基于粒子群优化的GRU广东省跨境断面水质预测模型研究

doi:10.16258/j.cnki.1674-5906.2023.09.014

生态环境学报 ›› 2023, Vol. 32 ›› Issue (9): 1673-1681.DOI: 10.16258/j.cnki.1674-5906.2023.09.014

基于粒子群优化的GRU广东省跨境断面水质预测模型研究

鲁言波(), 陈湛峰^*(), 李晓芳

广东省生态环境监测中心，广东广州 510308

收稿日期:2023-06-21 出版日期:2023-09-18 发布日期:2023-12-11
通讯作者: ^*陈湛峰。E-mail: gdhbczf@163.com。
作者简介:鲁言波（1978年生），男，高级工程师，硕士研究生，主要从事环境监测及管理研究。E-mail: yanbolu@163.com
基金资助:
广东省重点领域研发计划项目(2020B1111350001)

A Study on Water Quality Prediction Model of Cross-boundary Sections in Guangdong Province Based on GRU Improved with Particle Swarm Optimization

LU Yanbo(), CHEN Zhanfeng^*(), LI Xiaofang

Guangdong Ecological and Environmental Monitoring Center, Guangzhou 510308, P. R. China

Received:2023-06-21 Online:2023-09-18 Published:2023-12-11

摘要/Abstract

摘要：

水质预测是跨界断面环境风险分析的重要方法，对水质监控和水源保护具有重要作用。GRU是水质预测的常规模型，但广东跨界断面众多、水质数据变化较大，不同断面不同时间段的GRU水质预测需要对超参数进行多次训练调整，以保证模型获得较高的精度。为快速简便地实现GRU模型的迁移使用，提出了PSO-GRU水质预测模型，引入粒子群优化算法，对GRU的超参数进行优化，减少了超参数设置的经验性和随机性，提高模型预测精度。构建PSO-GRU水质预测模型的步骤主要为，1）分析水质特征，确定滑动窗口，构建数据集（训练集、验证集、测试集）；2）设置PSO-GRU的相关参数的初始值，通过计算PSO的适应度值来获得新的GRU超参数，经过迭代，追踪超参数局部最优解和全局最优解，最终得到全局最优超参数；3）将最优超参数构建GRU模型进行水质预测。将PSO-GRU用于8个跨境断面水质预测，并与LSTM、GRU模型进行对比，结果表明，1）PSO-GRU模型拥有较好的泛化性，能够在8个跨境断面水质预测中迁移使用，并取得较好的预测结果，达到应用要求。2）LSTM、GRU超参数的设置需要经过多次试验，且难以获得超参数的全局最优值，PSO-GRU能够自适应调试超参数，预测结果优于其他模型，S_RMSE、S_MAE、S_MAPE较LSTM、GRU分别降低了39.6%、35.6%、38.6%和39.1%、34.8%、37.8%。3）降雨量作为输入能够提高PSO-GRU的预测精度，与历史数据组合输入能取得更高的精度。PSO-GRU结构简单，易于实现，且泛化能力强，能够快速迁移到其他断面进行水质预测，为快速简便水质预测提供了实践依据。

关键词: 粒子群优化, LSTM模型, GRU模型, 省界断面, 水质预测

Abstract:

The downstream of many cross-boundary sections in Guangdong Province serves as an important drinking water source. Water quality prediction is important for environmental risk analysis of cross-boundary sections and plays an important role in water quality monitoring and water source protection. The GRU model is commonly used for water quality prediction. However, with many cross sections and significant variations in water quality data in Guangdong Province, multiple training and adjustment of hyperparameters are required to ensure higher accuracy of the model in predicting water quality for different sections and time periods. For quick and easy transfer of GRU models, the PSO-GRU model was proposed. The particle swarm optimization algorithm was introduced to optimize the hyperparameters of GRU, which reduced the experience and randomness of the setting of hyperparameters and improved the prediction accuracy of the model. The steps to construct the PSO-GRU model are as follows: 1) analyzing the water quality characteristics, determining the sliding window, and building the data set (training set, verification set, test set); 2) setting the initial values of related parameters of PSO-GRU, and obtaining new hyperparameters of GRU by calculating the fitness value of PSO. After iteration, tracing the local optimal solution and global optimal solution of the hyperparameters, and finally obtaining the global optimal hyperparameters; 3) the optimal hyperparameters were used to construct a GRU model for water quality prediction. The PSO-GRU model was applied to predict water quality in 8 cross-boundary sections, and compared with LSTM and GRU models. The results showed that 1) the PSO-GRU model met the application requirement and has good generalization and achieved accurate predictions, surpassing the performance of other models. 2) The configuration of LSTM and GRU hyperparameters requires many tests, and it is difficult to obtain the globally optimal values. PSO-GRU, on the other hand, exhibits adaptability in fine-tuning the hyperparameters, resulting in superior prediction outcomes compared to other models. Compared with LSTM and GRU, PSO-GRU demonstrates a significant reduction in RMSE, MAE and MAPE by 39.6%, 35.6%, and 38.6% and 39.1%, 34.8% and 37.8%, respectively. 3) The inclusion of rainfall data as an input improved the prediction accuracy of the PSO-GRU model, and combining with historical data can achieve higher accuracy. PSO-GRU is simple in structure, easy to implement, and has strong generalization ability. It provides a practical basis for fast and simple water quality prediction, allowing for quick migration to other sections.

