基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力

准确预测河流水质变化是流域水环境管理的重要基础。目前常用的基于数据驱动的深度学习模型依赖大量的监测数据训练，然而很多河流数据缺乏，无法满足水质预测精度要求。提出了一种基于极端梯度提升模型(XGBoost)的迁移条件选择方法，利用全国河流自动监测站点的水质参数(水温、pH、溶解氧、总氮)数据集，研究建立长短期记忆神经网络(LSTM)模型库，通过迁移学习条件的优化，提升LSTM模型的预测能力。结果表明：1)采用不同源域和迁移方式训练出的模型，其预测精度有很大差异；2)基于XGBoost模型选择最佳迁移条件，迁移模型的预测误差(RMSE)降低了9.6%～28.9%,LSTM模型预测精度明显提升；3)选取合适的迁移方式、选用性质接近的源域数据、增加训练数据量均可以提升迁移模型的预测精度。该建模方法可应用于实测数据少的河流水质预测，为流域水环境精细化管理提供技术支持。