EST | 从水文气象到河流水质：深度学习模型可以预测大陆尺度的溶解氧吗？

2021.3.22

从水文气象到河流水质：深度学习模型可以预测大陆尺度的溶解氧吗？

题目：From Hydrometeorology to River Water Quality: Can a Deep Learning Model Predict Dissolved Oxygen at the Continental Scale?

杂志：Environmental Science & Technology

文章简介

溶解氧（DO）是水生系统中的重要水质指标。水质指标的预测一般采用基于过程的机理模型。随着近些年来机器学习技术的发展，长短时记忆模型（LSTM），这种基于递归神经网络（RNN）的深度学习模型在时间序列预测中展现了强大的能力。目前，LSTM还没有被用来预测大陆尺度受人类影响较小的流域的DO时空动态变化。

近年来，高频率的水文气象大数据是发展趋势，但是很多地方的水质数据采样频率依然较低。作者提出以下问题：一个统一的LSTM模型是否可以在大陆尺度上，从高频率的水文气象数据，流域特征数据，和稀疏的DO数据中学习DO的时空变化规律？深度学习模型是否可以应用在那些没有DO实测数据的流域？我们应该如何在时间和空间上有效采样来提高模型的预测准确性？作者使用了来自CAMELS-chem数据库的DO记录，利用全美的236个流域训练了一个LSTM模型。

(a)数据点；(b)平均DO浓度；(c)变异系数；(d)NSE；(e)RMSE；(f)皮尔逊相关系数。三角形为无DO数据训练区；颜色越深表示性能越好。

随机选取12个流域。左列是高NSE组（>= 0.7，）, 中列是中NSE组（0.4-0.7），右列是低NSE组（<0.4）。黑色实点是DO数据，红线是模型预测值。每个图下面附上蓝色的时间放大图来展示短期变化。上面三行是核心评测流域，训练期（1980-2000）和测试期（2001-2004）都有DO数据。最后一排是数据缺失的流域。

该图表示DO浓度和流量的关系。空心圆圈是1980-2014年所有模拟值，黑色和红色实点是DO原数据和对应的模拟值。该图表面溶解氧与流量的相关性并不是那么高。

该图表示DO浓度和温度的关系。黑色实线是DO溶解度的理论值，通过Benson和Krause公式计算获得。第一排情形是数据和模型预测值与理论值较为接近，意味着河流DO消耗较小。中间排的情形是DO数据比理论值要低，尤其是高温条件下，意味着河流内存在DO消耗。最后排的情形是DO数据高于理论值，意味着河流内有光合作用补充DO。

深度学习训练机理：模型训练效果和流域特征数据的相关性。黑框三角形是24个“缺失化学数据的流域”。（a）是DO的变异系数；（b）是DO最小值；（c）是径流比。RMSE和变量相关关系表明：模型在溶解氧变化较小的流域的误差较小，且模型表现与具体流域数据点的数量不相关。模型误差与最小DO值负相关, 表明该模型无法预准确DO最小值。模型的性能还取决于流域的水文气候特征。具体来说，模型在径流比高（> 0.45）和冬季降水达到峰值的流域表现良好。

借鉴意义

1、该模型能够准确预测不同水文气象、不同流域特征的DO季节变化，可以模拟DO变化程度的主要部分（5-15 mg/L）, 但是在河流生物化学反应显著的条件下（比如高温）难以模拟DO的极值；

2、该深度学习模型表现出了一定的时空外推性，可以有效填补流域的时间序列数据的缺失，也同时展示了对于“缺失化学数据的流域”的不错预测能力；

3、模型在空间上的表现和具体流域的数据量没有直接关系。获取更多时空上的“有效数据”可以进一步改善模型的整体性能。

文章信息：Zhi, W., Feng, D., Tsai, W.-P., Sterle, G., Harpold, A., Shen, C., & Li, L. (2021). From Hydrometeorology to River Water Quality: Can a Deep Learning Model Predict Dissolved Oxygen at the Continental Scale? Environmental science & technology, 55(4), 2357-2368.

DOI：10.1021/acs.est.0c06783

刘国王辰 | 供稿

朱凯航 | 编辑

陈磊 | 审核

流域面源污染控制与水环境修复

陈磊

团队负责人