基于机器学习的长江口溶解氧预测模型与评估

来源：环境科学杂志2024年第1期北京时间：

作者：李晓瑛,王华,王屹晴,张良憬,吴怡

单位：河海大学环境学院, 南京 210098,河海大学浅水湖泊综合治理与资源开发教育部重点实验室, 南京 210098,河海大学环境学院, 南京 210098,河海大学浅水湖泊综合治理与资源开发教育部重点实验室, 南京 210098,河海大学计算机与信息学院, 南京 211100,河海大学环境学院, 南京 210098,河海大学浅水湖泊综合治理与资源开发教育部重点实验室, 南京 210098,河海大学环境学院, 南京 210098,河海大学浅水湖泊综合治理与资源开发教育部重点实验室, 南京 210098

摘要：溶解氧是反映水体自净能力与水环境质量的重要因素,实现对长江口溶解氧的数据驱动预测,对于环境管理具有重要意义.机器学习的高效算法被引入到长江口溶解氧的监测和预测工作中,挑选了位于该区域的6个关键监测站点：徐六泾、南通港、启东港、青龙港、南港和北港.首先探究了长江口溶解氧与其他水质因子间的响应和关系,然后使用改进支持向量机回归、人工神经网络和随机森林这3种模型,对2004~2020年月均水质数据进行模型预测对比分析.随机森林重要性评价说明温度、5日生化需氧量和氨氮这3个水质因子在6个断面的重要性指数均排名靠前,说明这3个水质因子对长江口溶解氧的浓度时空分布影响较大.改进支持向量机回归、人工神经网络和随机森林这3种机器学习模型预测结果中,随机森林模型在6个监测断面的总体平均误差为0.19,改进支持向量机回归和人工神经网络模型分别为0.38和0.47,3种模型均有较高的预测能力.对机器学习模型预测性能进行评价,得到训练集上的整体预测性能排名是RF（R2 = 0.971；RMSE = 0.341 mg·L-1）>PSO-SVR（R2 = 0.884； RMSE = 0.707 mg·L-1）>ANN（R2 = 0.792；RMSE = 0.967 mg·L-1）.测试集上的整体预测性能排名为RF（R2 = 0.986；RMSE = 0.165 mg·L-1）>PSO-SVR（R2 = 0.951；RMSE = 0.332 mg·L-1）>ANN（R2 = 0.800；RMSE = 0.633 mg·L-1）.因此,RF模型在所有监测断面上均表现出最佳预测能力,无论是在训练集还是测试集上都显示出优异的性能和泛化能力.

关键词：长江口,溶解氧（DO）,支持向量回归（SVR）,人工神经网络（ANN）,随机森林（RF）,预测,