מאמר שיטה

שיטת זיהוי אנומליות באיכות מים המבוססת על רשת עצבית נוזלית מוגבלת קשב

DOI:

10.3791/69492

⸱

6 בפברואר 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

במאמר זה

סיכום

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

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.

תקציר

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

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.

מבוא

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

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 דחוף.

במונחים מעשיים, המסגרת המוצעת מיועדת לרשתות חישה איכות מים רב-פרמטריות המודדות משתנים כגון פוטנציאל מימן (pH), חמצן מומס (DO), חנקן כולל (TN), זרחן כולל (TP) ומדד פרמנגן (CODMn), עכירות ומוליכות, עם מרווחי דגימה טיפוסיים הנעים בין 15 ל-60 דקות. מודל זה סובל דגימה לא סדירה ותצפיות חסרות, מה שהופך אותו למתאים לפריסה אמיתית במערכות ניטור מים עיליים ומאגרים.

יישום למידת מכונה בזיהוי אנומליות איכות מים

בשנים האחרונות, שיטות למידת מכונה (ML) ולמידה עמוקה (DL) זכו לפופולריות ליישומי איכות מים. לדוגמה, Wang ואחרים הציגו מקודד אוטומטי לזיכרון קצר טווח ארוך עם קשב (LSTMA-AE) בשילוב עם מגבלות מכניות לשיפור הדיוק ולהפחתת אזעקות שווא בזיהוי אנומליות בפעולות משאבות הזרקת מים, והשיגו ביצועים טובים משמעותית לעומת שיטות האינטרפולציה, יער אקראי או LSTM-AE.

באופן דומה, ג'או ואח' הציעו מודל יחידת Gated Recurrent Network (רשת עצבית מודעת פיזיקלית) (GRU-PINN) שמשלב מגבלות פיזיקליות בפונקציית האובדן, ומשפר משמעותית את הפרשנות ואת ציון F1 במשימות גילוי אנומליות באיכות מים. אלשאפיי ואח' פיתחו ארכיטקטורת רשת קונבולוציונית רב-משתנית-LSTM (MCN-LSTM), המשלבת רשתות קונבולוציונליות רב-משתניות עם LSTM לזיהוי אנומליות בזמן אמת בנתוני חיישני איכות מים, והדגימה יכולות זיהוי משופרות בסביבות שטח. התקדמות נוספת היא מודל10 של רשת עצבית נוזלית עם שערים (Gated-LNN), המשלב מנגנוני גייטינג ברשתות עצביות נוזליות כדי לחזות במדויק את מדד איכות המים (WQI) ולסווג איכות מים, תוך השגת R2 ≈ 0.9995 ודיוק סיווג של 99.74% במאגרי נתונים הודיים.

זיהוי אנומליות בסדרות זמן

מעבר ליישומים ספציפיים ל-DL, זיהוי אנומליות בסדרת זמן התפתח במהירות בתחומים שונים. זיהוי אנומליות בסדרות זמן הפך לטכניקה מרכזית לשיפור ניטור איכות המים והתרעה מוקדמת. שיטות סטטיסטיות מסורתיות לעיתים קרובות אינן מצליחות ללכוד את המאפיינים הלא-ליניאריים והדינמיים של נתוני איכות המים, מה שמוביל ליישום מודלים של למידה עמוקה. לדוגמה, ג'אנג ואח' שילבו את פירוק מצב אמפירי (EMD) עם LSTM כדי לטפל טוב יותר באותות לא נייחים, ושיפרו משמעותית את דיוק החיזוי של דרישת חמצן כימי (COD), ביקוש ביוכימי לחמצן (BOD₅), זרחן כולל (TP), חנקן כולל (TN) וחנקן אמוניה (NH₃-N). בהתבסס על כך, Wang ואחרים הציעו שיטת ניתוח תנודות מבוססת LSTM באמצעות אנטרופיה משוערת, המשפרת את ביצועי זיהוי אנומליות בזמן אמת.

התקדמות אחרונה הדגישה מנגנוני קשב ומסגרות היברידיות. ארפאלי ואח' הציגו LSTM קל משקל לזיהוי היפוקסיה באקווקולטורה, והשיגו דיוק של 99.8%, בעוד ש-Zhang ואחרים 14 הראו כי תשומת לב מרחבית וזמנית שיפרו משמעותית את חיזוי CNN-LSTM של חמצן מומס (DO) ו-NH₃-N. באופן דומה, לונג ואחרים, 15 שילבו את Complete Ensemble Empirical Mode Decomposition עם Adaptive Noise-Variational Mode Decomposition (CEEMDAN-VMD) עם LSTM מוגבר קשב, והשיגו ערכי Nash-Sutcliffe Efficiency (NSE) עד 0.99 במספר מדדים. ברמת היישום, Xie ואח' הדגימו מערכת LSTM-רצף-לרצף ניידת (Seq2Seq) לחיזוי איכות מים בזמן אמת בתפעול בין אגני נהרות.

בסך הכול, מחקרים אלו מדגישים מגמה ברורה בקווי בסיס מבוססי LSTM, מודלים היברידיים מוגברים על ידי קשב ויישומים ברמת המערכת. למרות שהדיוק השתפר משמעותית, עדיין קיימים אתגרים בפרשנות, עמידות בתנאי רעש והכללה בין רשתות ניטור מגוונות.

