注意ゲート型液体ニューラルネットワークに基づく水質異常検出法

Hongling Liu; Jiali Zhang; Xiaoyuan He; Zhi Zhang; Zehong Hong; Jixing Yan

doi:10.3791/69492

このコンテンツを表示するには、JoVEへの購読が必要です。または、無料トライアルをお申し込みください。

方法論記事

注意ゲート型液体ニューラルネットワークに基づく水質異常検出法

609 回視聴

⸱

DOI:

10.3791/69492

⸱

2026年2月6日

Hongling Liu¹ , Jiali Zhang^*² , Xiaoyuan He² , Zhi Zhang¹ , Zehong Hong¹ , Jixing Yan¹

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

この記事について

サマリー

本研究は、連続時間モデリングと注意ベースのゲーティングを通じて優れた精度と解釈可能性を実現し、環境モニタリングの信頼性を高め持続可能な水管理を支援する、水質異常検出のための注意ゲート液ニューラルネットワークを提案します。

要約

水質モニタリングネットワークの急速な拡大に伴い、時系列異常検出は水生環境の保護と持続可能な管理の確保においてますます重要になっています。しかし、従来モデルは不規則なサンプリング区間、多変量相関、実用的な解釈可能性に苦労することが多いです。これらの課題に対処するため、本研究は液体ニューラルネットワーク(LNN)の動的モデリング能力と注意ベースのゲーティングメカニズムを統合したAttention Gated-Liquid Neural Network(AG-LNN)を提案します。モデルは、溶解酸素(DO)や過マンガン酸指数(COD_Mn)などの異常に関連する変数を強調するために入力注意ゲートを導入し、モデルの時間記憶を適応的に調整する時間定数ゲートを導入しています。2019年から2024年にかけて13省で収集した中国国家環境監視センター(CNEMC)のデータを用いて、AG-LNNは長短期記憶(LSTM)、時間畳み込みネットワーク(TCN)、トランスフォーマー、グラフニューラルネットワーク(GNN)アーキテクチャを含むベースラインモデルよりも優れた性能を示しました。曲線下精度リコール面積(PR-AUC)は0.95、F1スコアは0.90であり、クロスリージョンおよび時間的評価において安定性を維持しています。コンパクトなバージョンであるAG-LNN-lightは、パラメータを62%削減し、精度損失を最小限に抑え、効率的なエッジ展開を可能にします。その結果、注意ゲート付き連続時間モデリングが大規模な水質異常検出において堅牢かつ解釈可能なアプローチを提供することが確認されました。

概要

水質モニタリングは、公衆衛生の保護、水生生態系の維持、環境規制の遵守に不可欠です。従来の水質モデル、例えば土壌・水評価ツール(SWAT)、機構的QUALモデル、統計的予測手法は、化学的、生物学的、水文学^的、気象的要因1,2,3,4,5,6に同時に影響される水システムの高度に非線形的で多変量かつ時間的に不規則な性質を捉えるのに苦労することが多いです。.したがって、水質データにおける異常検出の改善は依然として差し迫った課題です。

実務的には、提案されたフレームワークは、水素(pH)、溶存酸素(DO)、総窒素(TN)、総リン(TP)、過マンガン酸塩指数(COD_Mn)、濁度、導電率などの変数を測定する多パラメータ水質センシングネットワーク向けに設計されており、典型的なサンプリング間隔は15分から60分の範囲です。このモデルは不規則なサンプリングや観測の欠如に耐え、表流水および貯水池の監視....