基于機器學習的深圳灣水質預報

熊劍智，熊睿，魯海燕，等.基于機器學習的深圳灣水質預報［J］.人民珠江，2024，45（7）：10-18.

摘要：基于深圳灣浮標在線監測系統采集的高頻監測數據，測試人工神經網絡（Artificial Neural Network，ANN）、支持向量回歸（Support Vector Regression，SVR）和隨機森林（Rendom Forest，RF）等機器學習方法，對溶解氧（DO）、葉綠素a（Chl.a）、總氮（TN）和總磷（TP）等水質參數進行短期預報。研究結果表明：利用高頻原位水質監測數據，機器學習可實現深圳灣24 h內水質的準確預報，其中，ANN最適合DO、Chl.a和TN的預報，24 h內預報結果的納什系數（NSE）值均大于0.60，而RF模型最適合TP的預報，24 h內的NSE值均大于0.76。研究結論為粵港澳大灣區的水污染精準防治提供了方法支撐。

關鍵詞：水質預報；機器學習；深圳灣

中圖分類號：TV21文獻標識碼：A文章編號：1001-9235（2024）07-0010-09

Machine Learning-based Water Quality Forecasting for Shenzhen Bay

XIONG Jianzhi1，XIONG Rui2，3*，LU Haiyan2，ZHENG Yi2

（1.Eco-Environmental Monitoring and Research Center，Pearl River Valley and South China Sea Ecology and EnvironmentAdministration，Ministry of Ecology and Environment，Guangzhou 510611，China;2.School of Environmental Science and Engineering，Southern University of Science and Technology，Shenzhen 518055，China;3.The Open Research Fund of Key Laboratory of WaterSecurity Guarantee in Guangdong-Hong Kong-Marco Greater Bay Area of Ministry of Water Resources，Guangzhou 510611，China）

Abstract：Based on high-frequency monitoring data collected by the buoy online monitoring system in Shenzhen Bay，machine learning methods including artificial neural networks（ANN），support vector regression（SVR），and random forest（RF）are employed to conduct short-term forecasting of water quality parameters such as dissolved oxygen（DO），chlorophyll-a（Chl.a），total nitrogen（TN），and total phosphorus（TP）.The research findings indicate that utilizing high-frequency in-situ water quality monitoring data enables accurate prediction of water quality in Shenzhen Bay within 24 hours.Specifically，ANN is found to be the most suitable for forecasting DO，Chl.a，and TN，with nash-sutcliffe efficiency（NSE）values greater than 0.60 for the 24-hour forecast period.Meanwhile，the RF model is found to be the most suitable for TP forecasting，with NSE values greater than 0.76 within 24 hours.The findings of this study have important implications for the precise prevention and control of water pollution in the Guangdong-Hong Kong-Macao Greater Bay Area.

Keywords：water quality forecasting;machine learning;Shenzhen Bay

水質預報是指運用數學模型對水質監測數據進行分析，預測未來水質變化的趨勢及可能出現的水質超標情況，從而能幫助管理者及時采取防范措施［1］。然而，傳統的水質監測需要收集水樣后在實驗室進行檢測，監測頻次較低，難以及時發現水環境污染問題。機理模型作為水質預報的常用手段，所需要的數據類型較多、質量較高，建模費時費力，且嚴重依賴建模者的專業知識水平［2］。隨著科技的發展，水質在線監測系統逐漸成為一種高效的手段，不僅能實時反映水質的變化，迅速檢測水體中出現的異常情況，還可以得到高頻、連續且長期的監測數據，為決策者提供即時、準確的信息。雖然機理模型能夠以小時或更短的時間步長輸出模擬結果，但往往缺乏相應的高頻驅動數據和水質觀測數據（用于校準和驗證），無法在小時或更精細的時間尺度進行水質的準確預測。當發生水質突發事件時（如化學品泄漏、工業事故或其他緊急情況），及時準確的短期預報可幫助管理者實時了解水質狀態和變化，從而能夠做出科學決策，保障海洋的水環境和水生態安全。因此，亟需探索適用于變化環境下水質短期預報的數據驅動模型，為海灣水環境精準管理提供支撐。