יישום רשתות עצביות גרפיות ומודלים מרחביים-זמניים בניטור סביבתי

רשתות עצביות גרפיות (GNNs) ומודלים של למידה עמוקה מרחבית-זמנית הראו לאחרונה פוטנציאל משמעותי בניטור סביבתי על ידי לכידת מתאמים מרחביים בין אתרי ניטור ותלות זמנית בדינמיקת איכות מים. לדוגמה, Wu ואח' הציעו רשת עצבית גרפים מרחבית-זמנית משופרת (PT-STGNN) למערכת טיהור שפכים, המשלבת הכשרה מוקדמת מבוססת שנאים ולמידת מבנה גרף לשיפור החיזוי ארוך הטווח של COD, NH₃-N, TP, TN, pH וקצב זרימה. באופן דומה, Wan ואחרים פיתחו GNN (STF-GNN) FEATURE SPACEIO-TEMPORAL (STF-GNN) ששילב קונבולוציה של גרפים, GRU ומנגנוני קשב, ושיפר משמעותית את תחזיות החמצן המומס (DO) ו-TN תוך הדגמת הכללה חזקה בין אגנים.

מסגרות היברידיות צמחו מעבר לעיצובים מבוססי נתונים בלבד כדי לשפר את ההכללה. מו ואח' הציגו את רשת הנוירונים המבוססת על פיזיקת גרפיקה במרחב-זמן (ST-GPINN), המשלבת עקרונות הידראוליים במודלים מבוססי רשת עצבית גרפית (GNN) למערכות הפצת מים. על ידי שילוב ייצוגי גרפים עם מגבלות מבוססות פיזיקה, ST-GPINN משיג דיוק מתקדם תוך התרחבות יעילה מרשתות קטנות לגדולות. יחד, מחקרים אלו מדגישים את התפקיד ההולך וגדל של GNNs מרחב-זמן בניטור סביבתי, בקידום דיוק חיזוי, פרשנות ועמידות, ומניחים את היסודות למערכות ניהול מים חכמות מהדור הבא.

יתרונות ופוטנציאל של רשתות עצביות נוזליות

רשתות עצביות נוזליות (LNNs), הידועות גם כרשתות קבועות זמן נוזלי, מדמות באופן ייחודי דינמיקה בזמן רציף באמצעות קבועי זמן תלויי קלט וניתנים ללמידה. חסאני ואח' הציגו LNNs והדגים את עוצמת הביטוי שלהן, יציבותן ויעילותן במשימות בסדרת זמן. ההסתגלות שלהם בהשראת המוח הופכת אותם למועמדים מבטיחים למידול תופעות סביבתיות דינמיות כמו איכות מים, אך השילוב שלהם עם מנגנוני הקשב עדיין לא נחקר.

מנגנוני קשב, במיוחד שערי קשב, הם כלים רבי עוצמה להתמקדות בתכונות רלוונטיות ולאפשר פרשנות אפשרית. למרות השימוש הנרחב בהדמיה רפואית, Attention U-Net מהווה בסיס לשיפור תכונות סלקטיבי באמצעות שערי קשב ללמידה. תשומת לב יושמה גם במסגרות זיהוי אנומליות מבוססות חיישנים, כגון LSTMA-AE7 ו-GRU-PINN8, מה שהגביר את הרגישות לדפוסים קריטיים ושיפר את שקיפות המודלים.

ביחד, תצפיות אלו מצביעות על הצורך בארכיטקטורה היברידית שמשלבת התאמה בזמן רציף עם מנגנוני קשב ניתנים לפרשנות. לכן, אנו מציעים רשת עצבית נוזלית עם שערי קשב (AG-LNN) המשלבת את יכולות המידול הדינמי של רשתות עצביות נוזליות (LNNs) עם שערי קשב המתמקדים בקלטים בולטים או במקטעים זמניים. ארכיטקטורה זו שואפת לשפר עמידות לרעש חיישנים ודגימה לא סדירה, לשפר רגישות לאנומליות קצרות מועד, ולהציע פרשנות באמצעות מפות חום קשב ומסלולים אדפטיביים קבועים בזמן. ה-AG-LNN הוערך על פי מאגרי איכות מים רב-משתניים בעולם האמיתי והושוו מול LSTM, Transformer, LNN טהור וקווי בסיס של ML מסורתי. גם ניתוחים כמותיים (דיוק, זיכרון, F1, AUC) וגם איכותניים (ויזואליזציות קשב, דינמיקה קבועה בזמן) הראו את היעילות והשקיפות של המודל המוצע.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

הערה: תהליך העבודה הכולל של מחקר זה מוצג באיור 1.

