基于3种时间序列模型的九龙江河流库区藻华预测
Algal bloom prediction in the Jiulong River Reservoir based on three types of time series models作者机构:厦门大学环境与生态学院福建省海陆界面生态环境重点实验室厦门361102 厦门大学近海海洋环境科学国家重点实验室厦门361102 罗德岛大学海洋学研究生院纳拉甘西特美国罗德岛028824 中国海洋大学环境科学与工程学院青岛266100
出 版 物:《环境科学学报》 (Acta Scientiae Circumstantiae)
年 卷 期:2022年第42卷第11期
页 面:172-183页
核心收录:
学科分类:07[理学] 08[工学] 0815[工学-水利工程] 0713[理学-生态学]
基 金:国家自然科学基金(No.51961125203) 中央高校基本科研业务费(No.20720200121) 福建省环保科技项目(No.2021R009)。
主 题:藻华 预测模型 人工神经网络 高频监测 叶绿素a 九龙江
摘 要:湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^(-1))预测方面的效果.结果表明:(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于LSTM模型实现总叶绿素a浓度的短期预测,可为九龙江河流库区藻华早期预警和供水安全保障提供技术支撑.