[发明专利]基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法与系统

权利要求书

1.一种基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，其特征在于，包括如下步骤：

(1)收集湖泊多年逐月的长时间序列叶绿素a数据及其环境影响因子数据，其中相关环境影响因子数据包括水温WT、溶解氧DO、pH、高锰酸钾指数COD_Mn、氨氮NH₃-N、硝氮NO₃-N、总氮TN、总磷TP和磷酸根PO^4-；

(2)进行逐月叶绿素a长时间序列数据STL分解，获得叶绿素a的趋势项、季节项以及随机项数据；

(3)基于STL分解后得到的叶绿素a的趋势项数据，利用RF模型对相关环境因子进行重要性评估，获得影响蓝藻水华的关键环境影响因子；

(4)将训练集中逐月数据按年划分，最近一年的数据作为验证集，分别构建回溯步长为1-12的LSTM模型，根据STL分解后的叶绿素a趋势项数据和RF模型筛选后的关键环境因子监测数据，利用LSTM模型建立不同回溯步长下关键环境影响因子和叶绿素a的对应关系，并进行模型精度评价以确定最佳回溯步长；将收集的用于预测未来的关键环境因子数据输入至建立好的最佳回溯步长的LSTM模型中，获得未来蓝藻水华的长期预报结果。

2.根据权利要求1所述的基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，其特征在于，所述步骤(2)中进行逐月叶绿素a长时间序列数据STL分解时包括：

确定趋势窗口和季节项窗口大小；

利用STL模型将叶绿素a时间序列分解为三个可加分量，表示为：

Y_t＝T_t+S_t+R_t

其中，Y_t为t时刻叶绿素a观测值，T_t、S_t、R_t分别为该观测值的趋势项、季节项和随机波动项。

3.根据权利要求1所述的基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，其特征在于，所述步骤(3)中采用RF模型进行关键环境因子筛选时，利用随机森林采样过程中的袋外数据OOB计算各环境因子的相对重要性，包括：

确定随机森林包含的决策树数量N，分别利用每颗决策树l_n相应的OOB数据进行预测，并计算该OOB数据的均方根误差e_n；

保持该OOB数据的其他环境因子不变，只打乱第i个环境因子的特征值顺序，重新计算预测均方根误差

计算第i个环境因子对每颗决策树l_n的重要性计算公式为：

重复上述计算步骤直至遍历整个随机森林模型，得到环境因子i的重要性μ，其计算公式为：

4.根据权利要求1所述的基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，其特征在于，所述步骤(4)中采用MinMax方法对叶绿素a趋势项数据和环境影响因子数据进行归一化处理，将数据值域变换至[0,1]。

5.根据权利要求1所述的基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，其特征在于，所述步骤(4)在训练集中，以环境因子作为模型的输入序列X，以叶绿素a趋势序列作为模型的输出Y，对回溯步长为s的LSTM模型，训练集输入序列X中第i个分量的序列值为x_i,1、x_i,2、…、x_i,m，m为时间序列长度，而输出序列Y的序列值为y_i,1+s、y_i,2+s、…、y_i,m+s。

6.根据权利要求1所述的基于STL-RF-LSTM的湖泊蓝藻水华长期预报方法，其特征在于，所述步骤(4)中LSTM模型精度评价指标选取纳什系数NSE、均方根误差RMSE或相关系数R²，其计算方式为：

其中，为叶绿素a测试期观测值，为叶绿素a测试期模型预报值，为测试期观测值的平均值，为测试期模型预报值的平均值，t为测试集中时间序列长度。