基于机器学习的平原河网水源地叶绿素a含量预测OA

【目的】叶绿素a的水平是评估水体藻类成长情况的重要指标,利用机器学习算法开展水源地叶绿素a动态预测对于指导水源地水华早期预警和应急处置具有重要意义。【方法】以2020年9月—2023年8月长三角平原河网地区的千亩荡饮用水源地水质自动监测站高频监测数据为基础,使用Pearson检验分析了叶绿素a含量与环境因子的相关性,使用小波变化(WT)分别结合长短期记忆(LSTM)、门控循环单元(GRU)、卷积神经网络(CNN)和多层感知器(MLP)4种机器学习算法构建叶绿素a的预测模型。【结果】嘉兴市千亩荡水源地叶绿素a分布总体为春夏季高,秋冬季低;水体中水温、pH、浑浊度3项环境因子对该水源地藻类生长和叶绿素a含量变化存在重要关联性;4种基于时间序列的预测模型在识别叶绿素a的变化特征和预测效果上,WT-GRU预测最佳,WT-LSTM次之,WT-CNN第三,WT-MLP最差,WT-GRU模型的一元线性回归拟合系数R^(2)为0.9955,平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)的值分别为0.71、0.91μg/L和3.3%。【结论】WT-GRU模型在识别叶绿素a变化特征和预测精度上表现最优,可有效应用于千亩荡饮用水源地叶绿素a动态预测及水华早期预警。