[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

说明书

本发明公开了一种融合机理与ML的湖泊叶绿素a短期集合预报方法及系统，首先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关键因子。然后建立湖泊藻类动力学机理模型，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。再基于日尺度的叶绿素a及其关键因子的时间序列数据，构建基于机器学习的时间序列预报模型集合，实现叶绿素a的未来数天短期多模式预报。最后结合多组机器学习模型的短期预报结果，建立多元线性回归集合预报方法，实现湖泊叶绿素a的高精度短期集合预报。本发明有效克服了日尺度叶绿素a和水环境因子监测数据缺乏的问题，通过建立多元线性回归集合预报方法，有效提升了预报精度。

技术领域

本发明涉及水利技术领域，尤其涉及一种融合机理模型和机器学习(ML)的湖泊叶绿素a短期集合预报方法及系统。

背景技术

湖泊是全球水资源的重要组成部分，具有调节河川径流、供水灌溉、改善生态环境、维持生态系统平衡等功能，对人类生存和发展具有重要影响。近些年来，随着人类活动加剧和全球气候变暖的双重影响，湖泊富营养化已成为全世界面临的严峻挑战。湖泊富营养化导致的蓝藻水华暴发已成为全球目前以及今后相当长一段时间内所面临的重大生态环境问题。开展湖泊富营养化的动态监测与预报预警研究，是预防和治理湖泊藻类水华的基础，对于湖泊富营养化控制和水生态环境改善具有重要意义。

叶绿素a浓度与水生浮游植物的丰度和生物量密切相关，是评价富营养化和藻华的常用指标。目前获取叶绿素a浓度的主要方式包括：现场采样调查、遥感卫星观测和模型模拟。其中现场采样获得的叶绿素a数据精度最高，主要是通过每个月的人工采样，进行实验室分析，但是该方法耗时耗力，且空间上采样站点稀疏。卫星遥感技术能够进行叶绿素a空间上大范围的反演，但是其精度相对较低，且数据质量受大气干扰严重。通过模型模拟能够获得长时间序列的叶绿素a高频数据，但是由于缺乏未来的模型输入边界条件，模型往往无法提供未来的预报结果。目前，湖泊叶绿素a的短期预报研究主要还是通过布设相关的高频监测仪器设备，进行短时间尺度(小时尺度或日尺度)的监测数据获取，进而结合相关统计方法和机器学习等方法进行预报。对于缺乏高频观测数据的湖泊而言，目前尚缺乏有效的短期预报实用方法。此外，当前的研究中由于预报模式较为单一，预报结果不确定性较大。

发明内容

发明目的：本发明提供一种融合机理模型和机器学习的湖泊叶绿素a短期集合预报方法及系统，为湖泊富营养化的精确动态监测预报预警与科学管控提供重要技术支撑。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种融合机理模型和机器学习ML的湖泊叶绿素a短期集合预报方法，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的未来数天短期多模式预报；

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。

作为优选，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；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；