基于机器学习的人工湿地出水水质预测与关键影响因素分析

作     者：陈亚松 刘家雯 赵云鹏 周英萍 沈秋实 肖琳 钱新 

作者机构：中国长江三峡集团有限公司长江经济带生态环境国家工程研究中心 南京大学环境学院污染控制与资源化国家重点实验室 

出 版 物：《中国环境科学》 (China Environmental Science)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中国长江三峡集团公司科研项目资助(项目编号:NBWL202300014) 

主　　题：机器学习 人工湿地 氨氮 COD 重金属 

摘      要：数据驱动的方法可以预测人工湿地出水水质，这对于提高人工湿地的处理性能至关重要。本研究考虑了水质指标、气候指标、湿地运行参数三大方向，收集以往大量研究文献数据，通过三种机器学习模型预测人工湿地出水氨氮(NH4+)、COD、磺胺甲噁唑（SMX）以及部分重金属的浓度。结果表明，随机森林在整体性能上略优于XGBoost和LightGBM，其决定系数(R2)和均方根误差（RMSE）的表现更为稳定，尤其是在NH4+和SMX的预测上取得更高精度(NH4+预测的R2分别为0.93、0.89和0.87)。相比之下，在COD的预测中，三种模型的表现相对较弱，R2分别为0.71、0.61、0.64。通过引入SMOTE数据扩充技术，模型的预测性能和精度得到了显著的提升，尤其是对COD的预测性能提升幅度达到了7.04%～26.23%。此研究将科学的数据分析与机器学习算法相结合，可为实际工程应用提供可行方法。