16、利用机器学习（深度学习）预测美国南部大沼泽地水位以补充数值模拟

利用机器学习（深度学习）预测美国南部大沼泽地水位以补充数值模拟

1. 引言

水位在水资源管理和湿地生态系统中是至关重要的指标，它定义了水文学中最基本的过程之一。本研究旨在探索利用机器学习（ML）模型补充数值模拟，以预测美国佛罗里达州南部大沼泽地的每日水位。

佛罗里达大沼泽地是世界上最重要的湿地生态系统之一，特别是大沼泽地国家公园（ENP），它是大沼泽地最南端的部分。在大规模改变南佛罗里达流域之前，水从基西米河自由流入奥基乔比湖，在雨季湖水溢出南岸，驱动地表水通过大沼泽地流入墨西哥湾、佛罗里达湾和比斯坎湾。然而，飓风引发的严重洪水后，围绕奥基乔比湖修建了堤坝，还在南佛罗里达各地建造了运河、堤坝、水控制结构和水泵网络，以提供供水和防洪保护。这些改变导致自然环境严重恶化，包括水流、水位、季节时间和空间分布的水动力变化，进而导致植被组成的变化和涉禽数量的急剧减少。

为了纠正湿地生态系统退化的问题，制定了综合大沼泽地恢复计划（CERP）。大沼泽地深度估算网络（EDEN）是实施CERP的重要工具，它由240多个测量站、水面模型和地面高程模型组成，用于监测和模拟整个大沼泽地的连续水深。水位与许多湿地生态系统健康指示物种的种群健康密切相关，如短吻鳄和一些涉禽。

机器学习现在广泛应用于建模的许多方面，它可以解决难以用数值描述的复杂系统问题。在水文学和水力学中，机器学习已被用于解决各种问题，如水位预测。长短期记忆循环神经网络（LSTM - RNN）是一种深度学习架构，在时间序列预测等方面表现出色，优于传统的时间序列预测方法，如自回归积分滑动平均模型（ARIMA）。目前，大沼泽地水位建模的研究较少，现有的水位预测模型主要是数值模型，如区域模拟模型（RSM）和比斯坎和南部大沼泽地沿海