基于机器学习方法的湖泊表层总氮组合预测模型

地表水体水质参数具有高度非线性和非平稳性特征。为提高水质预测的精度，以鄱阳湖湖区4个在线水质自动监测站总氮(TN)为例，引入变分模态分解(VMD)方法处理原始TN数据，得到具有不同频域的模态分量，对其中变化复杂的各高频分量，采用长短时记忆神经网络模型(LSTM)进行预测，并引入混沌麻雀搜索优化算法(CSSA)对LSTM模型的超参数进行自动率定；对周期性变化的各低频分量，采用多元线性回归模型(MLR)进行预测，再将上述各分量预测结果叠加得到水体TN的预测结果，最终提出了一种新的水质组合模型VMD-CSSA-LSTM-MLR(VCLM),并与3种单一模型LSTM、支持向量回归(SVR)和BP神经网络进行对比，验证了VCLM模型的效果。提出的模型可以作为湖区在线水质监测和水环境综合管理的有效工具。