在SLR中发现了大量的DD建模技术，这些技术从单一的索引到机械进建算法都有
。为了便于分析，将这些技术分类为五组：回归和指数、人为神经网络(ANN)、遗传规划(GP)、决策树(DT)和贝叶斯网络(BN)
。大无数钻研(使用DD建模的73篇文章中占63%)只用唯逐一种步骤来预测有害蓝藻水华
。相比之下，37%的人使用了两种或两种以上的建模步骤，其中18%的人用统一种DD建模技术，但是使用了多个变量
。有19%的人使用两种或两种以上的DD建模技术，要么比力它们的机能，要么相互补充
。表3列出了按DD建模技术分类的所有所综述的文章清单
。TFQ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_扑克之星

　　表3. 按模型技术及其变量分组的已颁布的数据驱动模型列表TFQ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_扑克之星

TFQ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_扑克之星

回归和指数TFQ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_扑克之星

　　有几种机械进建算法的基础是线性和非线性回归和指标
。在很多钻研中已经利用单一的回归来预测湖泊特定区域的有害蓝藻水华情况，在此SLR中都被归类为回归模型
。其他钻研(极端事务散布、功夫序列分析)依赖于数据模式的视觉鉴别和指数创建的统计评估，这些被归类为描述性统计模型
。有学者选取多元线性回归和单一线性回归步骤，评估比利时布鲁塞尔42个城市浅水混合城市池塘中有害蓝藻水华的风险
。线性回归模型通常被用来确定产生在多个环境前提的特定阈值以上的高浓度蓝藻，如pH、水力停顿功夫和温度等
。由此，利用前提概率步骤凭据环境前提评价有害蓝藻水华产生的可能性
。有学者分析了巴西东北部地域的40座水库，通过线性回归评估了多个环境变量与有害蓝藻水华之间的有关性
。干湿季节之间的季节性影响了水柱的不变性，增长了有害蓝藻水华暴发的风险
。有学者造订了澳大利亚昆士兰州东南部16座饮用水水库的风险指数，该指数基于流域放牧地皮百分比、水库表表积、春秋和体积
。该指数显示了有害蓝藻水华事务与夏季月份的季节性有关性，并允许在分歧场景中创建有害蓝藻水华的敏感性预测
。也有学者造订了一个指数，评估了中国鄱阳湖六个地域整年的有害蓝藻水华风险
。结合汗青水质数据确定了干湿季节之间的季节趋向
。作者先确定了有害蓝藻水华风险较高的月份，以及有害蓝藻水华的重要驱动成分
。通过线性回归对欧洲近500个湖泊进行了结合评估，最后确定有害蓝藻水华最好凭据湖泊类型进行预测
。作者还得出结论，一些湖泊类型可能更容易受到气象变动所引起的极端事务的影响，所以凭据湖泊类型，处所适应性治理当该始终优吓宗通常治理实际
。TFQ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_扑克之星

　　人为神经网络人为神经网络(ANN)是加权非线性回归和判断模型的组合，通常由多个相互衔接的神经元组成
。每个神经元都是一个推算元素，在这些神经元中进行线性或非线性回归
。神经元在每层中衔接和组织，其中一个是输入层，一个或多个是执行挨次推算的暗藏层，一个是了局地点的输出层
。神经网络的重要特点是仿照大脑的活动，可能从数据中进建复杂的非线性关系
。人为神经网络已利用于许无数据分析学科(例如水资源治理;蕴含有害蓝藻水华的预报)
；谌宋窬绲哪Ｐ驮谌毡綤asumigaura湖宽泛利用，涉及到微囊藻和颤藻
。有学者通过正向传布神经网络仿照微囊藻和颤藻，在5到40天的精度下，预测的了局是令人中意的
。且前五天的预测精度最高
。有学者用人为神经网络对Kasumigaura湖的五种藻类进行了预测，其中3种为蓝藻
。为了确定种群迁徙，在模型验证后还进行了敏感度分析
。有学者持续用几种人为神经网络的训练步骤和扩大预测五种蓝藻物种
。钻研发现，随着训练模式功夫和事务分辨率的增长，在功夫和数量上的精度都提高了
。有学者用神经网络结合活络度分析和正交因子对Kasumigaura湖的4种优势蓝藻进行预测
。此表这个技术还确定了每种物种的重要环境因子
。阶乘的正交设计有助于验证物种的非生物成分，这可能支持类似削减内表营养盐负荷的决策
。利用神经网络预报有害蓝藻水华的钻研不仅仅局限于Kasumigaura湖
。有学者利用幼波分析开发了一种神经网络(WNN)
。这个模型是在中国四岭水库开发的，模型进行了训练、验证和测试，并利用于美国Winnebago湖
。TFQ新型光催化网_水库治理_河路治理_水生态建复_水环境治理与建复_扑克之星