河湖藻类水华形成过程中所具有的突发性和不确定性,导致对藻类水华爆发预测准确性不高。为解决此问题,以叶绿素a的浓度值作为蓝藻水华演化过程表征指标,提出基于长短期记忆(Long Short-Term Memory,LSTM)循环神经网络蓝藻水华预测模型。首先,用遗传算法改进的一阶滞后滤波优化算法(Genetic Algorithm-First Order Lag Filter,GA-FOLF(GF))对数据进行平滑滤波处理;然后,搭建GF-LSTM网络的蓝藻水华预测模型,实现对水华发生的精准预测;最后,以太湖水域梅梁湖区域的采样数据为样本,对预测模型进行检验,并与传统的循环神经网络(Recurrent Neural Network,RNN)和LSTM网络进行对比。仿真结果表明,相比于RNN模型和LSTM网络模型,提出的GF-LSTM网络模型平均相对误差控制在16%-18%,对采用数据的平滑性处理效果较好,预测精度更高,对样本具有更好的适应性,克服了传统RNN模型在长期训练时出现的梯度消失与梯度爆炸问题,可以应用于蓝藻水华的防治。