医学
数学
计算机科学
末端学
变质岩石学
地质学
同义词词典
物理
人工智能
环境科学
作者
Xiaoxian Tang,Kaili Zhang,Hongtao Duan,Yinguo Qiu,Yaqin Jiao,Juhua Luo
摘要
蓝藻水华已成为威胁湖泊生态安全和饮用水安全的全球性环境问题,及时、准确地预报蓝藻暴发有助于提前采取应对措施,减轻灾害风险。本研究针对传统机理模型参数众多、运算复杂等应用局限,以巢湖为研究对象,构建了融合监测数据与遥感信息的机器学习预报框架。通过整合多站点气象、水质监测数据以及卫星遥感数据,分析了气象和水质变量对蓝藻水华的时间累积效应。在此基础上,基于随机森林模型,分别构建考虑变量时间累积效应的预报模型(累积变量模型)和仅使用单日观测值的预报模型(单日变量模型),实现藻类水华暴发面积1~7 d提前预报。最后,引入基于博弈论的可解释性(SHapley Additive exPlanations, SHAP)算法,揭示了主要影响因子的贡献度及其非线性阈值规律。结果表明:(1)气象因子(气温、湿度、降雨量、气压)累积效应周期约为15~30 d,长于水质因子(氮、磷、溶解氧)的累积效应周期(1~10 d);(2)累积变量模型的预报精度(决定系数R2=0.66~0.75)优于单日变量模型(R2=0.56~0.63),其中1 d预报效果最优(R2=0.75,均方根误差=49.37 km2);(3)关键阈值条件包括:平均气温> 23 ℃、最大风速<4 m/s、降雨量>200 mm、氮磷比<15、pH>8.5、溶解氧<8.9 mg/L。本研究提出的预报方法仅需常规监测数据即可实现短期蓝藻水华预报,为富营养化湖泊管理提供了可推广的技术路径与决策支持。
科研通智能强力驱动
Strongly Powered by AbleSci AI