數據驅動模型的常見類型包括經典統計模型、貝葉斯統計模型以及機器學習模型等。經典統計模型預測未來值常基于線性關系，如多元線性回歸和整合移動平均自回歸模型等［3-5］。貝葉斯統計模型需要考慮給出先驗分布，常用于水質參數的不確定性分析［6-7］。隨著算力的快速發展，人工智能已在圖形識別、回歸預測和自然語言處理等方面取得廣泛成功［8-10］。機器學習作為人工智能的一個重要分支，在水質研究方面也發揮著越來越重要的作用［11-13］。水環境預測中常用的機器學習方法包括人工神經網絡（Artificial Neural Network，ANN）、支持向量機（Support Vector Machine，SVM）和隨機森林（Random Forest，RF）等［14-16］。ANN可以映射復雜的非線性關系，有較強的容錯能力，在水環境研究中受到最多的關注。Piotrowski等［17］采用基于氣象和水文變量的ANN模型預測波蘭東部河水的溫度，結果表明ANN比小波分析方法在短期水溫預測效果更好。Wen等［18］開發了一種具有三層反向傳播的ANN模型來預測中國黑河的溶解氧，獲得良好的模擬效果。SVM是適合于小樣本學習的機器學習方法，也廣泛應用于水質研究。Najah等［19］采用SVM方法來對馬來西亞Johor河的DO和COD進行預測，發現SVM比ANN預測水質的精度更高，且可以避免過擬合的發生。袁從貴［20］對東江流域某水質監測站的COD進行預測，發現采用多核最小二乘支持向量機（LS-SVM）比傳統SVM誤差更小。RF是一種由決策樹構成的集成算法，可用來解決回歸和分類問題，也是經典的機器學習算法之一。Khan等［21］基于近30 a的月尺度電導率數據，采用RF方法來預測印度河的鹽度，結果表明RF模擬精度較高。Castrillo等［22］采用不同機器學習模型方法，基于原位測量數據預測營養鹽濃度，發現RF結果最好。

深圳灣是廣東省深圳市與香港特別行政區之間的跨界海灣，一半歸香港管轄。深圳灣內有2個重要的自然保護區，分別是位于深圳市的福田紅樹林自然保護區和位于香港的米埔自然保護區。本研究利用人工神經網絡、支持向量回歸和隨機森林等機器學習方法，基于小時尺度的高頻原位水質監測數據，對深圳灣代表性水質參數溶解氧（DO）、葉綠素a（Chl.a）、總氮（TN）和總磷（TP）進行了短期預報研究，探討了海灣水質預報的新方法，為中國沿海地區的海灣水污染精準防治提供了科學依據，以幫助管理者應對復雜多變的海灣水質提供實時的決策支持。

1研究區概況

深圳灣是深圳市與香港之間的跨界海灣，具有半封閉性，東面連接深圳河，西面與珠江口交匯（圖1）。深圳灣水域面積約90 km2，平均水深3.58 m，多年平均潮差1.37 m，潮流方向為往復流。2個保護區（福田紅樹林自然保護區和米埔自然保護區）是國際候鳥遷徙的重要中轉站，在維護生物多樣性功能和凈化水體等方面具有重要作用，其中福田紅樹林自然保護區是國家級自然保護區，米埔自然保護區是名列《拉姆薩爾公約》的國際重要濕地之一。深圳灣一直以來都存在較嚴重的水環境問題，其中有機污染物和營養鹽長期超標［23］。在20世紀80年代，深圳灣的主要污染物負荷來自農用化肥和動物糞便中的氮和磷，以及洗滌劑中的磷［24］。在20世紀90年代，深圳和香港特區兩地政府通過協同合作，緩解了海灣的總磷污染。但隨著深圳市經濟的高速發展和人口的快速增多，以及污水收集管道和處理設施的建設滯后，大量偷排漏排的污水進入深圳灣，導致深圳灣水質總體情況不斷惡化。進入21世紀后，深圳市加大了污水收集和處理設施建設，污水收集率和處理率顯著提高；同時香港特區政府也鼓勵畜禽養殖者自愿退還飼養牌照，終止農場運作［25］。在兩地政府的不斷努力下，深圳灣水質惡化的趨勢終于在2007年基本得到遏制。不過，由于深圳側支線管網建設較薄弱，部分污水處理廠出水標準偏低，且香港側畜禽養殖污染嚴重，加上深圳灣水體交換能力弱，深圳灣的水污染問題依然存在。近年來，深圳灣的海水水質一直為劣Ⅳ類海水，無機氮和磷酸鹽的年平均濃度都是第Ⅳ類海水水質標準的2倍以上，空間上由內灣向外灣逐漸降低，水質和生態狀況相對20世紀80年代的情況仍然較差［26］。

