回归分析作为一种常见且重要的数据挖掘方法,在挖掘数据中的有用信息时发挥了重要作用。随着大量专家学者对其进行研究,回归分析理论不断发展与完善,同时在社会各领域得到了广泛的应用并取得了良好的效果。回归分析在水生态领域同样有着越来越多的应用。近年来,大量营养盐进入水体,导致水体富营养化越来越严重,对水生态系统健康造成严重威胁。叶绿素a是藻类中叶绿素的主要成分,其含量的高低与水体中藻类的种类、数量密切相关,是表征水体富营养化现象及其程度的重要指标之一。因此,获取准确的水体叶绿素a浓度对于水体富营养化防治具有重要意义。支持向量机(SVM)在处理小样本、非线性问题上表现出优异的性能,因此在各个领域中有着广泛的应用。近年来众多学者主要从两方面来提高支持向量机的回归预测精度,一是优化支持向量机的参数,二是改进近似核函数。但是这些努力只着眼于对支持向量机本身的改进而忽略了对数据集中有用信息的进一步提取。因此,本文提出了一种基于最小二乘支持向量机和RBF神经网络的混合回归预测模型。该模型通过进一步提取支持向量机在训练时所产生的误差项中的有用信息来修正最终的预测值,从而提高回归预测的精度。由于水生态系统是一个动态的、开放的、复杂的系统,水质数据包含了很多不确定性因素,对于不确定性问题的处理,模糊粗糙集作为一种强大的数学工具发挥着重要作用,因而广泛应用于水质数据的处理中。但是在基于模糊粗糙集理论的回归模型中,在计算上下近似时对数据中的异常点非常敏感,针对这个问题,本文引入软距离概念,提出一种适合回归分析的软模糊粗糙集上下近似计算方法,并构建一个对异常点不敏感的模糊粗糙回归预测算法。最后将回归预测模型应用于“三峡在线监测系统”中,并在系统中稳定运行,为三峡库区环境治理提供数据支撑,体现了模型实用性。