستوى القناة في الزمن τ. تضمن هذه الآلية أن المتغيرات المرتبطة ارتباطا وثيقا بالتغيرات غير الطبيعية (مثل DOوCOD Mn) تحصل على أوزان أكبر.
  3. بوابة ثابتة زمنية
    1. قم بتعديل ثابت الزمن السائل باستخدام إشارة الانتباه المجمعة، كما هو موضح في الكتلة العليا من الشكل 2، وصيغته وفقا للمعادلة (16).
      المعادلة 56 (16)
      حيث λالقاعدة هي ثابت الزمن الأساسي الذي يتحكم في الذاكرة الجوهرية لكل عصبون سائل؛ المعادلة 58 يرمز إلى متوسط وزن الانتباه عبر قنوات C عند الخطوة الزمنية τ؛ β هو معامل حساسية يحدد مدى تأثير الانتباه على الاستجابة الزمنية.
    2. عندما المعادلة 58 يكون العدد مرتفعا، ينخفض λτ ، مما يدفع الشبكة لتسريع استجابتها والتقاط الشذوذات قصيرة العمر بشكل أفضل. فرض قيودا مقيدة على λτ لتثبيت التدريب.
    3. ضمان الاستقرار العددي ومنع انفجار أو اختفاء الديناميكيات من خلال فرض قيود مقيدة على ثابت الزمن λτ. Set λτ ∈ [λmin,λ max] = [0.5,2.0]. قم بقص أي قيم خارج هذا النطاق إلى أقرب حد أثناء التدريب للحفاظ على سلوك تكيفي مسيطر عليه تحت ظروف بيئية مختلفة. إعداد λ = 1.0 يعطي دقة مثالية واستقرار التقارب.
  4. الطبقة العصبية السائلة
    1. استخدام شبكة عصبية سائلة (LNN) لإجراء نمذجة زمنية مستمرة للسلاسل الزمنية، والتعبير عن صياغتها الديناميكية كما هو موضح في المعادلة (17).
      المعادلة 61 (17)
      حيث يشير ḣ(t) إلى متجه الحالة المخفية؛ λ(⋅) يمثل ثابت الزمن القابل للتعلم، الذي يتم تعديله بواسطة الانتباه؛ σ(∙) هي دالة التنشيط غير الخطية (ReLU)؛ A و B هما مصفوفات أوزان قابلة للتعلم؛ x̃(t) هو متجه الإدخال الطبيعي؛ B هو مصطلح التحيز. تضمن هذه المعادلة تطور ديناميكيات الشبكة مع كل من المدخلات والحالات، بينما يبقى ثابت الزمن λ(⋅) قابلا للتعلم ويعتمد على السياق.
    2. للحسابات العددية، استخدم طريقة التكامل الصريحة لأويلر للتقطيع، كما هو موضح في المعادلة (18).
      المعادلة 68 (18)
      هنا، يمثل Δτ الخطوة الزمنية المنفصلة (فترة التكامل) بين الملاحظات المتعاقبة، ويتم حسابها باستخدام المعادلة (19).
      Δ_τ=(tτ - tτ-1)/Tnorm (19)
      حيث tτ و tτ-1 هما الطوابع الزمنية (بالدقائق) للقياسات المتتالية،ومعيار T = 15 دقيقة يتوافق مع فترة العينة الاسمية في بيانات مراقبة CNEMC. لذا، فإن Δτ = 1 للفترات المنتظمة التي تبلغ 15 دقيقة، بينما Δτ > 1 أو Δτ < 1 تعكس عينة غير منتظمة ناتجة عن ملاحظات مفقودة أو كثيفة. يتعامل هذا النهج بشكل طبيعي مع أخذ العينات غير المنتظمة مع الحفاظ على قابلية التفسير بالنسبة للديناميكيات الفيزيائية الأساسية.
  5. القراءة وتسجيل الشذوذ
    1. بعد إكمال تحديث الحالة المخفية، استخدم طبقة قراءة في AG-LNN لتوليد توقع خطوة واحدة للأمام، كما هو معبر عنه في المعادلة (20).