Key words: particle swarm optimization, LSTM, GRU, section of provincial boundary, water quality prediction

中图分类号:

鲁言波, 陈湛峰, 李晓芳. 基于粒子群优化的GRU广东省跨境断面水质预测模型研究[J]. 生态环境学报, 2023, 32(9): 1673-1681.

LU Yanbo, CHEN Zhanfeng, LI Xiaofang. A Study on Water Quality Prediction Model of Cross-boundary Sections in Guangdong Province Based on GRU Improved with Particle Swarm Optimization[J]. Ecology and Environment, 2023, 32(9): 1673-1681.

图/表 12

参考文献 28

[1]	ALI A, HASSAN H A, FAISAL M J, et al., 2022. Prediction of water quality indexes with ensemble learners: Bagging and boosting[J]. Process Safety and Environmental Protection, 168: 344-361. DOI URL
[2]	AMINU I, AZIMAH I, HAFIZAN J, et al., 2022. Water quality modelling using principal component analysis and artificial neural network[J]. Marine Pollution Bulletin, 187: 114493. DOI URL
[3]	BI J, ZHANG L Y, YUAN H T, et al., 2023. Multi-indicator water quality prediction with attention-assisted bidirectional LSTM and encoder-decoder[J]. Information Sciences, 625: 65-80. DOI URL
[4]	CHEN H L, YANG J B, FU X H, et al., 2022. Water Quality Prediction Based on LSTM and Attention Mechanism: A Case Study of the Burnett River, Australia[J]. Sustainability, 14(20): 13231. DOI URL
[5]	CHEN L X, WU T H, WANG Z C, et al., 2023. A novel hybrid BPNN model based on adaptive evolutionary Artificial Bee Colony Algorithm for water quality index prediction[J]. Ecological Indicators, 146: 109882. DOI URL
[6]	CHI D W, HUANG Q, LIU L Z, 2022. Dissolved Oxygen Concentration Prediction Model Based on WT-MIC-GRU-A Case Study in Dish-Shaped Lakes of Poyang Lake[J]. Entropy, 24(4): 457. DOI URL
[7]	CHO K H, MERRIENBOER B V, BAHDANAU D, et al., 2014. On the properties of neural machine translation: Encoder-decoder approaches[EB/OL]. arXiv preprint arXiv:1409.1259.
[8]	ELMAN J L, 1990. Finding structure in time[J]. Cognitive Science, 14(2): 179-211. DOI URL
[9]	FU X H, ZHENG Q X, JIANG G M, et al., 2023. Water quality prediction of copper-molybdenum mining-beneficiation wastewater based on the PSO-SVR model[J]. Frontiers of Environmental Science & Engineering, 17(8): 98.
[10]	HOCHREITER S, SCHMIDHUBER J, 1997. Long Short-Term Memory[J] Neural Computation, 9(8): 1735-1780. DOI PMID
[11]	HU Y K, LI Y, WANG N, et al., 2023. Application of hybrid improved temporal convolution network model in time series prediction of river water quality[J]. Scientific Reports, 13(1): 11260-11260. DOI PMID
[12]	JADHAV A R, PATHAK P D, RAUT R Y, 2023. Water and wastewater quality prediction: current trends and challenges in the implementation of artificial neural network[J]. Environmental monitoring and assessment, 195(2): 321. DOI PMID
[13]	JIANG Y Q, LI C L, SUN L, et al., 2021. A deep learning algorithm for multi-source data fusion to predict water quality of urban sewer networks[J]. Journal of Cleaner Production, 318(8): 128533. DOI URL
[14]	LI Y T, LI R Y, 2022. Predicting ammonia nitrogen in surface water by a new attention-based deep learning hybrid model[J]. Environmental Research, 216(Part 3): 114723. DOI URL
