在SLR中發(fā)現(xiàn)了大量的DD建模技術(shù)，這些技術(shù)從簡單的索引到機(jī)器學(xué)習(xí)算法都有。為了便于分析，將這些技術(shù)分類為五組：回歸和指數(shù)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、遺傳規(guī)劃(GP)、決策樹(DT)和貝葉斯網(wǎng)絡(luò)(BN)。大多數(shù)研究(使用DD建模的73篇文章中占63%)只用唯一一種方法來預(yù)測有害藍(lán)藻水華。相比之下，37%的人使用了兩種或兩種以上的建模方法，其中18%的人用同一種DD建模技術(shù)，但是使用了多個(gè)變量。有19%的人使用兩種或兩種以上的DD建模技術(shù)，要么比較它們的性能，要么相互補(bǔ)充。表3列出了按DD建模技術(shù)分類的所有所綜述的文章清單。uHN新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

　　表3. 按模型技術(shù)及其變量分組的已發(fā)布的數(shù)據(jù)驅(qū)動(dòng)模型列表uHN新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

uHN新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

回歸和指數(shù)uHN新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

　　有幾種機(jī)器學(xué)習(xí)算法的基礎(chǔ)是線性和非線性回歸和指標(biāo)。在許多研究中已經(jīng)應(yīng)用簡單的回歸來預(yù)測湖泊特定區(qū)域的有害藍(lán)藻水華情況，在此SLR中都被歸類為回歸模型。其他研究(極端事件分布、時(shí)間序列分析)依賴于數(shù)據(jù)模式的視覺識別和指數(shù)創(chuàng)建的統(tǒng)計(jì)評估，這些被歸類為描述性統(tǒng)計(jì)模型。有學(xué)者采用多元線性回歸和簡單線性回歸方法，評估比利時(shí)布魯塞爾42個(gè)城市淺水混合城市池塘中有害藍(lán)藻水華的風(fēng)險(xiǎn)。線性回歸模型通常被用來確定發(fā)生在多個(gè)環(huán)境條件的特定閾值以上的高濃度藍(lán)藻，如pH、水力停留時(shí)間和溫度等。由此，應(yīng)用條件概率方法根據(jù)環(huán)境條件評價(jià)有害藍(lán)藻水華發(fā)生的可能性。有學(xué)者分析了巴西東北部地區(qū)的40座水庫，通過線性回歸評估了多個(gè)環(huán)境變量與有害藍(lán)藻水華之間的相關(guān)性。干濕季節(jié)之間的季節(jié)性影響了水柱的穩(wěn)定性，增加了有害藍(lán)藻水華暴發(fā)的風(fēng)險(xiǎn)。有學(xué)者制定了澳大利亞昆士蘭州東南部16座飲用水水庫的風(fēng)險(xiǎn)指數(shù)，該指數(shù)基于流域放牧土地百分比、水庫表面積、年齡和體積。該指數(shù)顯示了有害藍(lán)藻水華事件與夏季月份的季節(jié)性相關(guān)性，并允許在不同場景中創(chuàng)建有害藍(lán)藻水華的敏感性預(yù)測。也有學(xué)者制定了一個(gè)指數(shù)，評估了中國鄱陽湖六個(gè)地區(qū)全年的有害藍(lán)藻水華風(fēng)險(xiǎn)。結(jié)合歷史水質(zhì)數(shù)據(jù)確定了干濕季節(jié)之間的季節(jié)趨勢。作者先確定了有害藍(lán)藻水華風(fēng)險(xiǎn)較高的月份，以及有害藍(lán)藻水華的主要驅(qū)動(dòng)因素。通過線性回歸對歐洲近500個(gè)湖泊進(jìn)行了聯(lián)合評估，最后確定有害藍(lán)藻水華最好根據(jù)湖泊類型進(jìn)行預(yù)測。作者還得出結(jié)論，一些湖泊類型可能更容易受到氣候變化所引起的極端事件的影響，所以根據(jù)湖泊類型，地方適應(yīng)性管理應(yīng)該始終優(yōu)先于普通管理實(shí)踐。uHN新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

　　人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(ANN)是加權(quán)非線性回歸和判別模型的組合，通常由多個(gè)相互連接的神經(jīng)元組成。每個(gè)神經(jīng)元都是一個(gè)計(jì)算元素，在這些神經(jīng)元中進(jìn)行線性或非線性回歸。神經(jīng)元在每層中連接和組織，其中一個(gè)是輸入層，一個(gè)或多個(gè)是執(zhí)行順序計(jì)算的隱藏層，一個(gè)是結(jié)果所在的輸出層。神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是模擬大腦的活動(dòng)，能夠從數(shù)據(jù)中學(xué)習(xí)復(fù)雜的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)已應(yīng)用于許多數(shù)據(jù)分析學(xué)科(例如水資源管理;包括有害藍(lán)藻水華的預(yù)報(bào))?；谌斯ど窠?jīng)網(wǎng)絡(luò)的模型在日本Kasumigaura湖廣泛應(yīng)用，涉及到微囊藻和顫藻。有學(xué)者通過正向傳播神經(jīng)網(wǎng)絡(luò)模擬微囊藻和顫藻，在5到40天的精度下，預(yù)測的結(jié)果是令人滿意的。且前五天的預(yù)測精度最高。有學(xué)者用人工神經(jīng)網(wǎng)絡(luò)對Kasumigaura湖的五種藻類進(jìn)行了預(yù)測，其中3種為藍(lán)藻。為了確定種群遷移，在模型驗(yàn)證后還進(jìn)行了敏感度分析。有學(xué)者繼續(xù)用幾種人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法和擴(kuò)展預(yù)測五種藍(lán)藻物種。研究發(fā)現(xiàn)，隨著訓(xùn)練模式時(shí)間和事件分辨率的增加，在時(shí)間和數(shù)量上的精度都提高了。有學(xué)者用神經(jīng)網(wǎng)絡(luò)結(jié)合靈敏度分析和正交因子對Kasumigaura湖的4種優(yōu)勢藍(lán)藻進(jìn)行預(yù)測。此外這個(gè)技術(shù)還確定了每種物種的主要環(huán)境因子。階乘的正交設(shè)計(jì)有助于驗(yàn)證物種的非生物因素，這能夠支持類似減少內(nèi)外營養(yǎng)鹽負(fù)荷的決策。利用神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)有害藍(lán)藻水華的研究不僅僅局限于Kasumigaura湖。有學(xué)者利用小波分析開發(fā)了一種神經(jīng)網(wǎng)絡(luò)(WNN)。這個(gè)模型是在中國四嶺水庫開發(fā)的，模型進(jìn)行了訓(xùn)練、驗(yàn)證和測試，并應(yīng)用于美國Winnebago湖。uHN新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司