对数据驱动的建模方法进行比较分析,以预测绿色细菌藻类在化的湖泊排放道中的化
Hung Q Nguyen1, Mauricio E Arias1, Qiong Zhang1
1Department of Civil and Environmental Engineering, University of South Florida, 4202 E Fowler Ave, Tampa, FL, 33620, USA.
Journal of environmental management
|March 14, 2025
概括
数据驱动的模型使用佛罗里达州运河中的甲基 (Chla) 预测藻类繁殖 (ABs). 时间滞后建模对于预测更为准确,有助于水资源管理决策.
科学领域:
- 环境科学 环境科学
- 水质管理水质管理
- 生态建模 生态建模
背景情况:
- 用甲度表示的藻类繁殖 (ABs) 对佛罗里达州的水资源管理系统构成重大挑战.
- 奥基乔比湖的卡洛萨哈奇和圣卢西运河是理解和预测水质动态的关键案例研究.
研究的目的:
- 用数据驱动模型为AB开发以管理为导向的预测工具.
- 为了比较Chla预测的级联和时间滞后建模方法.
- 确定Chla度的关键驱动因素以及运营决策对研究道的AB的影响.
主要方法:
- 采用了两种不同的建模方法:级联建模和时延建模.
- 应用机器学习算法,包括XGBoost (XGB) 和随机森林 (RF),用于Chla度预测.
- 分析了水质参数,如溶解氧 (DO) 和酸盐-酸盐 (NOx),以确定开花的驱动因素.
主要成果:
- 与级联模型相比,时间滞后建模在两个通道中对Chla度的预测准确性更高.
- 在圣卢西运河站S80的测试中,XGBoost获得了R2=60.1%,而在Caloosahatchee运河站S79.中,Random Forest获得了R2=39%.
- 运营决策对圣卢西运河的AB产生了更明显的影响,而不是卡洛萨哈奇运河.
结论:
- 时间滞后建模方法为基于操作决策和气象条件的藻类繁殖预测提供了有效的工具.
- 准确的Chla预测模型对于Okeechobee湖相关运河的水资源管理策略至关重要.
- 了解特定于运河的Chla动态和驱动因素对于有针对性的水质改善工作至关重要.
