深い学習と加重平均アンサンブルモデルを使用した水質変数の予測

クロロフィルA（CHL-A）を含む水質変数は、水生生態系の状態を理解し評価する上で極めて重要な役割を果たします。多様な水生生物、特に藻類とシアノバクテリアに存在する色素であるCHL-Aは、水質の貴重な指標として機能します。したがって、この研究の目的は次のとおりです。（1）4つのディープラーニング（DL）モデルの予測能力の評価 - すなわち、再発性ニューラルネットワーク（RNN）、長期記憶（LSTM）、ゲート再発ユニット（GRU（GRU））、および時間的畳み込みネットワーク（TCN）-CHL -A濃度の予測。（2）これらのDLモデルが遺伝的アルゴリズム（GA）および非支配ソート遺伝的アルゴリズム（NSGA-II）を使用して、各スタンドアロンモデルの強度を活用するためのアンサンブルモデル（EMS）への組み込み。（3）開発されたEMSの有効性の評価。ギリシャのSmall Prespa Lake（SPL）から15分間隔で収集されたデータを利用して、モデルは1時間ごとのCHL-A濃度ラグ時間を採用し、CHLA（T+1）を予測するモデルの入力として最大6時間延びました。提案されたモデルは、データセットの70％のトレーニングを受け、その後、残りの30％で検証されました。スタンドアロンDLモデルの中で、GRUモデルはCHL-A予測において優れた性能を示し、RNN、LSTM、およびTCNモデルをそれぞれ8％、2％、および2％上回りました。さらに、単一の客観的なGAおよび多目的NSGA-II最適化アルゴリズムを介したDLモデルの統合により、低CHL-A濃度と高濃度の両方を効果的に予測することに熟練したハイブリッドモデルが得られました。NSGA-IIに基づくアンサンブルモデルは、さまざまな評価インデックスにわたってGAベースのモデルと同様に、スタンドアロンDLモデルを上回りました。たとえば、R-squaredメトリックを考慮すると、この調査結果は、EM-NSGA-IIがDLおよびEM-GAモデルと比較して並外れた有効性で際立っていることを実証し、14％（RNN）、8％（LSTM）の改善を紹介します。テストフェーズ中の6％（GRU）、8％（TCN）、および3％（EM-GA）。

Water quality variables, including chlorophyll-a (Chl-a), play a pivotal role in comprehending and evaluating the condition of aquatic ecosystems. Chl-a, a pigment present in diverse aquatic organisms, notably algae and cyanobacteria, serves as a valuable indicator of water quality. Thus, the objectives of this study encompass: (1) the assessment of the predictive capabilities of four deep learning (DL) models - namely, recurrent neural network (RNN), long short-term memory (LSTM), gated recurrence unit (GRU), and temporal convolutional network (TCN) - in forecasting Chl-a concentrations; (2) the incorporation of these DL models into ensemble models (EMs) employing genetic algorithm (GA) and non-dominated sorting genetic algorithm (NSGA-II) to harness the strengths of each standalone model; and (3) the evaluation of the efficacy of the developed EMs. Utilizing data collected at 15-min intervals from Small Prespa Lake (SPL) in Greece, the models employed hourly Chl-a concentration lag times, extending up to 6 h, as models' inputs to forecast Chla (t+1). The proposed models underwent training on 70% of the dataset and were subsequently validated on the remaining 30%. Among the standalone DL models, the GRU model exhibited superior performance in Chl-a forecasting, surpassing the RNN, LSTM, and TCN models by 8%, 2%, and 2%, respectively. Furthermore, the integration of DL models through single-objective GA and multi-objective NSGA-II optimization algorithms yielded hybrid models adept at effectively forecasting both low and high Chl-a concentrations. The ensemble model based on NSGA-II outperformed standalone DL models as well as the GA-based model across a range of evaluation indices. For instance, considering the R-squared metric, the study's findings demonstrated that the EM-NSGA-II stands out with exceptional effectiveness compared to DL and EM-GA models, showcasing improvements of 14% (RNN), 8% (LSTM), 6% (GRU), 8% (TCN), and 3% (EM-GA) during the testing phase.