Алгоритм прогнозирования параметров качества водных объектов с использованием нейронной сети

Файл статьи: 
УДК: 
614.878.086
Авторы: 

М.А. Ширяева1,2, О.О. Синицына1, М.В. Пушкарева1, В.В. Турбинский1

Организация: 

1Федеральный научный центр гигиены имени Ф.Ф. Эрисмана, Российская Федерация, 141014, Московская область, г. Мытищи, ул. Семашко, 2
2Российский государственный аграрный университет – Московская сельскохозяйственная академия имени К.А. Тимирязева, Российская Федерация, 127550, г. Москва, ул. Тимирязевская, 49

Аннотация: 

Чистая и безопасная питьевая вода является фундаментальной необходимостью для здоровья и благополучия людей, а также важным компонентом устойчивого развития экосистем. В последние десятилетия проблемы качества воды стали еще более актуальными в связи с ростом численности населения, расширением промышленной деятельности и изменением климата.

В ряде работ зарубежных исследователей показаны результаты применения нейросетей. Имеются исследования, подтверждающие достоверность результатов прогноза качества воды, сгенерированного нейросетями.

В ходе работы использовались программы Google Earth Pro, Microsoft Excel, датчик расхода воды на базе платы Arduino UNO c авторской доработкой (хвостовым оперением и встроенным плагином для расчета скорости течения), Python, библиотеки Tensorflows keras2.2.0, Scikit-learn, Pandas для машинного обучения и разработки архитектуры нейросети. В данной работе две модели нейросети были объединены для построения гибридной нейросетевой модели прогнозирования параметров качества воды.

Нейросетевые модели предоставляют уникальные возможности для улучшения управления водными ресурсами на различных уровнях, начиная от местных и заканчивая глобальными. Одним из ключевых преимуществ таких моделей является возможность адаптации к конкретным условиям и требованиям, что обеспечивает более точное предсказание и своевременное принятие решений в условиях неопределенности. Актуальность работы обусловлена применением нейросетей для прогнозирования качества воды, что может способствовать улучшению системы раннего предупреждения о загрязнении, оптимизации операционных процессов на водоочистных станциях и разработке эффективных стратегий по управлению водными ресурсами.

В ходе исследований разработана инновационная гибридная нейросетевая модель прогнозирования параметров качества воды, основанная на интеграции глубокой сверхточной нейронной сети и двунаправленной рекуррентной нейросети, которая состоит из трех функциональных частей.