      المعادلة 77 (20)
      حيث أن Wo و c يدلان على مصفوفة الإسقاط الناتج ومتجه التحيز على التوالي.
    2. احسب البقايا كدرجة الشذوذ بناء على التباين بين القيم المتوقعة والمرصودة، كما هو موضح في المعادلة (21).
      المعادلة 79 (21)
    3. تطبيق استراتيجية عتبة تكيفية قائمة على الكم لتحديد ما إذا كانت الملاحظة تتوافق مع شذوذ.
    4. حدد عتبة الشذوذ θx لكل متغير جودة ماء باستخدام النسبة المئوية 99 من البواقي في مجموعة التدريب، كما صيغ في المعادلة (22).
      المعادلة 81(22)
      حيثيشير σ s إلى الانحراف المعياري لتسلسل البواقي، و γ = 0.2 هو معامل أمان ثابت يعوض عن التغيرات اليومية الطبيعية.
    5. يتوافق هذا التصميم تقريبا مع احتمال تجاوز بنسبة 1٪، بما يتوافق مع تعريفات الشذوذ البيئي القياسية. أثناء الاستدلال، تخرج الشبكة فقط التسلسل المتبقي {sτ}، وللتحديد الشذوذ، يتم إجراء ما بعد الوقوع وفقا للمعادلات (14)–(15). يتوافق تصميم الفصل هذا مع إطار الدراسة العام، مما يضمن أن يركز النموذج على استخراج الميزات وقياس الشذوذ بدلا من المشاركة المباشرة في تحديد العتبة.
  6. أهداف التدريب والتنظيم
    1. أثناء التدريب، قلل من خطأ التنبؤ مع تطبيق تنظيم إضافي على أوزان الانتباه وثوابت الوقت في الوقت نفسه لمنع الإفراط في التوافق وعدم الاستقرار العددي. تعبر دالة الخسارة بالمعادلة (23).
      المعادلة 84 (23)
    2. تطبيقα التنظيم من خلال تنظيم الإنتروبيا -∑ατ log ατ أو معيار اللغة الأولى لتجنب انهيار الانتباه. طبق Regλ عن طريق معاقبة Δλτ = λτ - λτ-1، مع تقييد التقلبات الحادة في ثابت الوقت، وإضافة عقوبات عندما يتجاوز الحد الأعلى والسفلى المحددين مسبقا. تم استخدام هذا النهج للحفاظ على مرونة AG-LNN مع ضمان الاستقرار أثناء التدريب.
  7. مخرجات الحسابات الأمامية وقابلية التفسير
    1. تبسط عملية الحساب الأمامية ل AG-LNN إلى الهيكل السلسلي التالي، كما هو موضح في المعادلة (24).
      المعادلة 89 (24)
    2. خلال كل من التدريب والاستنتاج، قم بتسجيل أوزان الانتباه باستمرار ατ وثوابت الزمن السائل λτ، واستخدمها لتوليد نتائج قابلية التفسير، وهي خرائط حرارة الانتباه ومنحنيات ثوابت الزمن السائل. استخدم هذه التصورات لتسليط الضوء على كيفية تركيز النموذج على متغيرات وجداول زمنية مختلفة، مما يعزز قابلية تفسير الطريقة.

5. إجراءات التدريب

  1. تقسيم البيانات: قسم سلسلة جودة المياه متعددة المصادر زمنيا إلى مجموعات تدريب، تحقق، واختبار باستخدام تقسيم 70٪/15٪/15٪. تأكد من المتانة باختيار مجموعة الاختبار لتشمل فترات غير طبيعية معروفة مع الحفاظ على عدم تداخل صارم مع بيانات التدريب لمنع التسرب الزمني.
  2. تفاصيل التدريب
    1. حل الديناميكا المستمرة في الطبقة السائلة باستخدام مخطط أويلر صريح مستقر. للمقارنة، اختبر التقسيم المغلق الشكل وفقا للصياغة المشار إليها20,21.
