[发明专利]基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法与系统

说明书

本发明公开了一种基于STL‑RF‑LSTM的湖泊蓝藻水华长期预报方法与系统，通过收集湖泊长时间序列蓝藻水华及其相关环境影响因子的监测数据，并对蓝藻水华数据进行STL时间序列分解，去除蓝藻水华监测数据中的潜在噪声，获得蓝藻水华的长期变化趋势；采用RF模型进行蓝藻水华的关键环境因子筛选，可在有效在考虑环境因子与蓝藻水华非线性关系的基础上，进一步避免数据信息冗余的影响；最后利用LSTM模型建立蓝藻水华与其关键环境影响因子前后时间上的对应关系，将当前时间实测的关键环境影响因子监测数据代入建立的对应关系中即可获得未来的蓝藻水华预报结果，无需进行未来时刻环境因子的预测，避免了预测误差的积累，可有效提高蓝藻水华预报精度。

技术领域

本发明涉及湖泊水生态环境管理领域，尤其涉及一种基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法与系统。

背景技术

随着全球气候变暖以及氮磷等营养盐大量排入湖泊水体，使得湖泊的富营养化形势越来越严峻，进而导致湖泊中蓝藻水华爆发的频率不断增加，爆发的规模不断增大，对湖泊的水生态环境健康状态产生了巨大的影响，严重时甚至会威胁到人类的社会生活和经济生产。湖泊蓝藻水华的治理是一个复杂的系统工程，虽然投入了大量相关的人力和物力，但其治理成效的显现仍然需要一个较长的时间过程，结合湖泊蓝藻水华的历史规律进行未来变化趋势的长期预报，除了可以检验前期投入的治理措施对蓝藻水华长期演变的改善效果，也是进行湖泊水环境生态管理的重要手段。

湖泊蓝藻水华在各种不确定因素的干扰下，数据时序变化特征常表现为非平稳趋势，直接输入模型会影响到预报精度。利用叶绿素a表征蓝藻水华时，由于叶绿素a的实际监测往往会受天气、仪器精度等随机因素的影响，使得测量值含有噪声，而噪声的存在则会淹没叶绿素a序列的真实变化规律。并且湖泊中的蓝藻水华往往受到多种环境因子的影响，但利用所有的环境影响因子和蓝藻水华进行建模时，会存在数据冗余度大的问题，需进行关键环境影响因子的筛选。传统的皮尔逊相关性分析采用的线性相关系数对于蓝藻水华及其环境影响因子之间的非线性关系分析效果较差。所以有必要寻找一种新的湖泊蓝藻预报模型方法，实现较高精度的蓝藻水华长期预报，为湖泊水环境管理提供参考与决策。

发明内容

发明目的：本发明旨在提供一种基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法与系统，可以较好的去除叶绿素a长时间监测数据序列的噪声影响，获得其真实的内在趋势变化规律；同时考虑环境因子与叶绿素a之间的非线性关系，筛选对于叶绿素a影响较大的环境因子，避免数据冗余的影响；并考虑了叶绿素a及其环境影响因子在前后时间上的依赖关系，实现未来叶绿素a趋势的长期预报。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，包括如下步骤：

(1)收集湖泊多年逐月的长时间序列叶绿素a数据及其环境影响因子数据，其中相关环境影响因子数据包括水温WT、溶解氧DO、pH、高锰酸钾指数COD_Mn、氨氮NH₃-N、硝氮NO₃-N、总氮TN、总磷TP和磷酸根PO^4-；

(2)进行逐月叶绿素a长时间序列数据STL分解，获得叶绿素a的趋势项、季节项以及随机项数据；

(3)基于STL分解后得到的叶绿素a的趋势项数据，利用RF模型对相关环境因子进行重要性评估，获得影响蓝藻水华的关键环境影响因子；

(4)将训练集中逐月数据按年划分，最近一年的数据作为验证集，分别构建回溯步长为1-12的LSTM模型，根据STL分解后的叶绿素a趋势项数据和RF模型筛选后的关键环境因子监测数据，利用LSTM模型建立不同回溯步长下关键环境影响因子和叶绿素a的对应关系，并进行模型精度评价以确定最佳回溯步长；将收集的用于预测未来的关键环境因子数据输入至建立好的最佳回溯步长的LSTM模型中，获得未来蓝藻水华的长期预报结果。