Ключевые слова: 
нейросеть, Tensorflows keras2.2.0, водные объекты, питьевая вода, фактор риска, негативное воздействие, загрязнение водной среды, коэффициент детерминации, алгоритм оптимизации
Алгоритм прогнозирования параметров качества водных объектов с использованием нейронной сети / М.А. Ширяева, О.О. Синицына, М.В. Пушкарева, В.В. Турбинский // Анализ риска здоровью. – 2024. – № 4. – С. 50–62. DOI: 10.21668/health.risk/2024.4.05
Список литературы: 
  1. An integrated simulation framework for NDVI pattern variations with dual society-nature drives: A case study in Bai-yangdian Wetland, North China / Z. Liao, X. Wang, Y. Zhang, H. Qing, C. Li, Q. Liu, J. Cai, C. Wei // Ecological Indicators. – 2024. – Vol. 158. – P. 111584. DOI: 10.1016/j.ecolind.2024.111584
  2. Карпенко Н.П., Глазунова И.В., Ширяева М.А. Анализ геоэкологических проблем и оценка обеспеченности питьевыми водами Клинского района Московской области // Природообустройство. – 2023. – № 5. – С. 88–94. DOI: 10.26897/1997-6011-2023-5-88-94
  3. Shivam K., Tzou J.-C., Wu S.-C. Multi-step short-term wind speed prediction using a residual dilated causal convolu-tional network with nonlinear attention // Energies. – 2020. – Vol. 13, № 7. – P. 1772. DOI: 10.3390/en13071772
  4. Wu G.-D., Lo S.-L. Predicting real-time coagulant dosage in water treatment by artificial neural networks and adaptive network-based fuzzy inference system // Engineering Applications of Artificial Intelligence. – 2008. – Vol. 21, № 8. – P. 1189–1195. DOI: 10.1016/j.engappai.2008.03.015
  5. Towards a time and cost effective approach to water quality index class prediction / J.Y. Ho, H.A. Afan, A.H. El-Shafie, S.B. Koting, N.S. Mohd, W.Z.B. Jaafar, L.S. Hin, M.A. Malek [et al.] // Journal of Hydrology. – 2019. – Vol. 575. – P. 148–165. DOI: 10.1016/j.jhydrol.2019.05.016
  6. Juwana I., Muttil N., Perera B.J.C. Uncertainty and sensitivity analysis of West Java Water Sustainability Index – A case study on Citarum catchment in Indonesia // Ecological indicators. – 2016. – Vol. 61. – P. 170–178. DOI: 10.1016/j.ecolind.2015.08.034
  7. Розенталь О.М., Федотов В.Х. Идентификация предприятий-загрязнителей воды на основе нейросетевого ана-лиза // Природообустройство. – 2023. – № 1. – С. 62–68. DOI: 10.26897/1997-6011-2023-1-62-68
  8. Шамсутдинова Т.М. Применение нейросетевого моделирования в задачах прогнозирования уровня паводка рек // Вестник Новосибирского государственного университета. Серия: Информационные технологии. – 2023. – Т. 21, № 2. – С. 39–50. DOI: 10.25205/1818-7900-2023-21-2-39-50
  9. Шитиков В.К., Зинченко Т.Д., Головатюк Л.В. Нейросетевые методы оценки качества поверхностных вод по гидробиологическим показателям // Известия Самарского научного центра Российской академии наук. – 2002. – Т. 4, № 2. – С. 280–289.
  10. Раткович Л.Д., Маркин В.Н., Глазунова И.В. Вопросы рационального использования водных ресурсов и проектного обоснования водохозяйственных систем: монография. – М.: Московский государственный университет природообустройства, 2013. – 256 с.
  11. Карпенко Н.П., Ломакин И.М., Дроздов В.С. Вопросы управления геоэкологическими рисками при оценке качества подземных вод на урбанизированных территориях // Природообустройство. – 2019. – № 5. – С. 106–111. DOI: 10.34677/1997-6011/2019-5-106-111
  12. Сравнительная характеристика показателей качества воды реки Оки в местах водозаборов хозяйственно-питьевой системы водоснабжения города Рязани / А.А. Литвинова, А.А. Дементьев, А.А. Ляпкало, Е.П. Коршунова // Российский медико-биологический вестник имени академика И.П. Павлова. – 2022. – Т. 30, № 4. – С. 481–488. DOI: 10.17816/PAVL0VJ89568
  13. Жолдакова З.И., Синицына О.О., Турбинский В.В. О корректировке требований к зонам санитарной охраны источников централизованного хозяйственно-питьевого водоснабжения населения // Гигиена и санитария. – 2021. – Т. 100, № 11. – С. 1192–1197. DOI: 10.47470/0016-9900-2021-100-11-1192-1197