1. רכישת נתונים

  1. זיהוי מקורות נתונים
    1. השגת נתוני סדרות זמן של איכות מים ממאגר הנתונים הציבורי של המרכז הלאומי לסין לניטור סביבתי (CNEMC) (https://www.cnemc.cn/sssj/). שליפת רשומות ניטור רציפות ברמה הלאומית המכסות אגמים ומאגרים מרכזיים בסין. מדדים פיזיקוכימיים מרכזיים כללו pH, חמצן מומס (DO), זרחן כולל (TP), חנקן כולל (TN), מדד פרמנגן (CODMn), עכירות (NTU) ומוליכות חשמלית (EC).
    2. ודא שהמטא-דאטה המתאים, כגון זמן ניטור, מצב תפעול התחנה וסיווג איכות המים (Class I-V), כלולים במאגר הנתונים שהורד.
  2. שליפת מערכי נתונים ומפרט קבצים
    1. להבטיח שחזור נתונים על ידי איחוד ושיתוף מערך הנתונים המעובד תחת שם הקובץ cnemc_data_2019_2024. csv. הקובץ במאגר הענן של Baidu (https://pan.baidu.com/s/1ZXYxkCZAnx7tiOHJhuJ2Qg?pwd=u97h) מאפשר גישה ציבורית ואימות של כל הניסויים.
    2. כלול נתוני ניטור מ-13 מחוזות (גואנגדונג, הוביי, ג'יאנגסו, ג'ג'יאנג, אנחווי, פוג'יאן, ג'יאנגשי, חנאן, סצ'ואן, גויג'ואו, ליאונינג, היילונגג'יאנג וג'ילין) כדי להבטיח כיסוי ייצוגי באזורים הידרולוגיים ואקלימיים מגוונים בצפון, דרום, מזרח, מערב ורמות גבוהות.
    3. הקצה מספר שווה של רשומות ניטור לכל מחוז, מה שמניב סך של 1,832 רשומות שנאספו בין ינואר 2019 לדצמבר 2024. יש לסמן כל תחנה באמצעות מזהים מבוססי מחוז (למשל, GD001 לגואנגדונג, HB001 להוביי). לכל רשומה, כלול תכונות תיאוריות כמו אגן, waterbody_type (אגם או מאגר), ועונה (אביב, קיץ, סתיו או חורף, שמקורם בזמן הדגימה).
    4. הוסף שדות גיאולוקציה אופציונליים (קו אורך ורוחב) כדי להקל על ניתוח מרחבי ושחזוריות. הגדרות שדה מלאות, סוגי נתונים ויחידות ששימשו cnemc_2019_2024. ערכי CSV מסוכמים בטבלה 1.

