Metoda wykrywania anomalii jakości wody oparta na sieci neuronowej cieczy z uwagą

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

doi:10.3791/69492

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Metoda wykrywania anomalii jakości wody oparta na sieci neuronowej cieczy z uwagą

543 wyświetleń

⸱

DOI:

10.3791/69492

⸱

6 lutego 2026

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

W tym artykule

Podsumowanie

Niniejsze badanie proponuje utworzenie sieci neuronowej z udziałem cieczy (Attention-Gated Liquid Neural Network) do wykrywania anomalii jakości wody, która osiąga wyższą dokładność i interpretowalność dzięki modelowaniu w czasie ciągłym oraz kontrolowaniu uwagi na podstawie uwagi, co zwiększa niezawodność monitoringu środowiskowego i wspiera zrównoważone zarządzanie wodą.

Streszczenie

Wraz z szybkim rozwojem sieci monitoringu wód, wykrywanie anomalii w szeregach czasowych stało się coraz ważniejsze dla ochrony środowisk wodnych i zapewnienia ich zrównoważonego zarządzania. Jednak konwencjonalne modele często mają trudności z nieregularnymi interwałami próbkowania, korelacjami wielowymiarowymi oraz interpretowalnością w praktycznych zastosowaniach. Aby sprostać tym wyzwaniom, badanie proponuje Attention Gated-Liquid Neural Network (AG-LNN), która integruje dynamiczne możliwości modelowania Liquid Neural Network (LNN) z mechanizmami bramkowymi opartymi na uwagi. Model wprowadza bramkę input-attention, aby podkreślić zmienne istotne dla anomalii, takie jak Rozpuszczony Tlen (DO) i Wskaźnik Permanganianu (COD_Mn), oraz bramkę o stałej czasowej, która adaptacyjnie dostosowuje pamięć czasową modelu. Korzystając z danych z Chińskiego Narodowego Centrum Monitoringu Środowiskowego (CNEMC) zebranych w latach 2019–2024 w 13 prowincjach, AG-LNN wykazał lepsze wyniki w porównaniu do modeli bazowych, w tym architektur pamięci krótkotrwałej (LSTM), sieci splotowej czasowej (TCN), transformatora oraz sieci neuronowej grafów (GNN). Osiąga Precision-Recall Area Under Curve (PR-AUC) na poziomie 0,95 oraz wynik F1 0,90, przy jednoczesnym zachowaniu stabilności w analizach międzyregionalnych i czasowych. Kompaktowa wersja, AG-LNN-light, redukuje parametry o 62% przy minimalnej utracie dokładności, umożliwiając efektywne wdrażanie krawędzi. Wyniki potwierdziły, że modelowanie ciągłe w czasie ciągłym z ograniczeniem uwagi zapewnia solidne i interpretowalne podejście do wykrywania anomalii na dużą skalę jakością wody.

Wprowadzenie

Monitorowanie jakości wody jest niezbędne dla ochrony zdrowia publicznego, utrzymania ekosystemów wodnych oraz zapewnienia zgodności z przepisami środowiskowymi. Tradycyjne modele jakości wody, takie jak Soil and Water Assessment Tool (SWAT), mechanistyczny model QUAL oraz podejścia do prognozowania statystycznego, często mają trudności z uchwyceniem wysoce nieliniowego, wielowymiarowego i czasowo nieregularnego charakteru systemów wodnych, na które jednocześnie wpływają czynniki chemiczne, biologiczne, hydrologiczne i^{meteorologiczne} 1,2,3,4,5,6 ^....