  14. Карпенко Н.П., Ширяева М.А. Трёхмерное моделирование как система отображения суммарного химического загрязнения почв // Природообустройство. – 2021. – № 1. – С. 6–14. DOI: 10.26897/1997-6011-2021-1-6-14
  15. Оценка качества вод Рыбинского водохранилища вследствие снижения уровня вод / Н.В. Лагутина, А.В. Новиков, О.В. Сумарукова, Н.О. Науменко // Природообустройство. – 2019. – № 2. – С. 122–126. DOI: 10.34677/1997-6011/2019-2-122-126
  16. Науменко Н.О. Введение рационального нормирования на объемы сбросов загрязняющих веществ в водные объекты с целью поддержания устойчивости экосистемы // Современные проблемы и перспективы развития рыбохозяйственного комплекса: материалы VII Научно-практической конференции молодых ученых с международным участием. – М.: Всероссийский научно-исследовательский институт рыбного хозяйства и океанографии, 2019. – С. 344–346.
  17. Multi-scale quaternion CNN and BiGRU with cross self-attention feature fusion for fault diagnosis of bearing / H. Liu, F. Zhang, Y. Tan, L. Huang, Y. Li, G. Huang, S. Luo, A. Zeng // Meas. Sci. Technol. – 2024. – Vol. 35, № 8. – P. 086138. DOI: 10.1088/1361-6501/ad4c8e
  18. A deep learning algorithm for multi-source data fusion to predict water quality of urban sewer networks / Y. Jiang,
    C. Li, L. Sun, D. Guo, Y. Zhang, W. Wang // Journal of Cleaner Production. – 2021. – Vol. 318. – P. 128533. DOI: 10.1016/j.jclepro.2021.128533
  19. Forecasting models for surface water quality using predictive analytics / G.T.N. Veerendra, B. Kumaravel, P. Kodanda Rama Rao, S. Dey, A.V. Phani Manoj // Environment, Development and Sustainability. – 2024. – Vol. 26, № 6. – P. 15931–15951. DOI: 10.1007/s10668-023-03280-3
  20. A novel global average temperature prediction model – based on GM-ARIMA combination model / X. Chen, Z. Jiang, H. Cheng, H. Zheng, D. Cai, Y. Feng // Earth Science Informatics. – 2023. – Vol. 17, № 1. – P. 853–866. DOI: 10.1007/s12145-023-01179-1
  21. Water quality evaluation and prediction based on a combined model / G. Jiao, S. Chen, F. Wang, Z. Wang, F. Wang, H. Li, F. Zhang, J. Cai, J. Jin // Appl. Sci. – 2023. – Vol. 13, № 3. – P. 1286. DOI: 10.3390/app13031286
  22. Application of data prediction models in a real water supply network: comparison between arima and artificial neural networks / A.C. da Silva, F. das Graças Braga da Silva, V.E. de Mello Valério, A.T.Y. Lima Silva, S.M. Marques, J.A. Tosta dos Reis // Revista Brasileira de Recursos Hídricos. – 2024. – Vol. 29. – P. e12. DOI: 10.1590/2318-0331.292420230057
  23. Deng T., Chau K.-W., Duan H.-F. Machine learning based marine water quality prediction for coastal hydro-environment management // J. Environ. Manage. – 2021. – Vol. 284. – P. 112051. DOI: 10.1016/j.jenvman.2021.112051
  24. Simulation on TN and TP distribution of sediment in Liaohe estuary national wetland park using mike21-coupling model / X. Lu, Y. Dong, Q. Liu, H. Zhu, X. Xu, J. Liu, Y. Wang // Water. – 2023. – Vol. 15, № 15. – P. 2727. DOI: 10.3390/w15152727
  25. Augmentation of limited input data using an artificial neural network method to improve the accuracy of water quality modeling in a large lake / J. Kim, D. Seo, M. Jang, J. Kim // Journal of Hydrology. – 2021. – Vol. 602, № 4. – P. 126817. DOI: 10.1016/j.jhydrol.2021.126817
  26. Wongburi P., Park J.K. Prediction of Wastewater Treatment Plant Effluent Water Quality Using Recurrent Neural Network (RNN) Models // Water. – 2023. – Vol. 15, № 19. – P. 3325. DOI: 10.3390/w15193325
  27. Jaya N.A., Arsyad M., Palloan P. Estimation of Groundwater River Availability in Leang Lonrong Cave Using ARI-MA Model and Econophysics Valuation Approach // Advances in Social Humanities Research. – 2024. – Vol. 2, № 5. – P. 737–754. DOI: 10.46799/adv.v2i5.240
  28. Tiyasha, Tung T.M., Yaseen Z.M. Deep learning for prediction of water quality index classification: tropical catchment environmental assessment // Natural Resources Research. – 2021. – Vol. 30, № 6. – P. 4235–4254. DOI: 10.1007/s11053-021-09922-5
Получена: 
22.07.2024
Одобрена: 
29.11.2024
Принята к публикации: 
19.12.2024

Вы здесь