王成贺 宋 宁 王京禹 刘安安 聂 婕

（1.中国海洋大学信息科学与工程学部，山东青岛 266100；2.天津大学电气自动化与信息工程学院，天津 300072）

1 引言

近海海域是经济高质量发展的要地，是社会经济发展的关键支撑。近年来，高强度的人类活动已对海洋生态环境产生巨大的影响，我国近海环境正面临前所未有的环境压力和生态安全风险。叶绿素浓度作为表征海洋初级生产力的关键指标，其演变不仅反应了海域水体富营养化程度，也揭示了海水理化性质综合动态变化规律。因此，近海叶绿素浓度的准确预测对认识水体理化性质的演变规律、预防水体富营养化现象以及保护近海生态环境具有重要意义。

目前，叶绿素浓度预测方法分为两类：基于理化分析叶绿素浓度预测方法和基于数据驱动的叶绿素浓度预测方法［1］。其中，传统基于理化分析叶绿素浓度预测方法依据水体本身化学性质，以复杂水体动力学模型和水质理化预测模型为基础，实现叶绿素浓度的分析和预测［2-3］。然而，该方法只针对有限影响因素建模，不能实现多圈层全要素耦合，降低了预测模型精度。此外，其理化模型结构复杂，计算复杂度高，在处理大规模数据上尤为困难。近年来，随着机器学习的不断发展，基于数据驱动的叶绿素浓度预测方法以特征关联挖掘充分、模拟计算简单高效等优势，逐渐取代传统预测方法［4-5］。在湖泊数据的基础上，MALKE 等人［6］基于模糊逻辑、递归神经网络、混合进化算法和多元线性回归四种模型，实现了湖水叶绿素浓度的预测，但该研究只考虑了同一时期的水质环境变量的关联，忽略了叶绿素浓度的时序演变预测。……