    2. جدول تسخين الانتباه: تثبيت أوزان الانتباه إلى قيمة شبه منتظمة (≈ 1.0) خلال أول عشر فترات لتثبيت تدفق التدرج. بعد العصر العاشر، قم تدريجيا بتقليد الانتباه إلى حالته القابلة للتعلم عن طريق إصدار تحديثات الوزن خطيا خلال الفترات الخمس التالية (عامل التحجيم = 0.8). استخدم هذه الاستراتيجية التحضيرية لمنع التذبذبات غير المستقرة في بداية التدريب ولضمان التقارب السلس.
    3. المحسن وجدولة معدل التعلم: تحسين معلمات النموذج باستخدام محسن آدم بحيث β1 = 0.9،β 2 = 0.999، ε = 1 × 10⁻⁸. اضبط معدل التعلم الأولي إلى 1 × 10⁻³ وتحكم فيه باستخدام جدول تلدين جيب تمام (أقصى T = 50 عصرا، الحد الأدنى لمعدل التعلم = 1 × 10⁻⁵). اختر أحجام الدفعات بين 32 و128، حسب سعة ذاكرة وحدة معالجة الرسومات. تطبيق هذا الجدولة التدريجية لضمان التكيف المستقر للديناميكيات الزمنية المستمرة دون تحولات مفاجئة في معدل التعلم.
    4. إعدادات التوقف المبكر والقابلية للتكرار: أنهي التدريب مبكرا إذا لم يتحسن مقياس التحقق (AU-PR أو F1) لمدة 10 فترات متتالية (الصبر = 10). كرر كل تجربة ثلاث مرات باستخدام بذور عشوائية ثابتة (42، 73، و101) لضمان قابلية التكرار. اضبط الحد الأقصى لعدد الفترات إلى 100 واحتفظ بنقطة التحقق مع أفضل معدل تحقق للاختبار.
  3. بيئة الأجهزة والبرمجيات
    1. قم بتنفيذ جميع التجارب على خادم لينكس مزود بمعالجات رسومات NVIDIA Tesla V100 (ذاكرة 32 جيجابايت) ومعالجين Intel Xeon Gold 6230 مزدوجين بذاكرة 256 جيجابايت. نفذ النموذج في بايثون 3.9 باستخدام PyTorch 2.0 كإطار عمل للتعلم العميق، واستخدم مكتبات مساعدة مثل NumPy 1.23، SciPy 1.9، وscikit-learn 1.2 للمعالجة المبدئية والتقييم. قم بتعبئة جميع التجارب باستخدام Docker 23.0 في الحاويات وإدارتها على Ubuntu 20.04 LTS لضمان قابلية التكرار وقابلية نقل النتائج. راجع جدول المواد للحصول على مواصفات تفصيلية لجميع الأجهزة وأدوات البرمجيات لضمان الوضوح والتكرار.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مقارنة الأداء العامة

يقدم الجدول 2 النتائج المقارنة لنماذج الأساس المختلفة ونموذج AG-LNN المقترح لمهمة اكتشاف شذوذ جودة المياه. من بين الخطوط الأساسية التقليدية غير المراقبة، حقق غابة العزل22 وسفينة SVM23 من الفئة الواحدة دقة واستدعاء متوسطين فقط، مما يعكس قدرتهما المحدودة على التقاط الاعتمادات الزمنية المتأصلة في بيانات جودة المياه متعددة المصادر. أدى LOF24 أداء أفضل قليلا من خلال استغلال...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة شبكة عصبية سائلة مقيدة بالانتباه (AG-LNN)، وهي بنية جديدة لاكتشاف شذوذات جودة المياه تجمع بين ديناميكيات السوائل في الوقت المستمر وآليات البوابة القائمة على الانتباه. المكون العصبي السائل في AG-LNN مستوحى من شبكات ثابت الزمن السائل (LTCs)، التي تصنف سلاسل زمنية بثوابت زمنية قابلة للتعلمتعتمد على المدخلات 20. ومع ذلك، يمتد AG-LNN إلى ما هو أبعد من LTCs القياسي من خلال دمج بوابتين إضافيتين: بوابة انتباه مدخل، تركز على المتغيرات ذات الصلة بالشذوذ مثل...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لا يوجد تضارب مصالح لدى المؤلفين.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