2. בחירת ותיוג משתנים

  1. בחירת משתנים
    1. בחרו משתנים המייצגים את הפרמטרים הפיזיקוכימיים המנוטרים ביותר של מי שטח, תוך הבטחת רלוונטיות אקולוגית ורגישות לזיהום או להפרעות סביבתיות. בפרט, כלול את המדדים הבאים:
      pH, המשקף את איזון החומצה-בסיס של המים ומשפיע על פעילות ביולוגית ומסיסות כימית
      חמצן מומס (DO), אינדיקטור ישיר לבריאות המערכת האקולוגית הימית וזיהום אורגני
      זרחן כולל (TP) וחנקן כולל (TN), שני חומרים מזינים עיקריים הקשורים לתהליכי אאוטרופיקציה
      מדד הפרמנגנט (CODMn), המייצג את תכולת החומר האורגני הניתן לחמצון ומדד עקיף לזיהום אורגני
      עכרות (Tur), המשקפת חלקיקים תלויים ועומס משקעים
      מוליכות חשמלית (EC), המצביעה על ריכוז היונים המומסים ומליחות כוללת
    2. בחרו במשתנים אלה לא רק בשל זמינותם השגרתית מתחנות ניטור CNEMC, אלא גם בשל רלוונטיותם המוכחת במחקרים קודמים 10,11,14,17 בהערכת איכות מים וזיהוי אנומליה.
  2. אסטרטגיית תיוג
    1. הגדר תוויות אנומליה לתמיכה באימון ובהערכת מודלים. יישמו אסטרטגיית תיוג כפול שמשלבת את שתי הגישות המשלימות בנפרד.
    2. תיוג רגולטורי או מבוסס מומחים: אימצו אירועים חריגים מתועדים רשמיים או מוערים (למשל, פליטות פתאומיות של מזהמים, פריחות אצות או כשלים במכשירים) מהרשות המנטרת כאנומליות אמת קרקעית.
    3. תיוג חלש מונחה נתונים: הסיק חריגות למרווחי ניטור ללא הערות מומחים מפורשות ישירות ממאגר סדרות זמן רב-משתני של CNEMC על ידי יישום מסגרת תיוג חלשה מונחית סטטיסטית, מודעת לעונה.
    4. מבנה תהליך זה לשלושה מרכיבים עיקריים: ביצוע נרמול עונתי, יישום זיהוי סטיות מבוסס כמות, וחיזוק התוצאות באמצעות הערכה מבוססת שאריות.
      1. נרמול עונתי: נרמול השפעות עונתיות עבור כל משתנה x,i,t (למשל, DO,COD Mn, TP, TN, עכירה) באמצעות שדה העונה המפורש (אביב, קיץ, סתיו, חורף) המסופק במאגר הנתונים של CNEMC. תקן כל משתנה בתוך תת-הקבוצה העונתית המתאימה לו, כפי שמוצג במשוואה (1).
        משוואה 4(1)
        כאשרμ i(s) ו-σi(s) הם הממוצע והסטיית התקן של המשתנה i במהלך עונה S. נורמליזציה זו מפצה על שינויים עונתיים שיטתיים כמו ירידה ב-DO בקיץ או עלייה ב-CODMn בעונת הגשמים, ומבטיחה השוואה בין עונות השנה.
      2. תיוג חלש מבוסס קונטילים: לאחר הנרמליזציה, זיהוי אנומליות על ידי יישום ספי קוונטים חזקים המחושבים עבור כל משתנה באותה עונה וקבוצת מחוז, כפי שמוצג במשוואה (2).
        משוואה 7(2)
        כאשר Q_p (⋅) הוא אופרטור הקוונטין ה-p, משוואה 9 הוא הסף התחתון והעליון של הקוונטים (האחוזון הראשון וה-99) עבור המשתנה i בעונה s. סמן נקודת נתונים כאנומלית אם היא חורגת מהגבולות הללו, כפי שמוצג במשוואה (3).
        משוואה 10 (3)
        שלב זה מתחשב באופן אדפטיבי בהבדלים אזוריים ועונתיים, ובכך נמנע זיהויים שגויים הנגרמים מתנודות הידרולוגיות טבעיות.
      3. חיזוק מבוסס שאריות: קבע קו בסיס חציוני מתגלגל ל-15 ימים כדי לזהות סטיות קצרות טווח פתאומיות שספי הכמותיים עלולים לפספס, כפי שמובע במשוואה (4).
        משוואה 11 (4)
