三种机器学习模型在太湖藻华面积预测中的应用

摘要：

基于2014—2018年太湖气象水文水质数据与卫星遥感数据,分别采用支持向量机(SVM)、长短记忆神经网络(LSTM)、极端梯度提升树(XGBoost)模型模拟全太湖、贡湖、南部沿岸区、中西北湖区的蓝藻水华(简称藻华)面积.结果表明:(a)XGBoost全太湖与分区藻华面积回归模型模拟效果较好,其次是SVM、LSTM回归模型;不同时间尺度下SVM、XGBoost回归模型对全太湖藻华面积模拟结果偏小,但有效模拟了藻华的发展趋势.(b)XGBoost分类模型在全太湖、中西北湖区模拟准确率较高,优于SVM、LSTM分类模型;在贡湖、南部沿岸区,3种分类模型准确率均较高.(c)以当天、提前1 d的气象水文水质因子作为全太湖与分区藻华面积模型输入,XGBoost回归与分类模型模拟精度较高、稳健性较好,预测应用情景较好.

关键词：机器学习、蓝藻水华模拟、支持向量机、长短记忆神经网络、极端梯度提升树、太湖

所属期刊栏目：48

分类号：X171(环境生物学)

资助基金：国家重点研发计划2018YFC0407900

在线出版日期：2021-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：542-551