2數據與方法

2.1數據來源

2020年12月，在深圳市環境物聯網技術與應用工程實驗室建設項目的支持下，向深圳灣內113.99°E、21.51°N處投放搭載水質在線監測系統的浮標（圖2）。該浮標在線監測系統主要包括浮標設備、通信設備及數據采集設備。浮標位置在深圳灣的中部，深圳市和香港的污染都對該觀測點的水質有影響，所以浮標監測數據有較好的水質代表性，能反映深圳灣的污染特征。浮標位置通訊條件良好，運行維護較為方便，也可避免人為破壞的影響。另外，維護人員會對在線監測系統進行一月一次的日常運行維護，主要包括浮標體的清潔保養、通信設備的傳輸檢查、傳感器的校準和試劑更換等。當設備發生故障或不正常漂移時，維護人員會在1 h接受到響應，并在8 h內趕到現場進行修理或者更換，從而保證浮標在線監測系統的穩定運行。

深圳灣浮標上搭載的傳感器為氣象監測儀（型號EXO2）、水質多參數分析儀（型號GMX541）和原位營養鹽分析儀（型號Anna Chem NIA2000），監測參數主要包括氣溫、氣壓、相對濕度、風速、風向、雨量、水溫、電導率、鹽度、pH、氧化還原電位、溶解氧、濁度、葉綠素a、總磷、總氮、氨氮等環境參數，并可根據需要擴展其他的監測參數。對于營養鹽參數（總氮、總磷和氨氮），監測頻次為每8 h一次（即每天3個監測數據，時間點分別為北京時間03：30、11：30和19：30）；對于氣象數據和其他水質參數，監測頻次為每半小時一次（即每天48個監測數據）。本研究所用數據的時間段為2021年3月1日至2023年10月1日。

2.2研究方法

ANN［27］是一種模擬生物神經網絡的非線性模型，主要包含輸入層、隱藏層和輸出層。一個ANN由大量相互連接的神經元組成，包括輸入信號、輸出信號和激活函數等。人工神經網絡的輸入和輸出之間的公式見式（1）：