وقد دعم هذا البحث مشروع الابتكار المميز لعام 2024 للكليات والجامعات في مقاطعة قوانغدونغ لنظام مراقبة جودة المياه والإنذار المبكر المعتمد على شبكة الاستشعار اللاسلكية (رقم المشروع: 2024KTSCX304)، ومشروع البحث العلمي على مستوى المدرسة لعام 2024 التابع لكلية قوانغتشو نانيانغ البوليتكنيك لنظام إدارة خزانات المياه المعتمد على إنترنت الأشياء (رقم المشروع: NY-2024KYZD-01)، ومشروع المنطقة الرئيسية لمقاطعة قوانغدونغ لعام 2022 (الجيل الجديد) المعلومات الإلكترونية) نظام التنبؤ المبكر والإنذار المبكر والربط والتحكم في الاستزراع المائي عبر الإنترنت بناء على HarmonyOS (رقم المشروع: 2022ZDZX1081)، ومجموعة الكليات المهنية المهنية لمشروع بناء مجموعة بيانات ضخمة في مشروع التكنولوجيا الضخمة لعام 2021 (رقم المشروع: GSPZYQ2020089).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
ذاكرة DDR4 بسعة 256 جيجابايتسامسونجM393A4K40DB3ذاكرة عالية السعة للتعامل مع مجموعات بيانات السلاسل الزمنية متعددة المتغيرات الكبيرة
كودا 11.6NVIDIAلا يوجدمجموعة أدوات تسريع وحدة معالجة الرسومات للعبة PyTorch
معالج Intel Xeon Gold 6330 (2.0GHz، 28 نواة)إنتلBX80708-6330يستخدم كخادم حوسبة رئيسي لتدريب النماذج
ماتبلوتليب 3.4، سيبورن 0.11المصدر المفتوحلا يوجدتصور نتائج التجارب
NumPy 1.21، Pandas 1.3المصدر المفتوحلا يوجدمعالجة البيانات وهندسة الميزات
بطاقة رسومات NVIDIA A100 (40GB)NVIDIA900-21001-0000-001التدريب السريع ل AG-LNN بدعم CUDA
بايثون 3.9مؤسسة بايثون للبرمجياتلا يوجدلغة البرمجة الرئيسية للتنفيذ
بايتورش 1.12الذكاء الاصطناعي الضخملا يوجدإطار عمل التعلم العميق المستخدم لبناء AG-LNN
Scikit-learn 0.24المصدر المفتوحلا يوجدمقاييس التقييم ونماذج الأساس
نظام تشغيل أوبونتو 20.04 LTSالقانونيلا يوجدنظام التشغيل للبيئة الحاسوبية

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wu, J., Wang, Z. A Hybrid Model for Water Quality Prediction Based on an Artificial Neural Network, Wavelet Transform, and Long Short-Term Memory. Water. 14 (4), 610(2022).
  2. Nazari, M., Kerachian, R. Optimal Operation of Reservoirs Considering Water Quantity and Quality Aspects: A Systematic State-of-the-Art Review. Water Resour Manage. 38 (15), 5911-5944 (2024).
  3. Das, S. K., et al. Calibration, Validation and Uncertainty Analysis of a SWAT Water Quality Model. Appl Water Sci. 14 (4), 86(2024).
  4. Mutlu, E., et al. Water Quality Assessment of Şehriban Stream (Kastamonu, Türkİye) from a Multi-Statistical Perspective. Int J Environ Anal Chem. 104 (19), 8229-8245 (2024).
  5. Hassan, A., Samy, G., Hegazy, M., Balah, A., Fathy, S. Statistical Analysis for Water Quality Data Using ANOVA (Case Study-Lake Burullus Influent Drains). Ain Shams Eng J. 15 (4), 102652(2024).
