由于计算需求广泛而监测数据有限，如何将下水道系统和城市河流集成到一个综合模型中一直是个棘手的问题。传统的校准方法也无法有效应对这些问题和挑战。
最近发表在Environmental Science and Ecotechnology上的一项研究提出了一种先进的机器学习系统，旨在提高下水道-河流系统建模的准确性和效率。该创新方法能显著减少参数校准所需时间，并提高城市水污染预测模型的精度。该研究在发表后得到了Smart Water Magazine、Mirage News、Sciencenewsnet.in、Newswise、Phys.org、EurekAlert等国际新闻媒体的广泛关注。
这项突破性研究的核心在于将两种先进技术巧妙结合——蚁群优化（Ant Colony Optimization，ACO）和长短期记忆（Long Short-Term Memory，LSTM）网络——并被集成到一个机器学习并行系统（MLPS）之中。ACO受到蚂蚁觅食行为的启发，用于寻找最有效的路径，在这里应用于导航水模型的复杂参数空间。同时，作为一种循环神经网络，LSTM网络在识别序列数据中的模式方面表现出色，使其成为理解下水道-河流系统中污染物时间动态的理想选择。通过结合这些技术，研究人员设计出了一种能够对下水道-河流模型进行快速精确校准的MLPS。传统方法通常既繁琐又耗时，无法与新方法的效率或准确性相提并论。具体而言，MLPS可将校准时间从数月大幅缩短至数天，同时兼顾模型准确预测污染水平的能力。
作者信息
第一作者 李运东，哈尔滨工业大学环境学院博士研究生，研究方向为基于模型与大数据的城市水环境智慧治理与管理研究，授权国家发明专利5项。
通讯作者 田禹，博士，哈尔滨工业大学环境学院教授/博导，国家高层次人才，城市水资源与水环境全国重点实验室副主任，物联网智能技术工信部重点实验室副主任；中国环境科学学会生态环境大数据专业委员会常务委员。近年来主要从事人工智能+大数据城市水系统智慧管控、固体废弃物减量化与资源化等方面研究工作。通讯邮箱：hit_tianyu@163.com
论文ID
原文题目 Machine learning parallel system for integrated process-model calibration and accuracy enhancement in sewer-river system
引用信息 Li, Y., Ma, L., Huang, J., Disse, M., Zhan, W., Li, L., ... & Tian, Y. (2024). Machine learning parallel system for integrated process-model calibration and accuracy enhancement in sewer-river system. Environmental Science and Ecotechnology 18: 100320.