基于机器学习的滇池溶解氧质量浓度预测及驱动因素识别OA

溶解氧是表征水体水质的核心指标之一,其质量浓度直接影响生态系统的稳定性。为了对溶解氧质量浓度进行精准预测,提出了一种基于变分模态分解(VMD)、卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(Attention)的耦合预测模型VMD-AC-BiLSTM。采用该模型对滇池新河村入湖口和江尾下闸断面水体溶解氧质量浓度进行预测,并与其他模型预测结果进行对比,同时引入SHAP方法对模型预测结果进行解释分析,增强模型的可解释性并识别影响水体溶解氧变化的主要因素。结果表明:VMD-AC-BiLSTM模型在新河村入湖口和江尾下闸断面溶解氧预测中的表现均优于其他对比模型,且预测精度高,可应用于滇池溶解氧预测;pH值和水温是影响新河村入湖口、江尾下闸断面溶解氧质量浓度的关键因素。