[15]	LIANG Z Y, ZOU R, CHEN X, et al., 2020. Simulate the forecast capacity of a complicated water quality model using the long short-term memory approach[J]. Journal of Hydrology, 581: 124432. DOI URL
[16]	LIU W L, LIU T X, LIU Z H, et al., 2023. A novel deep learning ensemble model based on two-stage feature selection and intelligent optimization for water quality prediction[J]. Environmental Research, 224: 115560. DOI URL
[17]	NHU T K N, BAPTISTE F, HARI B, et al., 2023. Prediction of water quality extremes with composite quantile regression neural network[J]. Environmental Monitoring and Assessment, 195(2): 248. DOI
[18]	RAHUL G D, RASHEED A H K P, HARIGOVINDAN V P, et al., 2023. LSTM and GRU based accurate water quality prediction for smart aquaculture[J]. Journal of Physics: Conference Series, 2466(1): 012027. DOI
[19]	SHAW A R, SAWYER H S, LEBOEUF E J, et al., 2017. Hydropower optimization using artificial neural network surrogate models of a high-fidelity hydrodynamics and water quality model[J]. Water Resources Research, 53(11): 9444-9461. DOI URL
[20]	SONG C G, YAO L H, 2022. A hybrid model for water quality parameter prediction based on CEEMDAN-IALO-LSTM ensemble learning[J]. Environmental Earth Sciences, 81(9): 262. DOI
[21]	STREETER H W, PHELPS E B, 1925. A study of pollution and natural purification of the Ohio river[J]. Public Health Service, 14(6): 10-20.
[22]	XU J L, WANG K, LIN C, et al., 2021. FM-GRU: A Time Series Prediction Method for Water Quality Based on seq2seq Framework[J]. Water, 13(8): 1031. DOI URL
[23]	YANG H H, LIU S E, 2022. Water quality prediction in sea cucumber farming based on a GRU neural network optimized by an improved whale optimization algorithm[J]. PeerJ. Computer science, 8(24): e1000.
[24]	ZHANG L, JIANG Z Q, HE S S, et al., 2022. Study on Water Quality Prediction of Urban Reservoir by Coupled CEEMDAN Decomposition and LSTM Neural Network Model[J]. Water Resources Management, 36(10): 3715-3735. DOI
[25]	ZHOU S H, SONG C F, ZHANG J J, et al., 2022. A hybrid prediction framework for water quality with integrated W-ARIMA-GRU and LightGBM methods[J]. Water, 14(9): 1322. DOI URL
[26]	国家环境保护总局,国家质量监督检验检疫总局, 2002. 地表水环境质量标准: GB 3838-2002[S]. 北京: 中国环境科学出版社: 1-9.
	State Environmental Protection Administration of China, State General Administration of the People's Republic of China for Quality Supervision and Inspection and Quarantin,2002. Environmental Quality Standard of Surface Water: GB 3838—2002[S]. Beijing: China Environmental Science Press: 1-9.
[27]	王庆宇, 2020. 环境规制引起了跨境河流污染的 “边界效应” 吗?——基于政府行为的视角[D]. 重庆: 重庆大学:55-83.
	WANG Q Y, 2020, Does environmental regulation lead to the transboundary pollution? Based on the perspective of government behavior[D]. Chongqing: Chongqing University:55-83.
[28]	张阳, 冼慧婷, 赵志杰, 2022. 基于空间相关性和神经网络模型的实时河流水质预测模型[J]. 北京大学学报 (自然科学版), 58(2): 337-344.
	ZHANG Y, XIAN H T, ZHAO Z J, 2022. Real-time river water quality prediction model based on spatial correlation and neural network model[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 58(2): 337-344.

