Page 50 - 《水资源与水工程学报》2023年第4期
P. 50

４ ６                      & ' ( ) & * + , -                 ２０２３ $

               ｌｉｓｈｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｅｓｔａｂｌｉｓｈｅｄｍｏｄｅｌｓａｒｅｕｓｅｄｔｏｐｒｅｄｉｃｔａｎｄｒｅｃｏｎｓｔｒｕｃｔｔｈｅｃｏｍｐｏｎｅｎｔｓｏｆｐＨ，ＤＯ，
               ＣＯＤ ，ＮＨ—Ｎ，ｍｅａｎｗｈｉｌｅ，ＷＰＴ－ＧＲＵ，ＷＰＴ－ＬＳＴＭ ａｎｄＷＰＴ－ＣＳＡ－ＳＶＭ，ＷＰＴ－ＣＯ－ＳＶＭ，
                    Ｍｎ    ３
               ＷＰＴ－ＭＧＯ－ＳＶＭ ｍｏｄｅｌｓａｒｅｅｓｔａｂｌｉｓｈｅｄｆｏｒｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓ．Ｔｈｅｎｔｈｅｍｏｄｅｌｓａｒｅｖｅｒｉｆｉｅｄｂｙｔｈｅ
               ｐｒｅｄｉｃｔｉｏｎｏｆｐＨ ，ＤＯ，ＣＯＤ ，ＮＨ—ＮｏｆＧｕａｎｙｉｎｓｈａｎｓｅｃｔｉｏｎｉｎＫｕｎｍｉｎｇ，ＹｕｎｎａｎＰｒｏｖｉｎｃｅ．Ｔｈｅｒｅ
                                              ３
                                        Ｍｎ
               ｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆＷＰＴ－ＣＳＡ－ＧＲＵ，ＷＰＴ－ＣＯ－ＧＲＵ，ＷＰＴ－ＭＧＯ－ＧＲＵ，
               ＷＰＴ－ＣＳＡ－ＬＳＴＭ，ＷＰＴ－ＣＯ－ＬＳＴＭ，ＷＰＴ－ＭＧＯ－ＬＳＴＭ ｍｏｄｅｌｓｆｏｒｐＨ，ＤＯ，ＣＯＤ ，ＮＨ—Ｎｏｆ
                                                                                             Ｍｎ    ３
               ｔｈｅｃａｓｅｓｅｃｔｉｏｎａｒｅｂｅｔｔｅｒｔｈａｎｔｈｅｃｏｍｐａｒｉｓｏｎｍｏｄｅｌｓｗｉｔｈｂｅｔｔｅｒｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅ ，ｏｆｗｈｉｃｈＷＰＴ－
               ＣＳＡ－ＧＲＵ ，ＷＰＴ－ＣＯ－ＧＲＵ，ＷＰＴ－ＭＧＯ－ＧＲＵｍｏｄｅｌｓｈａｖｅｔｈｅｈｉｇｈｅｓｔｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ；ＣＳＡ，
               ＣＯａｎｄＭＧＯｃａｎｅｆｆｅｃｔｉｖｅｌｙｔｕｎｅｔｈｅｈｙｐｅｒｐａｒａｍｅｔｅｒｓｏｆＧＲＵａｎｄＬＳＴＭ，ａｎｄｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｔｈｅ
               ｐｒｅｄｉｃｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆＧＲＵａｎｄＬＳＴＭ；ｔｈｅｓｉｘｐｒｏｐｏｓｅｄｍｏｄｅｌｓｈａｖｅｈｉｇｈｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｍａｌｌ
               ｃａｌｃｕｌａｔｉｏｎｓｃａｌｅ，ｗｈｉｃｈｃａｎｂｅｒｅｃｏｇｎｉｚｅｄａｓｅｆｆｅｃｔｉｖｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓｆｏｒｗａｔｅｒｑｕａｌｉｔｙｔｉｍｅｓｅｒｉｅｓ．Ｔｈｉｓ
               ｓｔｕｄｙｃａｎｐｒｏｖｉｄｅｓｏｍｅｒｅｆｅｒｅｎｃｅｆｏｒｒｅｌｅｖａｎｔｗａｔｅｒｑｕａｌｉｔｙｐｒｅｄｉｃｔｉｏｎｒｅｓｅａｒｃｈ．
               Ｋｅｙｗｏｒｄｓ：ｗａｔｅｒｑｕａｌｉｔｙｐｒｅｄｉｃｔｉｏｎ；ｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔ（ＧＲＵ）；ｌｏｎｇｓｈｏｒｔｔｅｒｍ ｍｅｍｏｒｙｎｅｔｗｏｒｋｓ
               （ＬＳＴＭ）；ｗａｖｅｌｅｔｐａｃｋｅｔｔｒａｎｓｆｏｒｍ （ＷＰＴ）；ｃｈａｍｅｌｅｏｎｓｗａｒｍ ａｌｇｏｒｉｔｈｍ （ＣＳＡ）；ｃｈｅｅｔａｈｏｐｔｉｍｉｚａｔｉｏｎ
               （ＣＯ）ａｌｇｏｒｉｔｈｍ；ｍｏｕｎｔａｉｎｇａｚｅｌｌｅｏｐｔｉｍｉｚａｔｉｏｎ（ＭＧＯ）ａｌｇｏｒｉｔｈｍ

