The rivers-connected lake involved in the “River–Lake-Reservoir” hydrological complex system and it's water level fluctuations are more severe than those of other lakes, which challenges the scientific management of lakes. Therefore, to improve the accuracy of water level prediction for the rivers-connected lake, taking Hongze Lake as an example, we used the BFAST algorithm to analyze the inconsistency of the lake's inter-annual water level and selected a stable stage for water level prediction research. Next, considering the lake basin shape, based on the Stage-discharge relationship curve, the fluctuation process of the lake's inter-annual water level was divided into four periods: the discharge period, the early period of storage, the later period of storage, and the balance period. Then, the NARX model was used to build the water level prediction model for different periods. Finally, the wavelet analysis and KNN algorithm were introduced into the water level prediction model for input data pre-process and result post-processing, respectively. The result shows that: (1) There are significant differences in the mechanism of water level regime modification in different periods. The outflowing runoff is the main driving factor for the water level regime modification in most times; (2) Coupling multiple machine learning methods is an effective way to improve the accuracy of the lake water level prediction; (3) The combination of the staged-divided water level prediction method and the hybrid machine learning models can further improve the accuracy of the water level prediction.

与“湖泊—湖泊—水库”水文综合系统有关的与河流相连的湖泊，其水位波动比其他湖泊要严重得多，这对湖泊的科学管理提出了挑战。因此，为提高江河湖泊水位预报的准确性，以洪泽湖为例，采用BFAST算法分析湖泊年际水位的不一致性，为水位预报选择一个稳定的阶段。研究。接下来，考虑湖泊流域的形状，根据水位-流量关系曲线，将湖泊年际水位的波动过程分为四个时期：排放期，蓄水初期，蓄水后期，和平衡期。然后，NARX模型用于建立不同时期的水位预测模型。最后，将小波分析和KNN算法分别引入到水位预测模型中，分别进行输入数据预处理和结果后处理。结果表明：（1）不同时期水位变化规律的机理存在显着差异。在大多数情况下，流出的径流是改变水位状态的主要驱动因素。（2）结合多种机器学习方法是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。将小波分析和KNN算法分别引入水位预测模型中进行输入数据预处理和结果后处理。结果表明：（1）不同时期水位变化规律的机理存在显着差异。在大多数情况下，流出的径流是改变水位的主要驱动因素。（2）结合多种机器学习方法是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。将小波分析和KNN算法分别引入水位预测模型中进行输入数据预处理和结果后处理。结果表明：（1）不同时期水位变化规律的机理存在显着差异。在大多数情况下，流出的径流是改变水位的主要驱动因素。（2）结合多种机器学习方法是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。结果表明：（1）不同时期水位变化规律的机理存在显着差异。在大多数情况下，流出的径流是改变水位的主要驱动因素。（2）结合多种机器学习方法是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。结果表明：（1）不同时期水位变化规律的机理存在显着差异。在大多数情况下，流出的径流是改变水位的主要驱动因素。（2）多种机器学习方法相结合是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。（2）结合多种机器学习方法是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。（2）多种机器学习方法相结合是提高湖泊水位预测精度的有效途径；（3）分段水位预测方法与混合机器学习模型的结合可以进一步提高水位预测的准确性。