yi=f（bj+（xi·wij））（1）

式中：xi為輸入信號；n為個數；j為神經元；wij為權重值；bj為神經元的內部狀態；yi為神經元的輸出；f為激活函數。

SVR［28］是支持向量機對回歸問題的一種運用。支持向量回歸的基本原理是要找出一個超平面，使得所有數據到這個超平面的距離最小。支持向量回歸的公式見式（2）：

y=w·φ（x）+b（2）

式中：y為輸出值；φ（x）為非線性映射函數；x為輸入數據；w、b為模型參數。引入拉格朗日乘子λi和λ，以及核函數k（x，xi），滿足λi·λ=0，最終轉換為：

y=（λi-λ）·k（x，xi）+b（3）

RF［29］算法構造了多個決策樹，當需要對某個樣本進行預測時，統計每個決策樹對該樣本的預測結果，然后通過投票法從這些預測結果中選出最后的結果。

隨機森林回歸模型假設特定數據集X為輸入數據，Y為輸出結果，（X，Y）獨立同分布，并隨機生成訓練集θ，預測結果為g（X），所以期望泛化誤差可以表示為：

EX，Y[Y-g（X）]2（4）

假設有h棵決策樹，則決策樹的預測平均值gh（X，θh）為隨機森林回歸的預測結果。當h趨近于無窮大時，式（5）-（8）成立：

EX，Y[Y-gh（X，θh）]2→EX，Y[Y-Eθ（X，θh）]2（5）

式中：PE**為泛化誤差；PE*為單個決策樹的平均泛化誤差；ρ為加權關聯系數。最終，隨機森林的回歸函數為：

Y=Eθg（X，θ）（9）

2.3模型參數設置

機器學習的相關研究經常把多元線性回歸（MLR）當作基準測試（Benchmark），用來對比機器學習模型性能［2］。ANN、SVR和RF是常見的機器學習算法，其中ANN和RF分別是神經網絡模型和樹模型的典型代表，在機器學習領域有廣泛的應用，常用來做預測［30-31］；而SVR是非線性回歸，跟MLR的對比更直觀［32］。本研究利用深圳灣浮標在線監測系統采集的高頻監測數據，對溶解氧、葉綠素a、總氮和總磷等水質參數進行短期預報。利用開源的TensorFlow機器學習框架，測試ANN、SVR和RF等機器學習方法，并與MLR對比。

在測試機器學習方法之前，需要針對不同的水質參數（輸出變量）選定輸入變量。一般來說，除輸出變量本身的自相關外，輸入變量要在機理過程上影響輸出變量。但實際情況是，不同水質的監測數據往往時間尺度不一樣，如營養鹽數據監測頻次為8 h，而其他水質參數監測頻次為0.5 h。另外，通過預實驗剔除降低預報精度的噪聲數據，如氣壓、酸堿度、鹽度等，并發現間隔為0.5 h或1 h的水質預報精度不佳。最終，當對溶解氧和葉綠素a進行短期預報時，選擇的輸入變量為溫度、濁度、溶解氧、葉綠素a、降雨和光照，預報期為48 h，預報間隔為2 h，時間滯后期為48 h。當對總氮和總磷進行短期預報時，輸入變量為總氮、總磷和氨氮，預報期為48 h，預報間隔為8 h，時間滯后期為48 h。機器學習方法存在不確定性，因此對每個參數模擬100次，求出納什系數平均值，以及5%至95%百分位區間。數值試驗見表1。

在進行模擬之前，對數據進行清洗，剔除超出參數監測范圍的值（比如，去掉溶解氧小于0的值）。剔除前，溶解氧和葉綠素a的總樣本數為45 312個，總氮和總磷的總樣本為2 832個。剔除后，溶解氧和葉綠素a的總樣本數為43 548個，總氮和總磷的總樣本為2 634個。使用剔除后的數據集作為模型輸入，其中70%劃分為訓練集，30%為測試集。然后進行數據的歸一化處理，本研究選擇的是標準分數方法（z-score）。對ANN模型而言，設計2個隱藏層，通過多次調試確定第一層為8個神經元，激活函數為elu，第二層也為8個神經元，激活函數為relu。優化算法選擇Adam算法，模型評價指標選擇納什系數，學習速率設置為0.03，步長設置為300。對SVR模型而言，通過多次調試選擇核函數為rbf，核函數系數gamma設計為auto；懲罰因子C設計為0.1～100；epsilon為在訓練損失函數中預測值與實際值之間距離值，設置為0.2。對RF模型而言，通過多次調試選擇決策樹的個數（n_estimators）為300；bootstrap表示是否進行放回抽樣來構建決策樹，參數設置為true；交叉驗證方法（oob_score）設置為true。模型參數見表2。

