随着我国经济和人民生活水平的提高,生活中重金属污染变得更加严重,而重金属具有较强的毒性,这会对人们的生产和生活产生较大的危害。在流域中水资源直接影响所在流域的可持续发展,如果流域中重金属超标将会对自然环境和居民产生较大的影响,所以对重金属含量的中短期精准预测具有现实的意义。为此本文以大夏河流域中土壤重金属含量为研究对象,进行了以下相关工作:首先,由于重金属含量受温度、日径流、PH值等多种因素的共同影响,所以依靠传统单因子的预测模型不能取得较为理想的预测效果。因此本文结合温度和日径流建立起还原程度更高的关于重金属含量的多元混沌相空间,在此相空间内涵盖了重金属含量受其他因素影响后的所有可能状态,这样将为后期的预测提供全面的预测支撑。其次,在建立起合适的多元混沌相空间后就需要选择合适的预测方法,目前神经网络的出现受到人们的广泛关注,因此文章使用径向基神经网络(RBF)作为重金属含量的对比实验,并基于多元混沌相空间重构和增加窥视孔连接的长短期记忆(LSTM)循环神经网络提出了PS-LSTM的预测模型。PS-LSTM预测模型的优点主要体现在能够对复杂且非线性的数据重构多元混沌相空间,还原出输入数据的真实状态。改进的LSTM神经网络则能够在“记忆细胞”中获得更多上一单元和此刻输入的数据,进而提高模型的预测效果。经过实验发现本文提出的PS-LSTM模型RMSE为0.0927,MAE为0.2102,优于Volterra级数一步预测、RBF神经网络预测和更加适用于小数据量的支持向量回归预测模型。最后本文还使用PS-LSTM对密西西比河流域的一个棉花试验场中棉花产量进行预测,对模型的普适性进行论证,经过计算RMSE和MAE比预测准确度最好的传统LSTM模型提高了9.28%和2.78%,因此,该模型对于复杂非线性的系统预测具有更好的预测效果。