鲍建涛, 李昭, 张雪容, 邓应彬, 李晓芳, 彭小燕, 陈仁容, 贾翊文, 李彤, 邓琰, 杨骥, 吴希文
录用日期: 2025-03-27
湖库水体富营养化程度的升高,导致藻华现象的时有发生,而叶绿素a(Chl-a)浓度是监测湖库水质状况的关键因素,能准确体现湖库的水质状况以及藻华程度。由于季节、天气和水体富营养程度的差异,使得传统模型不能满足复杂场景下Chl-a浓度高精度预测的需求。文章探讨了以因子交互作用、昼夜差异和营养化状况等3种类型的场景划分方法,针对每种类型的数据特征进行多场景划分,并分别运用机器学习(RF、GBDT、XGBoost)和线性回归模型对湖库水体Chl-a浓度进行短时预测。结果表明:1)以因子交互作用进行场景划分的预测效果最好,平均RMSE为0.004 5,比场景划分前的平均RMSE提高了4.26%;2)按昼夜差异进行场景划分的预测效果较差,平均RMSE为0.004 74,比场景划分前的RMSE降低了0.9%;3)在富营养场景中,RF、GBDT、XGBoost和线性回归4种预测模型的预测精度是最高的,RMSE分别为0.003 4、0.003 6、0.003 5和0.003 9,其中RF模型预测精度最高。