對于機器學習模型，本研究采用了多個評價指標進行全面評估。納什系數可以用于衡量模型對觀測值的擬合程度，數值越接近1表示模型性能越好。平均絕對誤差是評估模型預測誤差的常見指標，它衡量了模型在每個樣本上預測誤差的平均絕對值，提供了對整體誤差的直觀認識。均方根誤差考慮了預測誤差的平方，更加重視較大誤差的樣本，是對模型整體性能更敏感的指標。預測值與實際值的回歸系數則提供了對預測與實際趨勢一致性的度量，其值介于-1～1，越接近1表示模型擬合得越好。

3結果分析

3.1統計分析

圖3顯示了溶解氧和葉綠素a短期預測輸入變量的概率分布和皮爾遜相關系數。從圖可知，溶解氧和葉綠素a呈一定的正相關，相關系數為0.32。溫度和太陽輻射、葉綠素a相關性較弱，相關系數分別為0.14和0.16。另外，溶解氧和溫度呈一定的負相關，相關系數為-0.33。

圖4顯示了總氮和總磷短期預測輸入變量的概率分布和皮爾遜相關系數。從圖可知，總氮和氨氮呈一定的正相關，相關系數為0.32；氨氮和總磷相關系數為0.13，總氮和總磷相關系數為0.07。

3.2預報分析

對溶解氧而言，ANN模型2～48 h預見期的平均NSE和r值分別由0.76和0.87降低到了0.21和0.46，MAE和RMSE分別由0.43、0.63 mg/L上升到了1.68、2.28 mg/L；SVR模型2～48 h預見期的平均NSE和r值分別由0.74和0.86降低到了0.05和0.22，MAE和RMSE分別由0.44、0.65 mg/L上升到了3.54、5.89 mg/L；而RF模型2～48 h預見期的平均NSE和r值分別由0.77和0.87降低到了0.21和0.46，MAE和RMSE分別由0.43、0.63 mg/L上升到了1.73、2.44 mg/L。對葉綠素a而言，ANN模型2～48 h預見期的平均NSE和r值分別由0.77和0.87降低到了0.12和0.35，MAE和RMSE分別由2.55、4.98μg/L上升到了6.77、10.26μg/L；SVR模型2～48 h預見期的平均NSE和r值分別由0.64和0.80降低到了0.41和0.64，MAE和RMSE分別由3.23、6.45μg/L上升到了4.77、7.97μg/L；而RF模型2～48 h預見期的平均NSE和r值分別由0.69和0.83降低到了0.12和0.35，MAE和RMSE分別由2.97、5.64μg/L上升到了7.11、11.62μg/L。

圖5展示了溶解氧和葉綠素a的2～48 h預見期的平均NSE。對溶解氧而言，4個模型的NSE值隨著預見期延長逐漸降低，ANN模型的NSE結果要好于其他3個模型，在24 h內ANN模型的NSE值大于0.6，SVR模型結果最差。對葉綠素a而言，4個模型總體NSE值也呈下降趨勢，但2～6 h以及24～28 h迅速降低，其他時間保持平穩，ANN模型結果最好，在24 h內NSE值大于0.68，MLR模型結果最差。

對總氮而言，ANN模型8～48 h預見期的平均NSE和r值分別由0.78和0.88降低到了0.61和0.78，MAE和RMSE分別由0.28、0.42 mg/L上升到了0.36、0.53 mg/L；SVR模型8～48 h預見期的平均NSE和r值分別由0.70和0.83降低到了0.60和0.77，MAE和RMSE分別由0.39、0.64 mg/L上升到了0.45、0.74 mg/L；而RF模型8～48 h預見期的平均NSE和r值分別由0.72和0.84降低到了0.61和0.78，MAE和RMSE分別由0.33、0.57 mg/L上升到了0.47、0.73 mg/L。對總磷而言，ANN模型8～48 h預見期的平均NSE和r值分別由0.76和0.87降低到了0.61和0.78，MAE和RMSE分別由0.16、0.40 mg/L上升到了0.28、0.75 mg/L；SVR模型8～48 h預見期的平均NSE和r值分別由0.74和0.86降低到了0.54和0.73，MAE和RMSE分別由0.17、0.42 mg/L上升到了0.32、0.87 mg/L；而RF模型8～48 h預見期的平均NSE和r值分別由0.78和0.88降低到了0.61和0.78，MAE和RMSE分別由0.15、0.38mg/L上升到了0.29、0.78 mg/L。

