基于 LSTM-RF 混合模型的海洋叶绿素预测与驱动因素分析
机器学习
2025-08-08 v1 人工智能
摘要
海洋叶绿素浓度是生态系统健康和碳循环强度的重要指标，其准确预测对于红潮预警和生态响应至关重要。本文提出一种 LSTM-RF 混合模型，结合了 LSTM 和 RF 的优势，解决了单一模型在时间序列建模和非线性特征表征方面的不足。该模型使用来自多源海洋数据的训练数据（温度、盐度、溶解氧等），实验结果表明，在测试集上，LSTM-RF 模型的 R^2 为 0.5386，MSE 为 0.005806，MAE 为 0.057147，显著优于仅使用 LSTM (R^2 = 0.0208) 和仅使用 RF (R^2 = 0.4934) 的结果。标准化处理和滑动窗口方法提高了模型的预测精度，为高频海洋生态变量预测提供了创新解决方案。
关键词
引用
@article{arxiv.2508.05260,
title = {Marine Chlorophyll Prediction and Driver Analysis based on LSTM-RF Hybrid Models},
author = {Zhouyao Qian and Yang Chen and Baodian Li and Shuyi Zhang and Zhen Tian and Gongsen Wang and Tianyue Gu and Xinyu Zhou and Huilin Chen and Xinyi Li and Hao Zhu and Shuyao Zhang and Zongheng Li and Siyuan Wang},
journal= {arXiv preprint arXiv:2508.05260},
year = {2025}
}
备注
Accepted by IEEE 5th International Conference on Advanced Algorithms and Neural Networks (AANN)