                                                               ‘  ［１２］ uh^?jY·1 ¶"8pＢＰæ‹nµ
            １ ./01                                                                               ［１３］
                                                               （ＳＳＡ－ＧＡ－ＢＰ） [”qr； /Ë@‘               uh^U
                 uX@¡âfg[”ÁZox@•–áW                          ·qB·z UÛ-qV8p 8ñNÉÊæ‹nµ
            @8BFÕþÿ&‚)“             ［１］ 。£t， * ＭＩＫＥ２１ ‘        （ＶＭＤ－ＰＳＯ－ＬＳＴＭ） [”qr； ÃLA‘             ［１４］ uh
            @¡q™qrz， ÿ|@¡[”^=pµ·? ３ [。                         ^,°‹ÛqB·z ùò>Z23³（ＥＥＭＤ－
            Ë １ [´ÎÅ723?Ýï^"#[”=p； Ë ２                         ＳＶＲ） [”qr； OÈA‘        ［１５］ uh^U·qB·z
            [´Î³I&ù?Ýï^[”=p， Y ＢＰ（ｂａｃｋ                         BTæ‹nµ 8ñNÉÊæ‹nµ（ＶＭＤ－ＣＮＮ－
            ｐｒｏｐａｇａｔｉｏｎ） æ‹nµ   ［２－３］ 、 ùò>Z23³      ［４］ 、 8   ＬＳＴＭ ） x°@¡[”qr。
                                                                   j•Û， ²DIù×W3N´Q^'~，ＬＳＴＭ、
            ñN É Ê æ ‹ n µ （ｌｏｎｇｓｈｏｒｔｔｅｒｍ ｍｅｍｏｒｙｎｅｔ
            ｗｏｒｋｓ，ＬＳＴＭ） ［５－６］ 、 ˜‡l#23æ‹nµ         ［７］ ‘， +    /Ôá•a3（ｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔ，ＧＲＵ） £*¬­
                                                               x@¡[”     ［１５－１６］ ^;<¢。ＬＳＴＭ ´á•æ‹n
            [=puXoo˜‡lƒ„^Qi， !´Æ<
                                                               µ（ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ，ＲＮＮ） ^U½， /º?o
            Æð|Æûù^°…¤Ã‡o/[”ÁZ^u
                                                               ＲＮＮÎV^@ZBHW@ZFCƒ„ ， €ƒ„·
            à， *tÞßg­-V´Q8p}¶­q， Ä9¥û
                                                               [  ［１７］ 、 [”;< ［１８－２１］ ‘’e¬­R~。ＧＲＵ´
            ¥^[”.—。Ë ３ [´x°[”p， x°[”p
                                                               ＬＳＴＭ^U½， K ＬＳＴＭ{º，ＧＲＵ\ÿk¤^æç
            ·è½=¹， ¼½´'xè†ðè†ÎL[”I^
                                                               ZÎ B k ¥ ^ [ ” l Q， * ¬ ­ x v [ [ ” ;
            x°[”， Y ＴｉｍｅＧＡＮ－ＣＮＮ（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ              ［２２－２４］
                                                               <      &¢。€¾‘¬­¢，ＧＲＵ／ＬＳＴＭ õûù
            ｎｅｔｗｏｒｋｓ）－ＬＳＴＭqr     ［８］ 、ＧＲＮＮ（ｇｅｎｅｒａｌｒｅｇｒｅｓｓｉｏｎ
                                                               （ ¨©ëù、 &ù 、 ÜÝëEÑù、ｄｒｏｐｏｕｔ、Ｌｅａｒｎ
                                       ［９］
            ｎｅｕｒａｌｎｅｔｗｏｒｋ）－Ｍａｒｋｏｖ qr     、ＳＴＧ（ｓｐａｔｉａｌ－ｔｅｍ
                                                               ＲａｔｅＤｒｏｐＰｅｒｉｏｄ ‘） o ＧＲＵ／ＬＳＴＭ[”lQþÿû
            ｐｏｒａｌｇｒａｐｈ ）－ＬＳＴＭqr    ［１０］ ‘， x°[”=p^œ
                                                               Iab， R‚‹î3NêëÓ_óL¥å ＧＲＵ／
            Ñ´J­vqr^q<Ûº?a¼[”qr^ê
                                                               ＬＳＴＭõûù， êM‚X«ý3óþÿš›^Óû
            P， ![”¯—$$€ûI^êÂ=l； Š¼½´                          ‹Û， ž Ÿ ˆ % ! Ø Ü Í ˆ Æ， I Î O P ＧＲＵ／
            'xŽ·zH«^[”=p， »=pJ­·zH                            ＬＳＴＭ^[”RX。*t， ³÷e‰ý8p                 ［１８］ 、 UÛ
            «Ÿâfù×·z?bÏkþÇÈ^Ûfg·Z，                             -qV8p‘       ［２５－２８］ -V´Q8p （ｓｗａｒｍ ｉｎｔｅｌｌｉ
            ‹îoÛfg·Z}¶[”、 &¶ô¥å±®[”                            ｇｅｎｃｅａｌｇｏｒｉｔｈｍｓ ，ＳＩＡ） £€­q ＧＲＵ／ＬＳＴＭõûù
            ¯—。Üx'xŽ·zH«^[”=pþÿû¥                             ¢¥å¬­， Ĥ¥oû¥^Óq.—。
            ^[”ÁZ， »=p£€@¡âfg[”;<¢                                ?uX ｐＨÆB ＣＯＤ 、ＤＯ、ＮＨ—ＮeZâ
                                                                                               ３
                                                                                      Ｍｎ
                                   ［１１］
            ¥åR~¬­， Yø=‘              uh^(›·z 8ñ              fg^[”ÁZ， a} ＧＲＵ／ＬＳＴＭ^[”lQ， š
            NÉÊnµ（Ｗ －ＬＳＴＭ） âfg[”qr； (õ>                       ~ ＳＩＡ€ ＧＲＵ／ＬＳＴＭõûùÓq¢^¬­Ö|， u
   45   46   47   48   49   50   51   52   53   54   55