[张贴报告]利用可解释的深度学习模型应对双重挑战:地表水总磷浓度预测及其污染溯源

利用可解释的深度学习模型应对双重挑战:地表水总磷浓度预测及其污染溯源
编号:4529 稿件编号:2119 访问权限:仅限参会人 更新:2024-04-15 20:13:17 浏览:453次 张贴报告

报告开始:2024年05月18日 08:12 (Asia/Shanghai)

报告时间:1min

所在会议:[SP] 张贴报告专场 » [sp5] 主题5、环境科学

暂无文件

摘要
本研究提出了一种注意力-物理引导的时空图卷积神经网络框架(A-PSTGCN)用于总磷预测及其污染溯源。主要解决两个关键挑战:(1)由于磷复杂生物地球化学循环过程,基于过程模型难以准确概化与预测;(2)受不同生境特征影响,基于实验的原位监测和同位素技术溯源结果不准确。在方法本质上,基于Attention机制的嵌入式模型解释方法具有更高的可移植性,并采用对流扩散方程来指导模型训练,提高其拟合能力与精度。以太湖流域西部地区为研究区,该模型预测结果与基础模型相比R2提高了7.1%~21.1%,且预测更具“时效性”。同时,不同情景下的溯源结果表明,该地区水利工程建设控制了区域内重点湖泊(滆湖)外源总磷污染负荷来源变化,其次是地区气候的季节性变化。

 
关键字
地表水总磷预测,污染溯源,物理过程指导,时空图卷积神经网络,注意力机制可解释性
报告人
姚杰夫
博士研究生 南京大学

稿件作者
姚杰夫 南京大学
阮晓红 南京大学
发表评论
验证码 看不清楚,更换一张
全部评论
● 会务总协调  

● 学术安排

 

辜克兢

13950003604

gukejing@xmu.edu.cn

辜克兢

13950003604

gukejing@xmu.edu.cn

柳    欣

13806024185

liuxin1983@xmu.edu.cn

窦    恒

18627754021

douheng@chytey.com

孙佳妮

15201086188

scarlett@chytey.com

刘    琳

13313708075

lliu@iue.ac.cn

 

● 会场技术服务

 

李    虎

柳    欣

18965842343

13806024185

hli@iue.ac.cn

liuxin1983@xmu.edu.cn
李招英

13860473552

lizhaoying@xmu.edu.cn

     
           
● 会场安排   ● 会议注册  

辜克兢

13950003604

gukejing@xmu.edu.cn

胡勤梅 13554192326

mary@chytey.com

窦    恒

18627754021

douheng@chytey.com

孙晓笛 18813296455 xiaodi.sun@xmu.edu.cn
           
● 商业赞助   ● 会议财务  
朱    佳 13950159036

zhujia@xmu.edu.cn

许心雅 0592-2880181 xuxinya@xmu.edu.cn
           

海报张贴

 

● 酒店预定及咨询

 
张    君 13860426122 junzhang@xmu.edu.cn

李    璟

18627754146

lijing@chytey.com

卢    巍 18971567453 luwei@chytey.com      

 

登录 注册缴费 酒店预订