基于RF-LSTM的地表水体水质预测

水质预测是水污染防治的重要一环,为提高水质预测的精度,研究随机森林算法（RF）与长短时记忆神经网络（LSTM）相结合的预测方法。以桃林口水库水质监测数据为例,采用RF算法分别筛选出影响高锰酸盐指数（COD_Mn）、氨氮（NH₃—N）、总氮（TN）和总磷（TP）浓度变化的关键特征,在此基础上构建基于RF-LSTM的水质预测模型,并与单一LSTM、RF-BPNN和RF-RNN模型的预测效果进行对比。结果表明：RF-LSTM模型的预测效果均优于其他模型,预测COD_Mn、NH₃—N、TN和TP未来4 h浓度时的决定系数（R²）分别达到0.986、0.990、0.989和0.988,具有极高的预测精度和较强的泛化能力。研究结果为实现高精度水质预测提供了新思路。     

数值集合降雨预测的校正后处理方法研究

利用2017年4月1日-9月30日全球集合预测系统的降雨预测数据和雅砻江流域气象站点的降雨观测数据,采用基于左删失广义极值分布的集合模式输出统计方法对流域内降雨预测进行校正,对比分析该方法两种建模形式在校正结果上的差异。结果表明：采用集合成员均值校正的方式可以有效改善原始预测对于降雨过分高估的问题,其预测结果明显优于采用集合成员校正方式的预测结果,后者由于模型参数增加而出现过度拟合问题,限制了其在雅砻江流域中的应用。另外采用集合成员均值校正方式的预测结果的准确性在不同流域范围存在明显差异并倾向低估流域内较大降雨量,因此在后续的研究中需要进一步针对该方法无法对极值降雨量进行准确预测的问题进行改进。