文章亮点

1. 通过多源数据融合，成功对大型人工湿地建立了四种水质预测模型；

2. LSTM神经网络在四种预测模型中展现出了最佳的预测精度；

3. 使用移动平均法可以明显提高GA-BPNN等非RNN模型的预测精度。

文章简介

准确预测人工湿地出水中的污染物浓度对于保障人工湿地的污水处理效果至关重要。然而，在实际工程的水质预测中，气象条件和真实条件下的流量波动通常被忽略，进而致使预测模型精度并不理想。为了解决这一问题，本研究提出了一种基于多源数据融合的方法，该方法考虑了水质指标、水量指标和气象指标等多方面影响因素。并选取了四种代表性的方法以同时预测实际大型人工湿地出水中三种典型污染物的浓度：（1）多元线性回归；（2） 反向传播神经网络（BPNN）；（3） 遗传算法（GA）与BPNN相耦合的混合神经网络，以求解局部极小值问题；（4）长短期记忆（LSTM）神经网络，使模型可考虑过去结果对现在的影响。

图1  图文摘要

结果表明，LSTM预测模型的性能明显优于其他基于深度神经网络的模型或线性方法。此外，考虑到废水中不同污染物浓度的巨大波动，本研究采用移动平均法以平滑原始数据，成功提高了传统神经网络和混合神经网络的精度。研究结果表明，将智能科学的预处理方法与深度学习算法相结合是预测实际工程出水水质的一种可行方法。

图2  MLR模型、BPNN模型、GA-BPNN模型和LSTM模型对三个出水水质指数的预测结果、实际结果及其对应R²值的比较。a–b，NH₄⁺-N_eff的散点图（a）和线图（b）；c–d，CODeff的散点图（c）和线图（d）；e–f，TP_eff的散点图（e）和线图（f）

图3  MLR模型、BPNN模型、GA-BPNN模型和LSTM模型对三个移动平均处理后出水水质指标的预测结果、实际结果及其对应R²值的比较。a–b，NH₄⁺-N_eff的散点图（a）和线图（b）；c–d，COD_eff的散点图（c）和线图（d）；e–f，TP_eff的散点图（e）和线图（f）

作者信息

第一作者  杨博文，硕士研究生，哈尔滨工业大学（深圳）土木与环境工程学院

通讯作者  冯骁驰，哈尔滨工业大学（深圳）土木与环境工程学院副教授/博士研究生导师，深圳市高层次人才后备人才，城市水资源与水环境国家重点实验室固定成员。主要研究方向为细菌群体感应调控在污水生物处理过程中的功能机制；过硫酸盐高级氧化；河道生态修复治理；人工智能在水处理领域的应用等。研究成果在Environmental Science & Technology、Journal of Membrane Science等环境领域SCI期刊发表论文40余篇，Web of Science的 H-index 20，担任Water Research等多个国际期刊审稿人，授权国家发明专利4项。2017和2021年获省部级科学技术二等奖（自然类，第二完成人）和三等奖（自然类，第三完成人）。主持深圳市可持续发展专项，国家自然科学基金青年基金，广东省自然科学基金面上项目等国家和省部级课题7项。

论文ID

原文题目  Deep learning-based prediction of effluent quality of a constructed wetland

引用信息  Yang, B., Xiao, Z., Meng, Q., Yuan, Y., Wang, W., Wang, H., ... & Feng, X. (2022). Deep learning-based prediction of effluent quality of a constructed wetland. Environmental Science and Ecotechnology 13: 100207.

doi: https://doi.org/10.1016/j.ese.2022.100207