        כאשר arei,t היא הסטייה השאריתית של המשתנה i בזמן T, החציון (xi,t-15:t+15) הוא קו הבסיס החציוני המתגלגל של 15 הימים סביב T. סמן נקודת נתונים כאנומליה שארית אם השארית המוחלטת עולה על פי שלושה מהסטיית התקן העונתית (|ri,t| > 3σi(s)). חיזוק שאריתי זה תפס ביעילות את הקפיצות החולפות שנגרמו על ידי פליטת מזהמים, אירועי גשם או תקלות זמניות בחיישנים.
      4. החלטה משולבת של תווית חלשה: ממזג גם מדדי אנומליה מבוססי כמתים וגם על שארית כדי להקצות תווית בינארית חלשה yt, כפי שמוגדר במשוואה (5).
        משוואה 16(5)
        כאשר yt=1 מציין שלפחות פרמטר אחד מציג התנהגות אנומלית בזמן t, yt = 0 מציין תצפיות נורמליות על פני כל הפרמטרים.
        יצר סט של הערות חלשות מונחות נתונים בכל 13 המחוזות וחמשת האזורים האקלימיים במאגר הנתונים של CNEMC באמצעות הליך התיוג המשולב. שלבו תוויות אלו בלמידה משוקללת לפי ביטחון על ידי הקצאת משקל ביטחון של 0.7 לתוויות חלשות ביחס להערות שאומתו על ידי מומחים עם משקל של 1.0.
    5. יחס סוגי הערות
      1. השתמש בכ-42% הערות מאומתות על ידי מומחים שמקורן בדוחות סביבתיים רשמיים, וב-58% הערות חלשות שנוצרו מנתוני ניטור רציף. יישם מיזוג היוריסטי של סף ציון z ופירוק מגמות עונתי (STL) לזיהוי אנומליות פוטנציאליות בסדרות זמן איכות מים רב-משתניות. יחסי ההערות שנבחרו מאומתים באמצעות ניסויים המוצגים בסעיף 5.1 (השפעת יחס ההערות) של חלק התוצאות. תוצאות אלו מאשרות כי איזון אופטימלי אמפירית מתרחש סביב יחס מומחה לחלש של 40:60, התואם את הרכב מערך הנתונים בפועל.
    6. אימות של דיוק אנוטציה חלש
      1. להבטיח את אמינות הדגימות עם הערות חלשות על ידי בדיקת תת-קבוצה אקראית של 800 מקרים עם תוויות חלשות עם מומחים סביבתיים. רשמו את שיעור ההסכמה בין הערות חלשות לשיפוטי מומחים, שצפוי להגיע לכ-87.5%. הסר דגימות עם ביטחון אנומליה נמוך (< 0.6) או חוסר הסכמה עם מערך האימות המומחה מנתוני האימון.
      2. לשמור על ההערות החלשות שנשארו בדיוק אפקטיבי מעל 90%. בחנו את אמינות ההערות החלשות ואת השפעתן על ביצועי המודל, כאשר ניסויים מבוקרים מאשרים ששמירה על דיוק תווית חלשה מעל 90% מונעת ביעילות הטיית אימון ומבטיחה התנהגות חיזוי יציבה.
    7. הפחתת הטיה
      1. במהלך האימון, יש ליישם אסטרטגיית למידה משוקללת ביטחון כדי להפחית הטיה פוטנציאלית שנוצרה על ידי הערות חלשות. הגדר את פונקציית ההפסד כפי שמוצג במשוואה (6).
        משוואה 19 (6)
        כאשר yi∈{0,1} מציין את תווית האמת הבסיסית של הדגימה ה-i, Pi מייצג את ההסתברות החזויה של המודל, Wi הוא המשקל המוקצה לכל דגימה, ו-N הוא המספר הכולל של הדגימות.
      2. קבעו את משקל הדגימה wi בהתבסס על המקור ורמת האמון של התווית, כפי שמוצג במשוואה (7).
        משוואה 24 (7)
        כאן, ci∈[0,1] מציין את ציון האמון של ההערה ה-i, ו-α,β הם מקדמי המשקל הגלובליים לתוויות מומחה וחלשות, בהתאמה. ניתוח אמפירי הראה כי הגדרת α=1.0 ו-β=0.7 משיגת את הפשרה הטובה ביותר בין ביצועים ליציבות, שכן משקל זה מדכא רעש שאריתי מתוויות חלשות תוך שמירה על תרומה מספקת מהכיסוי הרחב שלהן.
      3. בחרו שבעה פרמטרים פיזיקוכימיים (pH, DO, TP, TN, CODMn, Tur ו-EC) כמשתנים מרכזיים לזיהוי אנומליה. השתמשו במדדים אלו לייצוג מקיף את מצב התזונה, זיהום אורגני, זמינות חמצן והרכב היוני של מי שטח. ספק תיאור מפורט של כל משתנה.

