基于替代数据与元模型方法的溪流浊度短期预测
机器学习
2022-10-13 v1 机器学习
应用统计
摘要
许多水质监测项目旨在测量浊度，以帮助指导水道和流域的有效管理，然而在整个网络中分布浊度传感器通常因成本过高而难以实现。为此，我们利用相对低成本的原位传感器和公开数据库提供的替代数据，构建并比较了动态回归（ARIMA）、长短期记忆神经网络（LSTM）和广义加性模型（GAM）在一步超前预测溪流浊度方面的能力。我们迭代地尝试了四种替代协变量（降雨、水位、气温和总全球太阳曝辐量）的组合，为每种模型类型选取使修正赤池信息准则最小的最终模型。使用滚动时间窗的交叉验证表明，仅包含降雨和水位协变量的ARIMA产生了最准确的预测，紧随其后的是包含所有四种协变量的GAM。我们构建了一个在浊度时间序列特征上训练的元模型，以利用各模型在不同时间点的优势，并预测每个时间步的最佳模型（即前一步预测误差最小的模型）。该元模型优于所有其他模型，表明该方法可获得高精度，并可能在因成本限制而无法部署和维护浊度传感器、且进行短期浊度预测时，作为直接来自浊度传感器测量的可行替代方案。我们的结果还表明，温度和光照相关变量（例如水下照度）有望作为高性价比、高频的浊度替代指标，特别是当与降雨等通常以较粗空间分辨率测量的其他协变量结合时。
引用
@article{arxiv.2210.05821,
title = {Short-term prediction of stream turbidity using surrogate data and a meta-model approach},
author = {Bhargav Rele and Caleb Hogan and Sevvandi Kandanaarachchi and Catherine Leigh},
journal= {arXiv preprint arXiv:2210.05821},
year = {2022}
}