מחקר זה מציע רשת עצבית נוזלית עם שערי קשב לזיהוי אנומליה באיכות מים, המשיגה דיוק ופרשנות מעולים באמצעות מידול בזמן רציף וגייטרינג מבוסס קשב, ובכך משפרת את אמינות הניטור הסביבתי ותמיכה בניהול מים בר-קיימא.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר שיטה
* These authors contributed equally
מחקר זה מציע רשת עצבית נוזלית עם שערי קשב לזיהוי אנומליה באיכות מים, המשיגה דיוק ופרשנות מעולים באמצעות מידול בזמן רציף וגייטרינג מבוסס קשב, ובכך משפרת את אמינות הניטור הסביבתי ותמיכה בניהול מים בר-קיימא.
עם ההתרחבות המהירה של רשתות ניטור מים, זיהוי אנומליות בסדרות זמן הפך לקריטי יותר ויותר לשמירה על סביבות ימיות ולהבטחת ניהולן בר-קיימא. עם זאת, מודלים קונבנציונליים מתקשים לעיתים קרובות עם מרווחי דגימה לא סדירים, קורלציות רב-משתניות ויכולת פרשנות ביישומים מעשיים. כדי להתמודד עם אתגרים אלו, מחקר זה מציע רשת עצבית נוזלית-מחוברת קשב (AG-LNN) המשלבת את יכולת המידול הדינמי של רשת העצבים הנוזלית (LNN) עם מנגנוני שער מבוססי קשב. המודל מציג שער קלט-תשומת לב כדי להדגיש משתנים רלוונטיים לאנומליה כמו חמצן מומס (DO) ומדד הפרמנגנט (CODMn), ושער קבוע בזמן שמתאים באופן אדפטיבי את הזיכרון הזמני של המודל. באמצעות נתונים מהמרכז הלאומי למעקב סביבתי של סין (CNEMC) שנאספו בין השנים 2019 ל-2024 ב-13 מחוזות, AG-LNN הפגין ביצועים עליונים לעומת מודלים בסיסיים, כולל ארכיטקטורות זיכרון ארוך-טווח קצר (LSTM), רשת קונבולוציונית זמנית (TCN), Transformer ורשת עצבית גרפית (GNN). הוא משיג אזור דיוק-זיכרון מתחת לעקומה (PR-AUC) של 0.95 וציון F1 של 0.90, תוך שמירה על יציבות בהערכות חוצות אזורים וזמן. גרסה קומפקטית, AG-LNN-light, מפחיתה פרמטרים ב-62% עם אובדן דיוק מינימלי, ומאפשרת פריסת קצה יעילה. התוצאות אישרו כי מידול בזמן רציף מבוסס קשב מספק גישה איתנה וניתנת לפירוש לזיהוי אנומליות איכות מים בקנה מידה גדול.
ניטור איכות מים חיוני להגנה על בריאות הציבור, לשימור מערכות אקולוגיות מימיות ולהבטחת עמידה בתקנות סביבתיות. מודלים מסורתיים של איכות מים, כגון כלי הערכת קרקע ומים (SWAT), מודל QUAL המכניסטי וגישות חיזוי סטטיסטיות, לעיתים קרובות מתקשים ללכוד את האופי הלא-ליניארי, הרב-משתני והבלתי סדיר בזמן של מערכות מים המושפעות בו-זמנית מגורמים כימיים, ביולוגיים, הידרולוגיים ומטאורולוגיים 1,2,3,4,5,6 . לכן, שיפור זיהוי חריגות בנתוני איכות מים נותר אתגר דח....
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
הערה: תהליך העבודה הכולל של מחקר זה מוצג באיור 1.