圖6說明了總氮和總磷的8～48 h預見期的平均NSE。無論是總氮和總磷，4個模型的NSE值逐漸降低。但總氮的ANN模型結果最好，在24 h內NSE值大于0.75，SVR模型結果最差；總磷的RF模型結果最好，在24 h內NSE值大于0.76，SVR模型結果最差。

另一方面，機器學習模型存在一定的不確定性。根據100次模擬結果，雖然溶解氧和葉綠素a的ANN模型NSE平均值較高，但ANN模型的整體分布卻不如RF模型集中，5%～95%百分位區間更寬，說明RF模型穩健性（Robustness）更好，對數據變化的容忍度更高。隨著預見期變長，3種機器學習模型的NSE值5%～95%百分位區間逐漸變寬，說明模型穩健性逐漸下降。與溶解氧和葉綠素a的NSE值5%～95%百分位區間結果一致，總氮和總磷的RF模型的穩健性更好。

總體而言，4種水質參數在2～48 h的預見期內，預報精度隨著預報期的延長逐漸降低。在24 h內的預報期，4種水質參數的預報精度較好。在3種機器學習方法中，ANN模型最適合溶解氧、葉綠素a和總氮；RF模型最適合總磷。隨著預報期的延長，4種水質參數的ANN模型、SVR模型和RF模型的穩健性逐漸降低。

4討論

傳統的水質監測頻次較低，難以及時發現水環境污染問題。隨著科技的發展，水質監測工作開始向自動化、智能化發展。水質在線監測系統逐漸成為一種高效的手段，不僅可以高頻、連續監測，還能遠程實時發送監測數據給管理者，形成可視化效果。與內陸地表水的在線監測相比，海洋水質監測一般都遠離陸地，維護和修理都更為復雜。另外，海洋的鹽水會使得傳感器經常受到腐蝕，導致儀器性能下降，使用壽命縮短。海洋生物非常豐富，長期在水下工作的傳感器難免被浮游植物和海洋動物附著及破壞，影響其光學路徑，尤其一些敏感部件的腐蝕會嚴重影響設備的工作性能，導致測量結果出現錯誤，從而降低整個系統的可靠性。因此，海洋水質監測儀器需要有較強的環境耐受性和抗干擾能力，并且能抗腐蝕和抗生物附著等。

在線監測系統是指在浮標上搭載傳感器，實時監測海洋的水文、氣象、水質等環境要素，并可以通過通信設備將監測數據發送至服務器。海洋在線監測系統為海洋的生態保護提供了數據保障，并能夠幫助管理者及時了解水質變化。海洋在線監測系統采用原位監測，可以實時反映海洋水環境的變化；同時采用自動監測，可以得到高頻、連續且長期的監測數據。隨著海洋水質監測數據的增多，如何利用這些大數據將成為未來研究的重點，采用機器學習模型的海灣水質短期預報就是一個重要的方向。另外，短期和長期預報相互協同，共同構成了全面的水質信息體系。長期預報更注重長期趨勢和變化的預測，而短期預報更注重實時性和高精度，能夠在短時間內提供更準確的水質信息。

