基于多源数据融合与机器学习的黑臭水体河涌监测模型构建与案例应用研究

竞斌 梁(摘要)

摘要

针对珠三角地区黑臭水体河涌监测中存在的时空覆盖不足、数据融合效率低、预警滞后等问题，本研究提出一种基于多源数据融合与机器学习的智能监测模型。通过整合在线监测传感器、遥感影像及历史水质数据，构建“特征提取-模型训练-动态预测”的三层架构模型，结合随机森林（Random Forest, RF）与长短期记忆网络（Long Short-Term Memory, LSTM）的算法优势，实现水质指标（溶解氧、氨氮、总磷等）的时序预测与黑臭状态判别。以广佛交界某河涌为案例，验证模型的适用性，结果表明：模型对溶解氧（DO）、氨氮（NH3-N）的预测均方根误差（RMSE）分别为0.32 mg/L、0.45 mg/L，黑臭状态判别准确率达92.7%，较传统单源监测方法提升25%以上。研究为珠三角河涌黑臭治理提供了精细化监测的技术支撑。

关键词

黑臭水体；河涌监测；多源数据融合；机器学习；模型优化

参考

王建国, 李红莉. 城市黑臭水体成因与治理技术研究进展[J]. 环境工程, 2020, 38(5): 1-7.

生态环境部. 城市黑臭水体治理攻坚战实施方案[Z]. 2018.

广东省生态环境厅. 2023年广东省城市黑臭水体治理进展情况通报[R]. 广州: 广东省生态环境厅, 2023.

李阳兵, 等. 基于Sentinel-2影像的珠江口悬浮物浓度反演研究[J]. 遥感技术与应用, 2021, 36(3): 623-631.

Goodfellow I, et al. Deep Learning[M]. MIT Press, 2016.

DOI: http://dx.doi.org/10.12345/zyyhbjz.v3i8.31086