In this study, we designed a data-driven model to predict chlorophyll-a using M5P model tree and extreme learning machine (ELM). The
Juksan weir in the Youngsan River has high chlorophyll-a, which is the primary indicator of algal bloom every year. Short-term algal bloom
prediction is important for environmental management and ecological assessment. Two models were developed and evaluated for short-term
algal bloom prediction. M5P is a classification and regression-analysis-based method, and ELM is a feed-forward neural network with fast
learning using the least square estimate for regression. The dataset used in this study includes water temperature, rainfall, solar radiation,
total nitrogen, total phosphorus, N/P ratio, and chlorophyll-a, which were collected on a daily basis from January 2013 to December 2016.
The M5P model showed that the prediction model after one day had the highest performance power and dropped off rapidly starting with
predictions after three days. Comparing the performance power of the ELM model with the M5P model, it was found that the performance
power of the 1-7 d chlorophyll-a prediction model was higher. Moreover, in a period of rapidly increasing algal blooms, the ELM model
showed higher accuracy than the M5P model.