1. רכישת נתונים
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
השוואת ביצועים כוללת
טבלה 2 מציגה את התוצאות ההשוואתיות של מודלי הבסיס השונים ואת ה-AG-LNN המוצע למשימת זיהוי אנומליות איכות המים. מבין קווי הבסיס המסורתיים ללא פיקוח, יער בידוד22 ו-One-Class SVM23 השיגו דיוק וזיכרון מתונים בלבד, מה שמשקף את יכולתם המוגבלת ללכוד את התלות הזמנית הטבועה בנתוני איכות מים מרובי מקורות. LOF24 ביצע מעט טוב יותר על ידי ניצול מבני צפיפות מקומיים, אך ביצועיו נותרו .......
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
מחקר זה מציג רשת עצבית נוזלית מוגבלת קשב (AG-LNN), ארכיטקטורה חדשנית לזיהוי אנומליה באיכות מים המשלבת דינמיקת נוזלים בזמן רציף עם מנגנוני שער מבוססי קשב. הרכיב העצבי הנוזלי ב-AG-LNN מושפע מרשתות קבועות זמן נוזליות (LTCs), המדמות סדרות זמן עם קבועי זמן20 הניתנים ללמידה ותלויי קלט. עם זאת, AG-LNN חורג מ-LTCs סטנדרטיים על ידי שילוב שני שערים נוספים: שער קשב קלט, המדגיש משתנים רלוונטיים לאנומליה כמו DOו-COD Mn, ושער מודולציה קבוע בזמן, שמאיץ או מאט.......
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
למחברים אין ניגודי עניינים.
מחקר זה נתמך על ידי פרויקט החדשנות האופיינית למכללות ואוניברסיטאות במחוז גואנגדונג לשנת 2024 מבוסס רשת חיישנים אלחוטית (מספר פרויקט: 2024KTSCX304), פרויקט מחקר מדעי ברמת בית ספר של מכללת גואנגג'ואו נאניונג פוליטכניק מערכת ניהול מיכלי מים מבוססת אינטרנט של הדברים לשנת 2024 (מספר פרויקט: NY-2024KYZD-01), פרויקט אזור מפתח מחוז גואנגדונג לשנת 2022 (דור חדש) מידע אלקטרוני) מערכת חיזוי מקוונת, התרעה מוקדמת ומניעת ובקרת קישורים לאקווקולטורה המבוססת על HarmonyOS (מספר פרויקט: 2022ZDZX1081), ומכללות מקצועיות במחוז גואנגדונג בשנת 2021 פרויקט בניית קבוצות מקצועיות ברמה גבוהה בביג דאטה (מספר פרויקט: GSPZYQ2020089).
....הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| זיכרון DDR4 בנפח 256 GB | סמסונג | M393A4K40DB3 | זיכרון בעל קיבולת גבוהה לטיפול במאגרי נתונים גדולים בסדרות זמן רב-משתניות |
| CUDA 11.6 | NVIDIA | לא זמין | ערכת כלים להאצת GPU עבור PyTorch |
| מעבד Intel Xeon Gold 6330 (2.0GHz, 28 ליבות) | אינטל | BX80708-6330 | משמש כשרת החישוב הראשי לאימון מודלים |
| Matplotlib 3.4, Seaborn 0.11 | קוד פתוח | לא זמין | המחשה של תוצאות ניסוי |
| NumPy 1.21, פנדות 1.3 | קוד פתוח | לא זמין | קדם-עיבוד נתונים והנדסת תכונות |
| כרטיס מסך NVIDIA A100 (40GB) | NVIDIA | 900-21001-0000-001 | הכשרה מואצת של AG-LNN בתמיכת CUDA |
| פייתון 3.9 | קרן התוכנה של פייתון | לא זמין | שפת התכנות הראשית למימוש |
| פייטורץ' 1.12 | מטא AI | לא זמין | מסגרת למידה עמוקה המשמשת לבניית AG-LNN |
| Scikit-learn 0.24 | קוד פתוח | לא זמין | מדדי הערכה ומודלים בסיסיים |
| Ubuntu 20.04 LTS OS | קנוני | לא זמין | מערכת הפעלה לסביבה החישובית |
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.