  6. Fang, S., Deitch, M. J., Gebremicael, T. G., Angelini, C., Ortals, C. J. Identifying Critical Source Areas of Non-Point Source Pollution to Enhance Water Quality: Integrated SWAT Modeling and Multi-Variable Statistical Analysis to Reveal Key Variables and Thresholds. Water Res. 253, 121286(2024).
  7. Wang, M., et al. Anomaly Detection in Multidimensional Time Series for Water Injection Pump Operations Based on LSTMA-AE and Mechanism Constraints. Sci Rep. 15 (1), 2020(2025).
  8. Zhao, X. Water Quality Anomaly Detection Research Based on GRU-PINN Model. E3S Web ConfEDP Sci. 628, 01003(2025).
  9. El-Shafeiy, E., Alsabaan, M., Ibrahem, M. I., Elwahsh, H. Real-Time Anomaly Detection for Water Quality Sensor Monitoring Based on Multivariate Deep Learning Technique. Sensors. 23 (20), 8613(2023).
  10. Chadalavada, S., et al. Gated LNN: Gated Liquid Neural Networks for Accurate Water Quality Index Prediction and Classification. IEEE Access. 13, 69500-69512 (2025).
  11. Zhang, Y., et al. Accurate Prediction of Water Quality in Urban Drainage Network with Integrated EMD-LSTM Model. J Cleaner Prod. 354, 131724(2022).
  12. Wang, L., Dong, H., Cao, Y., Hou, D., Zhang, G. Real-Time Water Quality Detection Based on Fluctuation Feature Analysis with the LSTM Model. J Hydroinfo. 25 (1), 140-149 (2023).
  13. Arepalli, P. G., Naik, K. J. A Deep Learning-Enabled IoT Framework for Early Hypoxia Detection in Aqua Water Using Light Weight Spatially Shared Attention-LSTM Network. J Supercomput. 80 (2), 2718-2747 (2024).
  14. Zhang, M., Zhang, Z., Wang, X., Liao, Z., Wang, L. The Use of Attention-Enhanced CNN-LSTM Models for Multi-Indicator and Time-Series Predictions of Surface Water Quality. Water Resour Manage. 38 (15), 6103-6119 (2024).
  15. Long, J., Lu, C., Lei, Y., Chen, Z. Y., Wang, Y. Application of an Improved LSTM Model Based on FECA and CEEMDAN VMD Decomposition in Water Quality Prediction. Sci Rep. 15 (1), 12847(2025).
  16. Xie, L., et al. A Novel Operational Water Quality Mobile Prediction System with LSTM-Seq2Seq Model. Environ Model Software. 185, 106290(2025).
  17. Wu, X., Chen, M., Zhu, T., Chen, D., Xiong, J. Pre-Training Enhanced Spatio-Temporal Graph Neural Network for Predicting Influent Water Quality and Flow Rate of Wastewater Treatment Plant: Improvement of Forecast Accuracy and Analysis of Related Factors. Sci Total Environ. 951, 175411(2024).
  18. Wan, H., Xiang, L., Cai, Y., Xie, Y., Xu, R. Temporal and Spatial Feature Extraction Using Graph Neural Networks for Multi-Point Water Quality Prediction in River Network Areas. Water Res. 281, 123561(2025).
  19. Mu, T., et al. ST-GPINN: A Spatio-Temporal Graph Physics-Informed Neural Network for Enhanced Water Quality Prediction in Water Distribution Systems. NPJ Clean Water. 8 (1), 74(2025).
  20. Liquid Time-Constant Networks. Hasani, R., Lechner, M., Amini, A., Rus, D., Grosu, R. Proc AAAI Conf Artif Intell, 35, 7657-7666 (2021).
  21. A Method for Stochastic Optimization. Adam, K. D. B. J. Int Conf Learning Representat ICLR, 5 (6), 1(2015).
  22. Mehrabian, A., Pahlevan, N. Identifying Anomalies in Surface Water Quality Using Isolation Forest. AGU Fall Meeting Abstracts. 2019, EP54C-09(2019).