跨界断面	水温	pH值	溶解氧	电导率	浊度	高锰酸盐指数	氨氮	总磷	总氮
白沙街	−0.13	0.02	−0.03	−0.17	0.12	0.25	0.30	1.00	0.11
三溪桥	−0.23	−0.05	0.18	−0.30	0.56	0.40	0.04	1.00	0.57
孔江水库入库口	0.05	−0.01	−0.05	−0.31	0.49	0.43	0.23	1.00	0.14
永定沿江	−0.22	0.06	0.03	0.18	0.54	0.78	0.60	1.00	−0.01
平均值	−0.13	0.00	0.03	−0.15	0.43	0.46	0.29	1.00	0.20

跨界断面	水温	pH值	溶解氧	电导率	浊度	高锰酸盐指数	氨氮	总磷	总氮
白沙街	−0.13	0.02	−0.03	−0.17	0.12	0.25	0.30	1.00	0.11
三溪桥	−0.23	−0.05	0.18	−0.30	0.56	0.40	0.04	1.00	0.57
孔江水库入库口	0.05	−0.01	−0.05	−0.31	0.49	0.43	0.23	1.00	0.14
永定沿江	−0.22	0.06	0.03	0.18	0.54	0.78	0.60	1.00	−0.01
平均值	−0.13	0.00	0.03	−0.15	0.43	0.46	0.29	1.00	0.20

序号	跨界断面	所在河流	上游省份	2022年水质类别	定类指标	预测指标	相关指标
1	山角	九洲江	广西	Ⅱ类	高锰酸盐指数, 氨氮, 总磷	氨氮	溶解氧、高锰酸盐指数、总磷
2	白沙街	贺江	广西	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数
3	三溪桥	武江	湖南	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数
4	孔江水库入库口	浈江	江西	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数
5	定南水站	定南水	江西	Ⅱ类	溶解氧, 高锰酸盐指数, 氨氮, 总磷	高锰酸盐指数	电导率、氨氮、总磷
6	寻邬水站	寻邬水	江西	Ⅱ类	溶解氧, 高锰酸盐指数, 氨氮, 总磷	高锰酸盐指数	电导率、氨氮、总磷
7	青溪	汀江	福建	Ⅲ类	溶解氧	溶解氧	水温、氨氮、高锰酸盐指数
8	永定沿江	汀江	福建	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数

序号	跨界断面	所在河流	上游省份	2022年水质类别	定类指标	预测指标	相关指标
1	山角	九洲江	广西	Ⅱ类	高锰酸盐指数, 氨氮, 总磷	氨氮	溶解氧、高锰酸盐指数、总磷
2	白沙街	贺江	广西	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数
3	三溪桥	武江	湖南	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数
4	孔江水库入库口	浈江	江西	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数
5	定南水站	定南水	江西	Ⅱ类	溶解氧, 高锰酸盐指数, 氨氮, 总磷	高锰酸盐指数	电导率、氨氮、总磷
6	寻邬水站	寻邬水	江西	Ⅱ类	溶解氧, 高锰酸盐指数, 氨氮, 总磷	高锰酸盐指数	电导率、氨氮、总磷
7	青溪	汀江	福建	Ⅲ类	溶解氧	溶解氧	水温、氨氮、高锰酸盐指数
8	永定沿江	汀江	福建	Ⅱ类	总磷	总磷	浊度、氨氮、高锰酸盐指数

模式	预测指标	输入指标
单指标	高锰酸盐指数	高锰酸盐指数
组合1	高锰酸盐指数	溶解氧、高锰酸盐指数、氨氮、总磷
组合2	高锰酸盐指数	高锰酸盐指数、降雨量
组合3	高锰酸盐指数	溶解氧、高锰酸盐指数、氨氮、总磷、降雨量

基于粒子群优化的GRU广东省跨境断面水质预测模型研究

A Study on Water Quality Prediction Model of Cross-boundary Sections in Guangdong Province Based on GRU Improved with Particle Swarm Optimization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价

模型	学习率	dropout比率	隐藏层神经元数量	训练迭代次数
LSTM	0.005	0.1	128	200
GRU	0.005	0.1	128	200
PSO-GRU	[0.001, 0.01]范围内自适应优化	[0.01, 0.30]范围内自适应优化	[8, 256]范围内自适应优化	[50, 300]范围内自适应优化

序号	跨境断面名称	预测指标	S_RMSE	S_MAE	S_MAPE
1	山角	氨氮	0.010084	0.006611	0.196550
2	白沙街	总磷	0.000477	0.000338	0.007120
3	三溪桥	总磷	0.000675	0.000536	0.011825
4	孔江水库入库口	总磷	0.001016	0.000869	0.030010
5	定南水站	高锰酸盐指数	0.012713	0.010379	0.005445
6	寻邬水站	高锰酸盐指数	0.037351	0.022273	0.011532
7	青溪	溶解氧	0.031221	0.021852	0.006339
8	永定沿江	总磷	0.006808	0.003143	0.014022