3. בקרת איכות נתונים ועיבוד מוקדם

  1. הקמת צינור היררכי לבקרת איכות נתונים ועיבוד מוקדם כדי להבטיח אמינות ויישום מודלים של נתוני ניטור איכות מים מרובי מקורות. מבצעים ברצף יישור זמן, העברת ערך חסר, זיהוי אנומליה, נרמול קנה מידה ובניית דגימות חלונות. בחר ושלב דינמית שיטות מתאימות בהתאם למאפיינים הספציפיים של הנתונים.
  2. יישור זמן ודגימה מחדש: יישר את כל רצפי תחנות המעקב לרזולוציה זמנית מאוחדת של 15 דקות כדי להתחשב בחותמות זמן לא מסונכרנות. לנקודות שנדגמו באופן לא סדיר, יש ליישם אינטרפולציה ליניארית בין תצפיות סמוכות לפי משוואה (8). ודא שהדגימות החלונות הבאות בנויים על רשת זמן עקבית.
    משוואה 27 (8)
  3. עיבוד ערכים חסר
    1. סווגו ערכים חסרים בהתבסס על אורך הפערים הרצופים לחסרים קצרי טווח (<6 נקודות רצופות, כלומר <1.5 שעה) וחסרים לטווח ארוך (≥6 נקודות רצופות), ויושמעו אסטרטגיות שונות בהתאם.
    2. החלו סינון והחלקה של קלמן לביצוע הערכה דינמית עבור מרווחים חסרים לטווח ארוך (≥ 6 נקודות רצופות). מודל כל משתנה איכות מים xt (למשל, DO, TN, CODMn) באמצעות ניסוח מרחב מצבים ליניארי בדיד, כפי שמוצג ב-
      משוואות (9) עד (11).
      משוואה 29 (9)
      משוואה 30 (10)
      משוואה 31 (11)
      כאשר xt הוא המצב החבוי (האמיתי) של משתנה איכות המים בזמן t, yt הוא הערך הנצפה המתאים; A הוא מקדם מעבר המצב (מוגדר אמפירית ל-0.95) כדי לשקף מתאם זמן גבוה בתצפיות של 15 דקות, H היא מטריצת התצפית (מוגדרת ל-1 למדידות ישירות), wt ∼ N(0,Q) ו-vt ∼ N(0,R) הם תהליך גאוס בממוצע אפס ורעש מדידה, בהתאמה; Q = (0.05σx)2 ו-R=(0.10σx)2, כאשר σx הוא סטיית התקן של המשתנה בתוך חלון החלקה של 7 ימים.
    3. הגדר את המסנן כך שישאר רגיש לשונות לטווח קצר תוך דיכוי רעש מדידה אקראי. מאתחל את המצב משוואה 39 ההתחלתי באמצעות התצפית הראשונה שאינה חסרה והגדר את הקווריאנטיות ההתחלתית P0|0 ל- משוואה 41. הסר את כל המקטע אם התקופה החסרה עולה על 24 שעות (96 רשומות) כדי למנוע הצטברות שגיאות מהסקפולציה ארוכת טווח.
  4. זיהוי ותיקון אנומליות
    1. זיהוי ותיקון אנומליות בשני שלבים עוקבים: אילוצים קשים (גבולות פיזיים) ואילוצים רכים (גבולות גרדיאנט וווינסוריזציה קוונטית).
      1. מגבלות קשות (גבולות פיזיים): השליכו מדידות שנמצאות מחוץ לטווחים פיזיקליים סבירים (למשל, pH∉[0,14],DO>20 mg/L).
      2. אילוצים רכים (גבולות גרדיאנט + ווינסוריזציה קוונטילית): סימנו נקודת נתונים כחשודה אם קצב השינוי המוחלט בין שתי תצפיות רצופות עולה על סף גרדיאנט מוגדר אמפירית |xt - xt-1 | > θ. הגדרה θ=3σ_x Δt-1, כאשר σ x מציין את סטיית התקן של המשתנה על פני חלון החלקה של 24 שעות, ו-Δt = 15 דקות מייצג את מרווח הדגימה. תקן ערכים קיצוניים באמצעות הליך וינסוריזציה, כפי שמובע במשוואה (12).
        משוואה 45 (12)
        כאשר Qα ו-Q1-α מסמנים את ה-1% ו-99%, בהתאמה.
        ההליך מבטל תחילה ערכים בלתי אפשריים באמצעות מגבלות קשות, לאחר מכן מסמן תצפיות חריגות בהתבסס על ספי גרדיאנט, ולבסוף מחליק את הסטיות השאריות באמצעות ווינסוריזציה מבוססת קוונטילים. גישה היררכית זו הבטיחה הן את התוקף הפיזי והן את היציבות הסטטיסטית של מאגר הנתונים המנוקה.
  5. נרמול
    1. מדדי איכות מים שונים הם בעלי יחידות וערכים שונים. כדי לבטל הבדלים בקנה מידה ולמנוע משתנים מסוימים להשתלט על תהליך אימון המודלים, יישם נירמול ציון z.
  6. מבנה דוגמת חלון
    1. המרו את סדרות הזמן לדגימות חלונות הזזה באורך קבוע כדי לשמר את התלות הזמנית. בהינתן אורך החלון W וגודל הצעד S, בנו את דגימות הקלט לפי המשוואה (13).
      משוואה 48  (13)
      הגדר W=96 (כלומר, 24 שעות עם מרווח של 15 דקות) ו-S=1 ליצירת דגימות ברצף באמצעות חלון החלקה נקודה-אחר נקודה.

