Methode zur Erkennung von Wasserqualitätsanomalien auf Basis eines aufmerksamkeitsgesteuerten flüssigen neuronalen Netzwerks

Zusammenfassung

Diese Studie schlägt ein Attention-Gated Liquid Neural Network zur Erkennung von Wasserqualitätsanomalien vor, das durch kontinuierliche Zeitmodellierung und aufmerksamkeitsbasierte Gating eine überlegene Genauigkeit und Interpretierbarkeit erreicht, wodurch die Zuverlässigkeit der Umweltüberwachung verbessert und nachhaltiges Wassermanagement unterstützt wird.

Zusammenfassung

Mit dem raschen Ausbau von Wasserüberwachungsnetzwerken ist die Erkennung von Zeitreihenanomalien immer wichtiger geworden, um aquatische Lebensräume zu schützen und deren nachhaltiges Management zu gewährleisten. Konventionelle Modelle haben jedoch oft Schwierigkeiten mit unregelmäßigen Abtastintervallen, multivariaten Korrelationen und Interpretierbarkeit in praktischen Anwendungen. Um diese Herausforderungen zu bewältigen, schlägt diese Studie ein Attention Gated-Liquid Neural Network (AG-LNN) vor, das die dynamische Modellierungsfähigkeit des Liquid Neural Network (LNN) mit aufmerksamkeitsbasierten Gating Mechanismen integriert. Das Modell führt ein Input-Attention-Gate ein, um anomalierelevante Variablen wie gelösten Sauerstoff (DO) und den Permanganatindex (COD_Mn) hervorzuheben, sowie ein zeitkonstantes Gatter, das adaptiv das temporale Gedächtnis des Modells anpasst. Anhand von Daten des China National Environmental Monitoring Center (CNEMC), die zwischen 2019 und 2024 in 13 Provinzen erhoben wurden, zeigte AG-LNN eine überlegene Leistung gegenüber Baseline-Modellen, einschließlich Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), Transformer und Graph Neural Network (GNN) Architekturen. Es erreicht eine Präzisions-Erinnerungsfläche unter Kurve (PR-AUC) von 0,95 und einen F1-Wert von 0,90, während die Stabilität unter Querregionen- und Zeitbewertungen erhalten bleibt. Eine kompakte Version, AG-LNN-light, reduziert die Parameter um 62 % mit minimalem Genauigkeitsverlust und ermöglicht so eine effiziente Edge-Deployment. Die Ergebnisse bestätigten, dass aufmerksamkeitsgesteuerte kontinuierliche Zeitmodellierung einen robusten und interpretierbaren Ansatz für die großflächige Erkennung von Wasserqualitätsanomalien bietet.

Einleitung

Die Überwachung der Wasserqualität ist unerlässlich, um die öffentliche Gesundheit zu schützen, aquatische Ökosysteme zu erhalten und die Einhaltung von Umweltvorschriften sicherzustellen. Traditionelle Wasserqualitätsmodelle wie das Soil and Water Assessment Tool (SWAT), das mechanistische QUAL-Modell und statistische Prognoseansätze haben oft Schwierigkeiten, die stark nichtlineare, multivariate und zeitlich unregelmäßige Natur von Wassersystemen zu erfassen, die gleichzeitig von chemischen, biologischen, hydrologischen

Protokoll

HINWEIS: Der gesamte Arbeitsablauf dieser Studie ist in Abbildung 1 dargestellt.

1. Datenerfassung

1. Datenquellenidentifikation
   1. Beziehen Sie Wasserqualitäts-Zeitreihendaten aus der öffentlichen Datenbank des China National Environmental Monitoring Center (CNEMC) (https://www.cnemc.cn/sssj/). Kontinuierliche nationale Überwachungsaufzeichnungen für große Seen und Stauseen in China abgerufen. Wichtige physikalisch-chemische Indikatoren waren pH-Wert, gelöster Sauerstoff (DO), Gesamtphosphor (TP), Gesamtstickstoff (TN), Permanganatindex (COD_Mn), Trübung (NTU....

Ergebnisse

Gesamtleistungsvergleich

Tabelle 2 zeigt die vergleichenden Ergebnisse der verschiedenen Basismodelle und des vorgeschlagenen AG-LNN für die Aufgabe zur Erkennung von Wasserqualitätsanomalien. Unter den traditionellen unbeaufsichtigten Baselines erreichten Isolation Forest²² und One-Class SVM²³ nur moderate Präzision und Rückruf, was ihre begrenzte Fähigkeit widerspiegelt, die zeitlichen Abhängigkeiten in mehrque.......

Diskussion

Diese Studie führt ein Attention-Gated Liquid Neural Network (AG-LNN) ein, eine neuartige Architektur zur Erkennung von Wasserqualitätsanomalien, die kontinuierliche Flüssigkeitsdynamik mit aufmerksamkeitsbasierten Gatoring-Mechanismen kombiniert. Die flüssig-neuronale Komponente eines AG-LNN ist inspiriert von Liquid Time-Constant Networks (LTCs), die Zeitreihen mit lernbaren, eingabeabhängigen Zeitkonstanten²⁰ modellieren. AG-LNN geht jedoch über Standard-LTCs h.......

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
256 GB DDR4-RAM	Samsung	M393A4K40DB3	Hochkapazitätsspeicher zur Verarbeitung großer multivariater Zeitreihendatensätze
CUDA 11.6	NVIDIA	N/A	GPU-Beschleunigungstoolkit für PyTorch
Intel Xeon Gold 6330 CPU (2,0 GHz, 28 Kerne)	Intel	BX80708-6330	Verwendet als Hauptrechenserver für das Modelltraining
Matplotlib 3.4, Seaborn 0.11	Open Source	N/A	Visualisierung experimenteller Ergebnisse
NumPy 1.21, Pandas 1.3	Open Source	N/A	Datenvorverarbeitung und Feature-Engineering
NVIDIA A100 GPU (40GB)	NVIDIA	900-21001-0000-001	Beschleunigte Ausbildung der AG-LNN mit Unterstützung der CUDA
Python 3.9	Python Software Foundation	N/A	Hauptprogrammiersprache für die Implementierung
PyTorch 1.12	Meta-KI	N/A	Deep-Learning-Framework zum Aufbau von AG-LNN verwendet
Scikit-learn 0.24	Open Source	N/A	Bewertungsmetriken und Basismodelle
Ubuntu 20.04 LTS OS	Kanonisch	N/A	Betriebssystem für die rechnerische Umgebung