基于机器学习的气象水质耦合预测模型研究
作者机构：黑龙江大学寒区地下水研究所 黑龙江大学水利电力学院
出 版 物：《水文》 (Journal of China Hydrology)
年 卷 期：2024年
基 金：黑龙江省普通本科高等学校青年创新人才培养计划(UNPYSCT-2020012)
主 题：气象水质耦合预测模型 机器学习 核主成分分析 斯皮尔曼相关性分析 黑龙江省
摘 要：为了更好地预测河流水质，以黑龙江省内16个水质监测站点的日尺度水质数据和日尺度气象站数据为基础，通过核主成分分析（KPCA）对水质数据的特征值进行提取并降维，采用斯皮尔曼相关性分析（Spearman）筛选强相关的气象因子，并将强相关气象因子和水质指数（WQI）作为模型输入数据，结合随机森林（RF）、多层感知机（MLP）、广义回归神经网络（GRNN）构建三种气象水质耦合预测模型，并进行对比验证。结果表明GRNN预测效果最佳，R2=98.68%，对16个站点水质情况的预测准确度高达87.50%，可以为政府水资源治理提供决策依据。
同方期刊数据库