4. רשת עצבית נוזלית עם שערי קשב (AG-LNN)

הערה: הארכיטקטורה הכוללת של רשת העצבים הנוזלית המוגבלת קשב (AG-LNN) המוצעת מוצגת באיור 2. המודל משלב קלטי איכות מים מרובי מקורות, מנגנון שער מבוסס קשב, LNN עם קבועי זמן אדפטיביים, ושלב קריאה-פענוח עם פלטי פרשנות. עיצוב זה מאפשר לרשת ללכוד דינמית תלות זמנית מורכבת תוך שמירה על עמידות לרעש ולדגימות לא אחידות.

  1. שכבת קלט מרובת מקורות: עיינו בחלק השמאלי ביותר של איור 2 כדי להמחיש את נתוני ניטור איכות המים מרובי המקורות {xτ}, כאשר כל וקטור xτ∈RC מייצג מדידות של משתנים פיזיקוכימיים C (למשל, pH, DO, TN, TP, CODMn, עכירות ו-EC) בזמן τ. חלק את רצפי הקלט לחלונות הזזה באורך קבוע בגודל W, כפי שנוסח במשוואה (14).
    משוואה 53(14)
  2. שער קשב קלט: החלו שער תשומת לב, כפי שמודגם בבלוק התחתון-שמאלי של איור 2, כדי להדגיש משתנים אינפורמטיביים ולדכא תנודות רעשניות. חשב את משקלי הקשב לפי משוואה (15).
    משוואה 54 (15)
    כאשרα τ מציין חשיבות ברמת הערוץ בזמן τ. מנגנון זה מבטיח שמשתנים המקושרים מאוד לשינויים חריגים (למשל, DO ו-CODMn) יקבלו משקל גבוה יותר.
  3. שער קבוע בזמן
    1. מווסת את קבוע הזמן הנוזלי באמצעות אות הקשב המצטבר, כפי שמודגם בבלוק העליון של איור 2, ונסח אותו לפי משוואה (16).
      משוואה 56 (16)
      כאשר λbase הוא קבוע הזמן הבסיסי השולט בזיכרון הפנימי של כל נוירון נוזלי; משוואה 58 מציין את משקל הקשב הממוצע בין ערוצי C בצעד זמן τ; β הוא מקדם רגישות הקובע עד כמה תשומת הלב משפיעה על תגובתיות הזמן.
    2. כאשר משוואה 58 הוא גבוה, λτ יורד, מה שמוביל את הרשת להאיץ את תגובתה וללכוד אנומליות קצרות מועד טוב יותר. הטיל מגבלות קשורות על λτ כדי לייצב את האימון.
    3. להבטיח יציבות נומרית ולמנוע דינמיקה מתפוצצת או נעלמת על ידי הטלת מגבלות גבול על קבוע הזמן λτ. Set λτ ∈ [λmin,λ max] = [0.5,2.0]. חתך כל ערך מחוץ לטווח זה לגבול הקרוב ביותר במהלך האימון כדי לשמור על התנהגות אדפטיבית מבוקרת בתנאי סביבה משתנים. הגדרת λ = 1.0 מניבה דיוק מיטבי ויציבות התכנסות.
  4. שכבת עצב נוזלית
    1. להשתמש ברשת עצבית נוזלית (LNN) לביצוע מידול בזמן רציף של סדרות הזמן, ולהביע את הניסוח הדינמי שלה כפי שמוצג במשוואה (17).
      משוואה 61 (17)
      כאשר ḣ(t) מציין את וקטור המצב הנסתר; λ(⋅) מייצג את קבוע הזמן שניתן ללמידה, המווסת על ידי תשומת לב; σ(∙) היא פונקציית ההפעלה הלא-ליניארית (ReLU); A ו-B הן מטריצות משקל ניתנות ללמידה; x̃(t) הוא וקטור הקלט המנורמל; B הוא מונח ההטיה. משוואה זו מבטיחה שהדינמיקה של הרשת תתפתח הן עם קלטים והן עם מצבים, בעוד שקבוע הזמן λ(⋅) נשאר ניתן ללמידה ותלוי בהקשר.
    2. לחישוב נומרי, משתמשים בשיטת האינטגרציה המפורשת של אוילר לדיסקרטיזציה, כפי שמוצג במשוואה (18).
      משוואה 68 (18)
      כאן, Δτ מייצג את שלב הזמן הדיסקרטי (מרווח אינטגרציה) בין תצפיות עוקבות, מחושב באמצעות משוואה (19).
      Δ_τ=(tτ - tτ-1)/נורמה T (19)
      כאשר tτ ו-tτ-1 הם חותמות הזמן (בדקות) של מדידות עוקבותו-T norm = 15 דקות מתאימה לתקופת הדגימה הנומינלית בנתוני המעקב של CNEMC. לכן, Δτ = 1 עבור מרווחי 15 דקות רגילים, בעוד ש-Δτ > 1 או Δτ < 1 משקפים דגימה לא סדירה הנגרמת מתצפיות חסרות או צפופות. גישה זו מתמודדת באופן טבעי עם דגימה לא סדירה תוך שמירה על פרשנות ביחס לדינמיקה הפיזיקלית הבסיסית.
  5. קריאה וניקוד אנומליה
    1. לאחר השלמת עדכון המצב הנסתר, יש להשתמש בשכבת קריאה ב-AG-LNN ליצירת תחזית צעד אחד קדימה, כפי שמובע במשוואה (20).
      משוואה 77 (20)
      כאשר Wo ו-c מציינים את מטריצת ההיטל הפלט ואת וקטור ההטיה, בהתאמה.
    2. חשב את השארית כציון האנומליה בהתבסס על הפער בין הערכים החזויים לנצפים, כפי שמוצג במשוואה (21).
      משוואה 79 (21)
    3. יישם אסטרטגיית סף אדפטיבית מבוססת קוונטילים כדי לקבוע האם תצפית מתאימה לאנומליה.
    4. הגדר את סף האנומליה θx עבור כל משתנה איכות מים באמצעות האחוזון ה-99 של השאריות בקבוצת האימון, כפי שנוסח במשוואה (22).
      משוואה 81(22)
      כאשר σs מציין את סטיית התקן של רצף השארית, ו-γ = 0.2 הוא מקדם בטיחות קבוע המפצה על שינויים יומיים טבעיים.
    5. עיצוב זה מתאים בערך להסתברות חריגה של 1%, בהתאם להגדרות הסטנדרטיות של אנומליה סביבתית. במהלך הסקה, הרשת מפיקה רק את הרצף השאריתי {sτ}, ולצורך קביעת אנומליה, מבצעים לאחר מכן לפי משוואות (14)–(15). עיצוב ההפרדה הזה תואם את מסגרת המחקר הכוללת, ומבטיח שהמודל יתמקד בחילוץ תכונות ומדידת אנומליה במקום להשתתף ישירות בקביעת סף.
  6. מטרות ההכשרה והסדרה
    1. במהלך האימון, יש למזער את שגיאת החיזוי תוך יישום רגולריזציה נוספת הן על משקלי הקשב והן על קבועי הזמן כדי למנוע התאמת יתר וחוסר יציבות נומרית. פונקציית ההפסד מבוטאת על ידי המשוואה (23).
      משוואה 84 (23)
    2. החלוα רגולריזציה באמצעות רגוליזציה של אנטרופיה -∑ατ log ατ או נורמת L1 כדי למנוע קריסת תשומת לב. החיל את רגולλ על ידי ענישה של Δλτ = λτ - λτ-1, הגבלת תנודות דרסטיות בקבוע הזמן, והוספת עונשים כאשר הוא חורג מהגבולות העליונים והתחתונים שהוגדרו מראש. גישה זו שימשה לשמירה על הגמישות של ה-AG-LNN תוך שמירה על יציבות במהלך האימונים.
  7. חישוב קדימה ופלט פרשנות
    1. פשט את תהליך החישוב הקדמי של AG-LNN למבנה השרשרת הבא, כפי שמוצג במשוואה (24).
      משוואה 89 (24)
    2. במהלך אימון והסקה כאחד, יש לרשום באופן רציף את משקלי הקשב ατ ואת קבועי הזמן הנוזלי λτ, ולהשתמש בהם ליצירת תוצאות פרשנות, כלומר מפות חום של תשומת לב ועקומות קבועות בזמן נוזל. השתמשו בוויזואליזציות אלו כדי להדגיש כיצד המודל מתמקד במשתנים ובסולמות זמן שונים, ובכך לשפר את יכולת הפרשנות של השיטה.