模型	S_RMSE	S_MAE	S_MAPE
PSO-GRU	0.058126	0.057315	0.021149
LSTM	0.096210	0.089065	0.034447
GRU	0.095433	0.087941	0.034023

模式	输入指标	S_RMSE	S_MAE	S_MAPE
单指标	高锰酸盐指数	0.135213	0.134354	0.051384
组合1	溶解氧、高锰酸盐指数、氨氮、总磷	0.083239	0.068193	0.027846
组合2	高锰酸盐指数、降雨量	0.069083	0.058269	0.023955
组合3	溶解氧、高锰酸盐指数、氨氮、总磷、降雨量	0.056312	0.040183	0.016169

[1]	陈鸿展, 区晖, 叶四化, 张倩华, 周树杰, 麦磊. 珠江广州段水体微塑料的时空分布特征及生态风险评估[J]. 生态环境学报, 2023, 32(9): 1663-1672.
[2]	梁川, 杨艳芳, 俞姗姗, 周利, 张经纬, 张秀娟. 围网与围塘养鱼下沉积物微生物量和群落结构特征差异[J]. 生态环境学报, 2023, 32(8): 1487-1495.
[3]	李佳蔓, 王晓明, 胡欣蕊, 谢莹莹, 文震. 铁硫比对施氏矿物微观结构及吸附铬性能的影响[J]. 生态环境学报, 2023, 32(8): 1478-1486.
[4]	王源哲, 华春林, 赵丽, 樊敏, 梁晓盈, 周乐乐, 蔡璨, 姚婧. 山地城市主要河流水质评价及预测研究——以四川省绵阳市为例[J]. 生态环境学报, 2023, 32(8): 1465-1477.
[5]	周宏光, 甘艳平, 伍德权, 杨延梅, 张扬, 王璐瑶. 淹水-落干条件下FeMnMg-LDH对污染底泥中砷迁移转化的调控研究[J]. 生态环境学报, 2023, 32(7): 1249-1262.
[6]	王家一, 孙亭亭, 沙润钰, 谌婷红, 邢冉, 秦伯强, 施文卿. 富营养化湖泊蓝藻打捞减污降碳效果模拟研究[J]. 生态环境学报, 2023, 32(6): 1108-1114.
[7]	于菲, 曾海龙, 房怀阳, 付玲芳, 林澍, 董家豪. 典型感潮河网浮游藻类功能群时空变化特征及水质评价[J]. 生态环境学报, 2023, 32(4): 756-765.
[8]	王铁铮, 瞿心悦, 刘春香, 李有志. 东江湖水质时空变化规律及其与流域土地利用的关系[J]. 生态环境学报, 2023, 32(4): 722-732.
[9]	杨秋, 曹英杰, 张宇, 陈建耀, 王诗忠, 田帝. 闭坑铅锌矿区地下水-矿坑水水化学特征及成因分析[J]. 生态环境学报, 2023, 32(2): 361-371.
[10]	李海燕, 杨小琴, 简美鹏, 张晓然. 城市水体中微塑料的来源、赋存及其生态风险研究进展[J]. 生态环境学报, 2023, 32(2): 407-420.
[11]	童银栋, 黄兰兰, 杨宁, 张奕妍, 李子芃, 邵波. 全球水体微囊藻毒素分布特征及其潜在环境风险分析[J]. 生态环境学报, 2023, 32(1): 129-138.
[12]	张丽聪, 肖凯, 张鹏, 李海龙, 王俊坚, 李镇扬, 王芬芳, 徐华林, 郭跃华. 淤泥质潮滩重金属和溶解性有机质的潮汐变化特征及其环境影响评价[J]. 生态环境学报, 2022, 31(11): 2169-2179.
[13]	王海鹤, 孙媛媛, 张帅, 徐小蓉, 商成梅, 黎春想. 贵阳市集中式饮用水源地重金属污染特征及健康风险评价[J]. 生态环境学报, 2022, 31(10): 2039-2047.
[14]	刘畅, 罗艳丽, 刘晨通, 郑玉红, 晁博, 董乐乐. 奎屯河下游区域地下水和农田土壤砷的空间分布特征[J]. 生态环境学报, 2022, 31(10): 2070-2078.
[15]	王钊, 张曼胤, 胡宇坤, 刘魏魏, 张苗苗. 盐度对典型滨海湿地沉积物汞甲基化的影响[J]. 生态环境学报, 2022, 31(9): 1876-1884.