水是万物之源,纯净的水对于万物的生长极为重要。近年来,我国工业现代化进程的快速发展,使江河湖泊的污染现象变得极为突出;由于人们的生活生产,使得地下水和地表水的水质急剧恶化,可供人们使用的水资源愈发紧缺。针对以上问题,本文基于鄱阳湖南矶山截面为背景,设计一套基于LoRa技术的在线水质监测系统,对鄱阳湖水域的水质实时监测,及时掌握远端水域信息,通过对数据进行分析,预测水域水质。首先,分析广域网的特点和水质监测领域的瓶颈,提出将LoRa技术应用水质监测系统。讨论系统的需求和总体架构,对终端节点和网关节点的软硬件进行设计,分析监测指标并选择传感器类型,对主控模块和无线通信模块（LoRa和GPRS）进行设计;使用Modbus协议和RS485搭建总线模式,使用LoRa技术和MQTT协议搭建LoRa WAN系统架构,研究该架构的帧结构、工作模式和入网模式,及MQTT代理服务器和网关与服务器的集成,完成LoRa系统的搭建部署。其次,分析水质数据表结构,建立MySQL数据库和表;使用Nginx反向代理和Redis缓存技术搭建高性能的Web服务器集群;使用JAVA语言,结合主流的SSM框架和Vue与Element-ui进行Web页面开发,并利用Echarts技术实现数据图表可视化,以及网关信息的增删改查;对于大量的水质历史数据,提出大数据Hadoop集群技术进行存储和分析,为算法模型的建立提供数据来源。然后,针对数据缺失和异常问题提出解决方法。考虑到数据特征之间存在耦合关系,本文采用因子分析法（Factor Analysis,FA）对特征进行降维,确定p H、高锰酸盐、氨氮、电导率、溶解氧和总磷等6种主要特征,作为算法模型的输入。针对BP（Back Propagation）神经网络训练时间长、容易陷入局部最优,本文提出使用极限学习机（Extreme Learning Machine,ELM）对总磷进行回归预测,预测结果中RMSE可达到0.015,相比于BP的0.017,减少12%,训练时间达到0.001,相比于BP的0.022,减少95.5%,结果表明,本文提出的ELM模型训练时间短、预测精度高。但ELM模型的性能取决于初始权值和阈值,它们具有随机性,为了得到最优的参数,本文采用灰狼算法（Grey Wolf Optimizer,GWO）进行参数寻优,使用最优参数的ELM模型对总磷进行预测,预测结果中RMSE达到0.009,相比于ELM减少40%,相比于BP减少47%,实验结果表明,优化后的GWO-ELM模型具有更好的预测精度。最后,针对上述算法不适用大数据场景,本文提出使用Light GBM（Light Gradient Boosting Machine）集成算法对总磷进行预测,预测结果中RMSE达到0.01,相比于ELM模型减少33%,但比GWO-ELM模型高10%,它的性能受到超参的影响,因此采用GWO对超参进行寻优,使用最优参数的Light GBM模型对总磷进行预测,预测结果中RMSE达到0.005,相比于Light GBM模型减少50%,比GWO-ELM模型减少44%,比ELM模型减少66.7%,而R2也达到96.5%,优化后的GWO-Light GBM模型具有更好的预测精度,可知,LightGBM模型的抗干扰和拟合能力强于ELM模型。