中国环境科学

作者：汪昊, 高凯璐, 尹高飞, 孙学莹, 刘一航, 张旭琳, 王凤, 翟梦瑜, 王佳宝, 李昭慧, 文宏达, 李文超

单位：1. 河北农业大学资源与环境科学学院, 省部共建华北作物改良与调控国家重点实验室, 河北省农田生态环境重点实验室, 河北保定 071000;2. 天津大学电气自动化与信息工程学院, 天津 300072;3. 北京师范大学地理科学学部, 地表过程与资源生态国家重点实验室, 北京 100875;4. 北京工业大学循环经济研究院, 北京 100124

关键词：海河流域,时空变化规律,影响因子,机器学习

基金：云南省重大科技专项(202402AE090024);国家自然科学基金资助项目(42477441);河北省引进留学人员资助项目(C20230337);河北省中央引导地方科技发展资金资助项目(246Z3607G)

基于2021~2024年海河流域69个水质监测站的监测数据,通过耦合随机森林模型(RF)和长短时记忆神经网络(LSTM)构建了TN浓度预测的RF-LSTM数据驱动模型,并探究了TN浓度的时空变化规律及主要影响因素.结果表明:2021年TN浓度较高,2022年TN浓度较低,年均值变化在4.97~5.22mg/L;5个子流域TN浓度年内呈U型的季节变化特征,TN浓度最高值出现在1月和2月,最低值出现在8月;水温和溶解氧浓度是影响海河流域水体TN浓度的关键因子,水温与TN浓度呈极显著负相关,溶解氧浓度与TN浓度呈极显著正相关;RF-LSTM数据驱动模型的预测效果(R2:0.830~0.939)优于传统单一LSTM (R2:0.818~0.931)模型,且RF-LSTM数据驱动模型具有更强的泛化性能.

来源：2025年第7期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2025年第7期