融合原位高頻水質監測數據和機器學習模型的單點預報結果，對粵港澳大灣區水安全保障具有一定的啟示作用。首先，要加強海灣氣象和水質監測。水質預報通常需要依賴大量的數據，可增大監測頻率和增加浮標點位數量，從而獲得更多的氣象和水質監測數據。在時間方面，要針對營養鹽開發監測頻率更短且更先進的傳感器，目前深圳灣營養鹽指標（包括總氮、總磷和氨氮）的監測頻率為8 h一次，難以滿足短期水質預報。其次，要提前做好水質污染預案。機器學習可實現深圳灣24 h內水質的準確預報，當24 h預報值超過設定閾值范圍時，說明海灣水質已經受到了一定的污染，所以需要針對不同水質參數做好污染預案。管理部門可設立不同的水質污染等級，建立分級應對機制，從而更好地處理污染事件。最后，要提升海灣水質應急能力。在海灣水質的日常管理工作中，應定期開展針對水質污染事件的培訓和演練，才能在24 h水質預報期內迅速采取響應措施，從而最大限度地減少水質污染事件造成的損失。綜上，基于機器學習的水質短期預報可以提高水質管理效率，促進水質監測技術的發展，從而降低應急處理成本，提高對策制定的科學性，提升社會公眾參與意識。

5結論

本研究利用深圳灣單點浮標高頻水質監測數據，測試ANN、SVR和RF等機器學習方法，對重要水質參數溶解氧、葉綠素a、總氮和總磷進行短期預報，主要結論如下。

a）預報精度隨著預報期的延長逐漸降低。其中，在24 h內的預報期，4種水質參數的預報精度較好。在3種機器學習方法中，ANN模型最適合溶解氧、葉綠素a和總氮，24 h內預報結果的NSE值均大于0.60；RF模型最適合總磷，24 h內的NSE值均大于0.76。

b）機器學習方法的穩健性隨著預報期的延長逐漸降低。在3種機器學習方法中，RF模型的穩健性最好，ANN模型的穩健性次之，SVR模型的穩健性最差。

參考文獻：

［1］魯言波，陳湛峰，李曉芳.基于粒子群優化的GRU廣東省跨境斷面水質預測模型研究［J］.生態環境學報，2023，32（9）：1673-1681.

［2］XIONG R，ZHENG Y，CHEN N W，et al.Predicting dynamic riverine nitrogen export in unmonitored watersheds：Leveraging insights of AI from data-rich regions［J］.Environmental Scienceamp;Technology，2022，56（14）：10530-10542.

［3］ADAMOWSKI J，FUNG CHAN H，PRASHER S O，et al.Comparison of multiple linear and nonlinear regression，autoregressive integrated moving average，artificial neural network，and wavelet artificial neural network methods for urban water demand forecasting in Montreal，Canada［J］.Water Resources Research，2012，48（1）：112-123.

［4］ARORA S，KESHARI A K.Estimation of re-aeration coefficient using MLR for modelling water quality of rivers in urban environment［J］.Groundwater for Sustainable Development，2018（7）：430-435.

［5］VICCIONE G，GUARNACCIA C，MANCINI S，et al.On the use of ARIMA models for short-term water tank levels forecasting［J］.Water Supply，2020，20（3）：787-799.

［6］KRUEGER T.Bayesian inference of uncertainty in freshwater quality caused by low-resolution monitoring［J］.Water Research，2017，115：138-148.

［7］SHIHAB K，CHALABI N.Bayesian methods for assessing water quality［C］//Fourth International Conference on Computer Scienceamp;Information Fechnology，2014，4（2）：397-407.

［8］SCHULZ M A，YEO B T，VOGELSTEIN J T，et al.Different scaling of linear models and deep learning in UKBiobank brain images versus machine-learning datasets［J］.Nature Communications，2020，11（1）：4238-4253.

［9］彭偉，熊佳藝，江顯群，等.基于神經網絡的小型水庫洪水預報研究［J］.人民珠江，2023，44（3）：1-8.

［10］SARKER I H.Machine learning：Algorithms，real-world applications and research directions［J］.SN Computer Science，2021，2（3）：160-181.

［11］KIM J，HAN H，JOHNSON L E，et al.Hybrid machine learning framework for hydrological assessment［J］.Journal of Hydrology，2019，577（1/2）：123-135.

［12］KISI O，AZAD A，KASHI H，et al.Modeling groundwater quality parameters using hybrid neuro-fuzzy methods［J］.Water Resources Management，2019，33：847-861.

