[发明专利]融合机理与ML的湖泊叶绿素a短期集合预报方法及系统

权利要求书

1.一种融合机理与ML的湖泊叶绿素a短期集合预报方法，其特征在于，包括如下步骤：

对月尺度的湖泊叶绿素a浓度数据及其气象和水环境影响因子进行相关性分析，识别影响叶绿素a的关键因子；

建立湖泊藻类动力学机理模型，以月尺度数据进行率定验证，计算获得湖泊叶绿素a以及关键水环境因子的每日浓度数据；

基于日尺度的叶绿素a及其关键气象和水环境因子的时间序列数据，构建基于机器学习ML的时间序列预报模型集合，包括SVM、RF和LSTM模型，实现叶绿素a的未来一天、两天或三天短期多模式预报；

结合多组机器学习模型的湖泊叶绿素a短期预报结果，建立多元线性回归集合预报方法，实现湖泊叶绿素a的短期集合预报；通过有限次数的湖泊叶绿素a观测值和对应的各机器学习模型预报结果M_i，进行多元线性回归，根据最小二乘原理求解各个模式对应的权重系数α_i，以及常数项β₀；根据如下公式计算得到湖泊叶绿素a的集合预报结果F：

其中，N为机器学习模型个数，M_i为第i个机器学习模型预报结果。

2.根据权利要求1所述的融合机理与ML的湖泊叶绿素a短期集合预报方法，其特征在于，湖泊藻类动力学机理模型中水质变量方程为：

其中，C_i为水质变量的浓度；u，v，w分别为水平-曲线坐标和垂向坐标下的x、y、z三个方向的速度分量；H为水深；A_x，A_y，A_z分别为x、y、z三个方向的湍流扩散系数；S_Ci为每单位水量的内外部源汇；m_x、m_y是水平-曲线坐标变化因子；t为时间；

温度方程为：

其中，T为温度；A_b为垂向紊动扩散系数；I为太阳短波辐射强度；S_T为热交换的源汇项。

3.根据权利要求1所述的融合机理与ML的湖泊叶绿素a短期集合预报方法，其特征在于，湖泊藻类动力学机理模型中藻类动力过程方程为：

其中，B为藻的生物量，P为藻的生长速率，BM为藻的基础新陈代谢速率，PR为藻的捕食速率，WS为藻的沉降速率，WB为藻的外源负荷，t为时间，z为垂向坐标，V为单元体积。

4.根据权利要求1所述的融合机理与ML的湖泊叶绿素a短期集合预报方法，其特征在于，在构建基于机器学习的时间序列预报模型集合之前，对日尺度时间序列数据进行归一化预处理，其中叶绿素a时间序列数据为输出项y，气象和水环境关键影响因子为输入项向量x，将y和x的数据值域变换至[0，1]；将整个时间序列的数据集，划分为训练数据集和测试数据集，根据所需预测的未来天数确定数据对应关系，预测1天的结果，则x_t-1→y_t；预测2天的结果，则x_t-2→y_t；预测3天的结果，则x_t-3→y_t；t为时间。