5. הליך אימון

  1. חלוקת נתונים: חלק את סדרת הזמן של איכות מים מרובת מקורות כרונולוגית לתת-קבוצות אימון, אימות ובדיקות באמצעות חלוקה של 70%/15%/15%. הבטח עמידות על ידי בחירת סט הבדיקה שיכלול תקופות חריגות ידועות, תוך שמירה על חוסר חפיפה מוחלט עם נתוני האימון כדי למנוע דליפה זמנית.
  2. פרטי הכשרה
    1. לפתור את הדינמיקה הרציפה בשכבת הנוזל באמצעות סכמת אוילר מפורשת ומיוצבת. להשוואה, בדוק דיסקרטיזציה סגורה לפי הנוסחה המוזכרת20,21.
    2. לוח הזמנים לחימום קשב: מהדק את משקלי הקשב לערך כמעט אחיד (≈ 1.0) במהלך עשרת התקופות הראשונות כדי לייצב את זרימת הגרדיאנט. לאחר אפוק 10, הדגישו בהדרגה את תשומת הלב למצבו הניתן ללמידה על ידי שחרור ליניארי של עדכוני המשקל בחמשת התקופות הבאות (מקדם קנה מידה = 0.8). השתמש באסטרטגיית חימום זו כדי למנוע תנודות לא יציבות בתחילת האימון ולהבטיח התכנסות חלקה.
    3. אופטימייזר ומתזמן קצב למידה: אופטימיזציה של פרמטרי המודל באמצעות אופטימייזר אדם עם β1 = 0.9, β2 = 0.999, ε = 1 x 10⁻⁸. הגדר את קצב הלמידה ההתחלתי ל-1 x 10⁻³ ושלט בו באמצעות לוח זמנים של אנילינג קוסינוס (T max = 50 אפוקים, קצב למידה מינימלי = 1 x 10⁻⁵). בחר גדלי אצווה בין 32 ל-128, בהתאם לקיבולת הזיכרון של ה-GPU. יישמו תזמון הדרגתי זה כדי להבטיח התאמה יציבה של דינמיקות בזמן רציף ללא שינויים פתאומיים בקצב הלמידה.
    4. עצירות מוקדמות והגדרות שחזור: סיימו את האימון מוקדם אם מדד האימות (AU-PR או F1) לא משתפר במשך 10 תקופות רצופות (סבלנות = 10). חזור על כל ניסוי 3 פעמים עם זרעים אקראיים קבועים (42, 73 ו-101) כדי להבטיח שחזוריות. הגדר את מספר האפוקסים המקסימלי ל-100 ושמור על נקודת הביקורת עם AU-PR הוולידציה הטובה ביותר לבדיקה.
  3. סביבת חומרה ותוכנה
    1. בצע את כל הניסויים על שרת לינוקס המצויד בכרטיסי NVIDIA Tesla V100 (זיכרון 32 גיגה-בייט) ובשני מעבדי Intel Xeon Gold 6230 עם 256 GB RAM. מימוש המודל בפייתון 3.9 באמצעות PyTorch 2.0 כמסגרת ללמידה עמוקה, והשתמש בספריות עזר כמו NumPy 1.23, SciPy 1.9 ו-scikit-learn 1.2 לעיבוד מוקדם והערכה. הפכו את כל הניסויים באמצעות Docker 23.0 למכולות ולנהל אותם ב-Ubuntu 20.04 LTS כדי להבטיח שחזוריות וניידות של התוצאות. עיין בטבלת החומרים לפרטים מפורטים של כל התקני החומרה וכלי התוכנה כדי להבטיח בהירות ושכפול.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

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.

דיון

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

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.

גילויים

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

למחברים אין ניגודי עניינים.

תודות

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

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.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
זיכרון DDR4 בנפח 256 GBסמסונגM393A4K40DB3זיכרון בעל קיבולת גבוהה לטיפול במאגרי נתונים גדולים בסדרות זמן רב-משתניות
CUDA 11.6NVIDIAלא זמיןערכת כלים להאצת GPU עבור PyTorch
מעבד Intel Xeon Gold 6330 (2.0GHz, 28 ליבות)אינטלBX80708-6330משמש כשרת החישוב הראשי לאימון מודלים
Matplotlib 3.4, Seaborn 0.11קוד פתוחלא זמיןהמחשה של תוצאות ניסוי
NumPy 1.21, פנדות 1.3קוד פתוחלא זמיןקדם-עיבוד נתונים והנדסת תכונות
כרטיס מסך NVIDIA A100 (40GB)NVIDIA900-21001-0000-001הכשרה מואצת של AG-LNN בתמיכת CUDA
פייתון 3.9קרן התוכנה של פייתוןלא זמיןשפת התכנות הראשית למימוש
פייטורץ' 1.12מטא AIלא זמיןמסגרת למידה עמוקה המשמשת לבניית AG-LNN
Scikit-learn 0.24קוד פתוחלא זמיןמדדי הערכה ומודלים בסיסיים
Ubuntu 20.04 LTS OSקנונילא זמיןמערכת הפעלה לסביבה החישובית

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Edge Deployment

מאמרים קשורים