［13］李玉翠，周正，彭漪，等.基于機器學習的東湖富營養化研究［J］.人民長江，2018，49（17）：12-17.

［14］陳能汪，余鎰琦，陳紀新，等.人工神經網絡模型在水質預警中的應用研究進展［J］.環境科學學報，2021，41（12）：4771-4782.

［15］伏吉祥.水庫型飲用水水源地水質綜合評價RDPSO-RF模型及應用［J］.人民珠江，2019，40（3）：101-106，127.

［16］MOHAMMADPOUR R，SHAHARUDDIN S，CHANG C K，et al.Prediction of water quality index in constructed wetlands using support vector machine［J］.Environmental Science and Pollution Research，2015，22：6208-6219.

［17］PIOTROWSKI A P，NAPIORKOWSKI M J，NAPIORKOWSKI J J，et al.Comparing various artificial neural network types for water temperature prediction in rivers［J］.Journal of Hydrology，2015，529：302-315.

［18］WEN X H，FANG J，DIAO M N，et al.Artificial neural network modeling of dissolved oxygen in the Heihe River，Northwestern China［J］.Environmental Monitoring and Assessment，2013，185：4361-4371.

［19］NAJAH A，EL-SHAFIE A，KARIM O A，et al.Application of artificial neural networks for water quality prediction［J］.Neural Computing and Applications，2013，22：187-201.

［20］袁從貴.最小二乘支持向量回歸及其在水質預測中的應用研究［D］.廣州：廣東工業大學，2012.

［21］KHAN M A，SHAH M I，JAVED M F，et al.Application of random forest for modelling of surface water salinity［J］.Ain Shams Engineering Journal，2022，13（4）：101-121.

［22］CASTRILLO M，GARCíAáL.Estimation of high frequency nutrient concentrations from water quality surrogates usingmachine learning methods［J］.Water Research，2020，172.DOI：10.1016/j.water.2020.115490.

［23］ZHAO C C，ZHANG S Y，MAO X Z.Variations of annual load of TN and TP in the deep bay watershed，Shenzhen［J］.Huan Jing Ke Xue，2014，35（11）：4111-4117.

［24］NEUMANN M，DUDGEON D.The impact of agricultural runoff on stream benthos in Hong Kong，China［J］.Water Research，2002，36（12）：3103-3109.

［25］XU J，YIN K D，LEE J H，et al.Long-term and seasonal changes in nutrients，phytoplankton biomass，and dissolved oxygen in Deep Bay，Hong Kong［J］.Estuaries and Coasts，2010，33：399-416.

［26］ZHOU Y，WANG L L，ZHOU Y Y，et al.Eutrophication control strategies for highly anthropogenic influenced coastal waters［J］.Science of the Total Environment，2019，705：123-135.

［27］ZADOR A M.A critique of pure learning and what artificial neural networks can learn from animal brains［J］.Nature Communications，2019，10（1）：3770-3779.

［28］ESSAM Y，HUANG Y F，NG J L，et al.Predicting streamflow in Peninsular Malaysia using support vector machine and deep learning algorithms［J］.Scientific Reports，2022，12（1）：3883-3896.

［29］TYRALIS H，PAPACHARALAMPOUS G，LANGOUSIS A.A brief review of random forests for water scientists and practitioners and their recent history in water resources［J］.Water，2019，11（5）：910-926.

［30］NOORI N，KALIN L，ISIK S.Water quality prediction using SWAT-ANN coupled approach［J］.Journal of Hydrology，2020，590（3）：125-136.

［31］WANG F E，WANG Y X，ZHANG K，et al.Spatial heterogeneity modeling of water quality based on random forest regression and model interpretation［J］.Environmental Research，2021，202（6）：111-123.

［32］DAI Y，WANG H J，WANG J F，et al.Prediction of water quality based on SVR by fluorescence excitation-emission matrix and UV-Vis absorption spectrum［J］.Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2022，273.DOI：10.1016/j.saa.2022.121059.

（責任編輯：高天揚）