基于Transformer的水质评估:小数据集条件下WQ-ERT模型的噪声增强与类别平衡策略研究

《Automation》:WQ-ERT: Water Quality Prediction in Low-Resource Domains Using Gaussian Noise-Augmented Transformer Encoder: Case Study in Dili, Timor-Leste

【字体: 大 中 小 】 时间:2026年09月25日 来源:Automation 2.9

编辑推荐:

   摘要

  

摘要

水质评估是确保淡水生态系统支持地球上所有生命福祉的基础。本研究利用物理化学参数评估了2011年至2018年东帝汶帝力地区的地下水水质。水质评估采用传统水质指数(WQI),通过加权总和函数与世界卫生组织(WHO)标准对齐进行聚合计算。本研究旨在预测WQI和水质状况,以水质分级(WQC)的形式表达,从而支持可持续的水资源管理。在资源匮乏的领域中,应对小数据集规模和样本观测中的类别不平衡问题是至关重要的。然而,深度学习模型高度依赖于训练数据的可用性和质量。本文在以往水质数据分析的数据增强策略基础上进行扩展,旨在克服小数据集在预测WQI和WQC方面的局限性。为解决这些问题,本研究在先前数据增强策略的基础上进行了扩展,并提出了WQ-ERT(水质编码器表示来自Transformer)。该基于Transformer的模型采用了高斯噪声增强和类别平衡策略。模型在一个具有相似土壤特征的大型印度水质数据集上进行了预训练,并在东帝汶水质数据集上进行了微调,印度数据集使用的高斯噪声值为 = 0.20,而东帝汶数据集使用较低的高斯噪声值 = 0.05。此外,为解决分类目标中的标签不平衡问题,在微调过程中采用了基于随机搜索的类别平衡技术。我们进行了六项实验来评估所提出的模型,并采用了五折交叉验证。结果表明,噪声增强显著提升了WQC的性能,实现了97.0%的平衡准确率,WQI预测的 R2 达到0.703,表明在整个数据集上具有更好的泛化能力。类别平衡技术提升了WQC的性能,特别是在平衡准确率、F1分数和马修斯相关系数(MCC)方面。该配置将水质分类的假阴性率降低了86.05%,尽管过度加权略微降低了精确率。在WQI预测方面,实验显示平均绝对误差(MAE)降低了7.92%,在不失真的情况下改进了对东帝汶的少样本适应能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号