基于CNN-LSTM模型及小样本数据的水库二氧化碳通量预测

摘要

整合了2016年—2017年云贵高原岩溶深水水库——万峰湖水库表层CO_(2)分压[p(CO_(2))]及对应的水质指标,计算了水-气界面CO_(2)通量并分析其与水质的线性相关性,最终在收集的样本数据下建立了水库CO_(2)通量预测的卷积神经网络与长短时记忆神经网络混合模型(CNN-LSTM模型)。研究表明:万峰湖水库夏季的CO_(2)通量仅与pH和氧化还原电位(ORP)有显著的相关性,而冬季的CO_(2)通量与水温(T)、pH、碱度(ALK)、总溶解固体物质浓度(TDS)和电导率(Cond)均有显著的相关性,在一个完整的水文年内,6个水质指标均为CO_(2)通量的重要影响因素。使用80%训练集数据训练CNN-LSTM模型,20%测试集数据测试模型的绝对均值误差(MAE),均方根误差(RMSE)和相关性(R^(2)),并且建立CNN神经网络模型、LSTM神经网络模型和全连接神经网络模型(DNN)与之对比。4种模型预测值与实测值的相关性(R^(2))均高于0.90,CNN-LSTM模型的MAE与RMSE分别为2.64、3.85 mmol/(m^(2)·d),均低于另外3种神经网络模型,CNN-LSTM模型能在样本数量较小的情况下取得最好的CO_(2)通量预测效果。