湖库富营养化和有害藻华是全球性的生态环境问题。藻华预测与预警是保证湖泊和水库水源供水安全的关键技术。如何基于高频水生态在线监测数据对藻华进行实时动态预测，已成为水生态管理领域的主要需求，基于连续三年观测的每小时平均总叶绿素a浓度数据，SARIMA的预测效果，比较了藻华（日平均·叶绿素a大于15g·L-1）上的Prophet和LSTM（长期和短期记忆神经网络）。研究结果表明：（1）时间序列模型要求的参数少，灵活性强，能够清晰地反映水质特征和未来的变化趋势，可以弥补传统藻类监测和预警方法的局限性。（2） 基于深度学习框架的LSTM模型具有独特的迭代优化算法，对藻类的非线性变化特征具有很强的识别和预测能力。其总叶绿素a的日预测和7天预测效果明显优于SARIMA模型和Prophet模型。（3） 输入数据的长度会在一定程度上影响模型的预测效果，输入数据的最佳时间长度为7d。输入数据的频率也会影响预测效果。在预测非藻华日时，小时数据的预测效果优于日频率数据。在预测藻华日时，两个频率数据之间没有显著差异，但每日频率数据可以更准确地识别藻华日的特征。综上所述，基于LSTM模型实现了总叶绿素a浓度的短期预测，可以为九龙江河库区藻华的预警和供水安全提供技术支持