Cet article souligne que, si l'intégrité des données sur la qualité de l'eau (DQE) est cruciale pour la prise de décision scientifique et la surveillance environnementale à des fins de protection écologique, des quantités importantes de données manquent souvent aux systèmes de surveillance de la qualité de l'eau en raison de problèmes tels que les défaillances de capteurs et les retards de communication. Ces données manquantes donnent lieu à des données de grande dimension et éparses (HDS). Les méthodes d'imputation de données existantes ne parviennent pas à représenter correctement la dynamique potentielle et à capturer les caractéristiques profondes des données, ce qui entraîne des performances d'imputation insatisfaisantes. Par conséquent, cet article propose un modèle de représentation non linéaire de faible dimension (NLR) utilisant des réseaux de neurones convolutifs (CNN) pour imputer les DQE manquantes. Le CNN met en œuvre deux idées clés : a) la fusion de caractéristiques temporelles pour modéliser la dépendance temporelle des données sur plusieurs intervalles de temps ; et b) l'extraction d'interactions non linéaires et de modèles locaux pour exploiter les caractéristiques relationnelles d'ordre élevé et réaliser une fusion profonde d'informations multidimensionnelles. Des études expérimentales sur trois ensembles de données réelles sur la qualité de l'eau démontrent que le modèle proposé surpasse largement les modèles d'imputation de données de pointe existants en termes de précision d'estimation. Il s'agit d'une méthode efficace pour traiter les données de surveillance de la qualité de l'eau dans des environnements complexes et dynamiques.