  23. Ananias, P. H. M., Negri, R. G. Anomalous Behaviour Detection Using One-Class Support Vector Machine and Remote Sensing Images: A Case Study of Algal Bloom Occurrence in Inland Waters. Int J Digital Earth. 14 (7), 921-942 (2021).
  24. Kahn, C. The Value Proposition for Likelihood-of-Failure Modeling. J Am Water Works Assoc. 113 (1), 30-38 (2021).
  25. Gao, Z., et al. A Novel Multivariate Time Series Prediction of Crucial Water Quality Parameters with Long Short-Term Memory (LSTM) Networks. J Contaminant Hydrol. 259, 104262(2023).
  26. Mohan Raj, K., Vairavel, K. S. Quality Index Metrics with Bi-GRU-Based Water Quality Prediction. Energy Sourc Part A Recov Utilizat Environ Effects. 46 (1), 171-187 (2024).
  27. Yang, H., Yin, X., Hong, L., Jiang, K., Zhang, X. Research on Water Quality Parameter Prediction Model Based on TCN. Open Access Library J. 11 (4), 1-10 (2024).
  28. Lin, Y., et al. Transformer-Based Water Quality Forecasting with Dual Patch and Trend Decomposition. IEEE Internet Things J. 12 (8), 10987-10997 (2024).
  29. Buchhorn, K., Santos-Fernandez, E., Mengersen, K., Salomone, R. Graph Neural Network-Based Anomaly Detection for River Network Systems. F1000 Res. 12, 991(2024).
  30. Li, Z., Liu, H., Zhang, C., Fu, G. Real-Time Water Quality Prediction in Water Distribution Networks Using Graph Neural Networks with Sparse Monitoring Data. Water Res. 250, 121018(2024).
  31. Gcad: Anomaly Detection in Multivariate Time Series from the Perspective of Granger Causality. Liu, Z., Gao, M., Jiao, P. Proc AAAI Conf Artif Intell, 39, 19041-19049 (2025).
  32. Li, R., et al. Multi-Dimensional Spectrum Prediction Using Closed-Form Continuous-Time Neural Network With Graph Attention. IEEE Transact Vehicular Technol Early Access. , 1-5 (2025).
  33. Tandra, N., Kuppan, P., Arunachalam, K. P., Loganathan, G. A Hybrid Model of Prairie Dog Optimization and Closed-Form Continuous-Time Neural Networks for next Generation Lithium-Ion and Sodium-Ion Batteries. Int J Chem Reactor Eng. 23 (9), 1075-1087 (2025).
  34. Li, X., et al. A Closed-Form Continuous-Depth Neural-Based Hybrid Difference Features Re-Representation Network for RUL Prediction. Reliability Eng Sys Safety. 253, 110540(2025).
  35. Cantini, C., Rolland-Piegue, E., Schmitter, D. Exact Implementation of Closed-Form Liquid Neural Networks With Arbitrary Precision. IEEE Signal Proc Lett. 32 (2025), 921-925 (2025).
  36. Event-Driven Dynamic Attention for Multi-Object Tracking on Neuromorphic Hardware. Aitsam, M., Davies, S., Di Nuovo, A. Proc Comp Vis Pattern Recognit Conf, 2025, 5055-5062 (2025).
  37. Chen, Z., et al. Bridging Quantized Artificial Neural Networks and Neuromorphic Hardware. arXiv. , (2025).
  38. Kim, Y., Lee, C. W., Jang, H. W. Neuromorphic Hardware for Artificial Sensory Systems: A Review. J Electron Mater. 54 (5), 3609-3650 (2025).
  39. Abreu, S., Shrestha, S. B., Zhu, R. J., Eshraghian, J. Neuromorphic Principles for Efficient Large Language Models on Intel Loihi 2. arXiv. , (2025).
  40. Analyzing Energy Consumption of Loihi 2 Neuromorphic Chip in a Self-Driving Use-Case. Nagy, Á, Szabó, R., Toka, L. 2025 10th Int Conf Smart Sustainable Tech, , 1-6 (2025).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة