论文标题：Utilizing machine learning models to grasp water quality dynamic changes in lake eutrophication through phytoplankton parameters

期刊：Frontiers of Environmental Science & Engineering

作者：Yong Fang, Ruting Huang, Yeyin Zhang, Jun Zhang, Wenni Xi, Xianyang Shi

发表时间：15 Feb 2025

DOI：10.1007/s11783-025-1934-6

微信链接：点击此处阅读微信文章

摘要图

浮游植物是富营养化水平的重要指示生物。然而，仅依赖浮游植物参数（如叶绿素a）会限制我们对天然湖泊复杂富营养化状况的全面理解，特别是在及时分析限制性营养物及其浓度变化方面。本研究提出了基于机器学习（ML）模型的湖泊富营养化预测与识别方法。利用华亭湖流域34个站点5个月内的水文、水质和气象参数最新数据，开发了5种基于树的机器学习模型。其中，极端梯度提升模型在预测总氮/总磷比（TN/TP）方面表现出较高的准确性（R² = 0.88；RMSE = 24.60；MAPE = 26.14%）。通过对TN/TP比和输出特征值权重的分析表明，磷在富营养化过程中起着关键作用，这可能是由于该流域的低流量和深水特征所致。此外，轻量级梯度提升机模型在预测浮游植物参数，尤其是Shannon指数（H’）方面表现出色且准确性高（R² = 0.92；RMSE = 0.11；MAPE = 4.95%）。利用H’阈值确定的花亭湖中营养状况分类与H’分析结果一致。未来的研究应涵盖更广泛的污染源和时空维度，以进一步验证此研究结果。总体而言，本研究强调了将TN/TP比和浮游植物参数纳入机器学习技术中以有效监测和管理环境条件的潜力。

扫码获取文章原文

本文内容来自FESE期刊2025年第19卷第2期发表的研究型文章“Utilizing machine learning models to grasp water quality dynamic changes in lake eutrophication through phytoplankton parameters”。通讯作者为安徽大学的黄茹婷副教授和石先阳教授。

引用格式：Yong Fang, Ruting Huang, Yeyin Zhang, Jun Zhang, Wenni Xi, Xianyang Shi. Utilizing machine learning models to grasp water quality dynamic changes in lake eutrophication through phytoplankton parameters. Front. Environ. Sci. Eng., 2025, 19(2): 14

https://doi.org/10.1007/s11783-025-1934-6

期刊简介

Frontiers of Environmental Science & Engineering是由高等教育出版社、中国工程院和清华大学共同主办的环境领域综合学术期刊，聚焦环境领域前沿问题与研究成果，重点关注开创性、跨学科的研究，致力于打造具有国际影响力的高水平学术交流平台，是中国工程院院刊系列期刊、中国科技期刊卓越行动计划入选期刊。

主编：曲久辉院士，John Crittenden院士

期刊官网1（国内免费获取）

http://journal.hep.com.cn/fese

期刊官网2

www.springer.com/journal/11783

欢迎关注