基于ANN和SVM的三峡水库香溪河库湾富营养化预测研究

论文摘要

三峡水库蓄水后,库区水文条件发生明显改变,各支流回水区出现大面积水体富营养化现象,其显著特征是藻类暴发性增长引起水体叶绿素a浓度增加,因此,通过对叶绿素a浓度的模拟预测可以直观地反映出水体富营养化的变化态势。本文在分析香溪河库湾富营养化主要影响因子的基础上,分别采用人工神经网络和支持向量机方法建立模型对富营养化状况作了短期预测和预警。主要研究工作及成果如下:（1）收集、整理了依托三峡大学香溪河水生态与环境野外观测站获取的库湾2008～2010年水环境数据,分析了香溪河定点监测处水环境相关因子的时间序列变化,对三峡水库香溪河库湾的富营养化状况进行了探讨。（2）依次运用主成分分析、指标聚类分析和灰色关联分析,从香溪河野外定点监测的18个水环境参数中,筛选出了与表征富营养化程度的叶绿素a浓度这一因子关联度大的Zeu/Zmix、TP、WT、TN/TP、D-Si和SD等6类影响富营养化的参数因子。（3）以2008～2010年香溪河库湾水环境监测数据为基础,建立了香溪河富营养化GA-BP预测模型,用前一周的Zeu/Zmix、TP、WT、TN/TP、D-Si、SD和叶绿素a浓度等7个参数因子预测后一周的富营养化状况（叶绿素a浓度）,模型检验结果表明,模型能大致反映叶绿素a浓度的变化趋势,但不能对其量值做出较准确的预测,预测效果不太令人满意。（4）基于同样的数据建立了香溪河富营养化GA-SVM预测模型,预测模型较好地预测了叶绿素a浓度的变化趋势,预测值与实测值呈较强的线性相关关系,直线斜率为0.86,相关系数为R=0.97974。当香溪河发生富营养化时（叶绿素a浓度大于10mg/m3）,模型预测的相对误差较小,模型预测的最小相对误差为6.49%,最大相对误差为27.94%,平均相对误差为14.75%;当香溪河未发生富营养化时（叶绿素a浓度小于10mg/m3）,尽管模型预测的相对误差较大,但预测结果仍然能反映香溪河未发生富营养化的事实。（5）从拟合和预测方面对两种预测方法做了对比,GA-SVM模型的拟合能力和预测能力均优于GA-BP模型,同时,GA-SVM模型具有更好的稳健性。GA-SVM模型的预测效果较好,能够用于香溪河水体叶绿素a浓度的短期预测。（6）在郑丙辉等人所提出的三峡水库水体富营养化评价标准的基础上,提出了香溪河富营养化预警等级划分的方案,并采用叶绿素a浓度的预测值进行了预警,在10次预警中,8次预警结果真实准确,仅有2次预警结果的等级低于实际情况,预警效果良好。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 水体富营养化
• 1.2.1 水体富营养化的概念
• 1.2.2 水体富营养化的成因
• 1.2.3 水体富营养化治理及生态恢复
• 1.3 水体富营养化预测
• 1.3.1 富营养化预测方法
• 1.3.2 智能算法在富营养化预测中的研究现状
• 1.4 课题提出及本文研究工作
• 1.4.1 课题的提出
• 1.4.2 研究内容
• 1.4.3 技术路线
• 2 三峡水库香溪河库湾富营养化特征
• 2.1 香溪河库湾概述
• 2.1.1 香溪河自然地理特征
• 2.1.2 香溪河水文气象特征
• 2.1.3 香溪河污染概况
• 2.2 研究方法
• 2.2.1 采样点设置
• 2.2.2 监测指标与方法
• 2.3 香溪河库湾富营养化状况
• 2.3.1 水温、电导率和DO
• 2.3.2 N、P、Si营养盐
• 2.3.3 真光层、混合层及比值
• 2.3.4 叶绿素a
• 2.4 富营养化主控因子选择
• 2.4.1 主成分分析过程及结果
• 2.4.3 指标聚类分析过程及结果
• 2.4.4 灰色关联分析过程及结果
• 2.5 本章小结
• 3 BP 神经网络在香溪河富营养化预测中的应用
• 3.1 人工神经网络的基本理论
• 3.1.1 人工神经元模型
• 3.1.2 人工神经网络结构
• 3.2 BP 神经网络算法
• 3.2.1 BP 神经网络概述
• 3.2.2 BP 神经网络原理
• 3.2.3 BP 神经网络的不足
• 3.3 遗传算法基本理论
• 3.3.1 遗传算法的基本遗传算子
• 3.3.2 标准遗传算法运算过程
• 3.3.3 遗传算法的特点
• 3.4 基于GA-BP 的富营养化预测建模
• 3.4.1 建模方法及步骤
• 3.4.2 BP 神经网络拓扑结构
• 3.4.3 样本预处理
• 3.4.4 GA-BP 模型参数设置
• 3.4.5 GA-BP 预测模型训练
• 3.4.6 预测结果及分析
• 3.5 本章小结
• 4 支持向量机在香溪河富营养化预测中的应用.
• 4.1 支持向量机的基本理论
• 4.1.1 支持向量机算法
• 4.1.2 支持向量机回归算法
• 4.2 基于GA-SVM 的富营养化预测建模
• 4.2.1 建模方法及步骤
• 4.2.2 样本预处理
• 4.2.3 GA-SVM 模型参数设置
• 4.2.4 GA-SVM 预测模型训练
• 4.2.5 预测结果及分析
• 4.3 两种预测方法对比分析
• 4.4 本章小结
• 5 富营养化预警
• 5.1 富营养化预警的意义
• 5.2 富营养化预警的方法
• 5.3 富营养化预警的基本流程
• 5.3.1 分析警素
• 5.3.2 发现警情
• 5.3.3 寻找警源
• 5.3.4 分析警兆
• 5.3.5 预报警度
• 5.3.6 排除警患
• 5.4 香溪河富营养化预警
• 5.5 应急措施
• 5.6 本章小结
• 6 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢
• 附录
• A.攻读硕士学位期间发表的学术论文
• B. 攻读硕士学位期间参与的项目研究