摘要：受潮汐、径流、风速风向、地形变化等多种海陆要素交互作用，河口区盐水入侵呈高度不确定性与非线性特征，盐度预报难度较大。利用在线学习算法与误差自回归修正方法在水文预报中时效性更强的优点，构建一种耦合在线序列极限学习机-误差修正（OSELM-EC）盐水入侵预报模型，选取珠江河口区磨刀门水道为典型研究区进行逐日盐度预报。结果表明：OSELM-EC模型能充分利用实时数据更新模型参数并对预报结果进行误差修正，从而有效提升盐度预报精度；预见期越长，OSELM-EC模型优势越明显，当预见期为1 d、3 d和5 d时，其相对于传统极限学习机（ELM）模型使纳什效率系数（NSE）分别提升0.50%、10.73%和18.67%，相对于在线序列极限学习机（OSELM）模型使NSE分别提升0.35%、4.55%和16.54%。
文章目录
0 引言
1 研究方法
1.1 模型输入变量选取
1.2 在线序列极限学习机（OSELM)
1.3 误差自回归修正（EC)
2 研究区域及数据
3 模型输入变量优选
4 模型预报结果及对比分析
4.1 模型预报结果
4.2 模型对比分析
5 结论
