Este artículo destaca que, si bien la integridad de los datos de calidad del agua (WQD) es crucial para la toma de decisiones científicas y el monitoreo ambiental para la protección ecológica, a menudo faltan cantidades significativas de datos en los sistemas de monitoreo de la calidad del agua debido a problemas como fallas de sensores y retrasos en la comunicación. Esta falta de datos resulta en datos de alta dimensión y dispersos (HDS). Los métodos de imputación de datos existentes no representan adecuadamente la dinámica potencial ni capturan características profundas de los datos, lo que resulta en un rendimiento de imputación insatisfactorio. Por lo tanto, este artículo propone un modelo de representación no lineal de baja dimensión (NLR) que utiliza redes neuronales convolucionales (CNN) para imputar los WQD faltantes. La CNN implementa dos ideas clave: a) fusión de características temporales para modelar la dependencia temporal de los datos a lo largo de intervalos de tiempo, y b) extracción de interacciones no lineales y patrones locales para extraer características de relación de alto orden y lograr una fusión profunda de información multidimensional. Estudios experimentales en tres conjuntos de datos de calidad del agua del mundo real demuestran que el modelo propuesto supera significativamente a los modelos de imputación de datos de vanguardia existentes en términos de precisión de estimación. Esto proporciona un método eficaz para manejar datos de monitoreo de la calidad del agua en entornos complejos y dinámicos.
