基于ELMR-SVMR的海水水质预警模型研究

发布时间：2019-09-06 08:18

【摘要】：海水水质预警对海洋环境监控和保护有着重要的意义.极限学习机回归和支持向量机回归(extreme learning machine regression-support vector machine regression,ELMRSVMR)集成预警模型采用预测与评价相结合的方式,实现对未来海水富营养化状况综合预警的目的.其中SVMR方法用于构建海水富营养化评价模型;ELMR用于对未来一段时间的水质状况进行综合预测,ELMR的预测结果作为评价模型的输入变量.集成模型的可靠性直接影响预警的有效性,ELMR-SVMR的可靠性通过分析ELMR预测误差对SVMR评价模型的灵敏度得到.将各参变量的预测误差结果作为评价模型的灵敏度影响参量,通过灵敏度计算可获得对ELMR-SVMR模型的灵敏度评价.通过与其他方法的实验对比及分析,验证了该区域范围内所建ELMR-SVMR预警模型的有效性,为探索建立有效的海水水质预警模型提供了一种新途径.
【图文】：

富营养化,概念模型,时空

然后退出混沌进入下一阶段“细搜索”优化，这样能够有效地避免陷入局部极小点．２变量选取与评价标准２．１海水富营养化的定义海洋富营养化是指“海水中的营养物质过度增加，并导致生态系统有机质增多、低氧形成、藻华爆发等一些异常改变的过程”．现代富营养化模型［１２］的关键理化因子主要以营养盐负荷信号为主，综合考虑浮游植物生物量等直接响应和营养盐循环、食物网络结构等间接响应，进一步发展了早期富营养化概念模型，能够更好地反映海水富营养化的特点．现代时空富营养化概念模型如图１所示．图１现代时空富营养化概念模型Ｆｉｇ．１Ｔｈｅｃｏｎｃｅｐｔｍｏｄｅｌｏｆｍｏｄｅｒｎｓｐａｃｅ－ｔｉｍｅｅｕｔｒｏｐｈｉｃａｔｉｏｎ虽然导致沿海海洋富营养化过程的因素是复杂的，但是，是否需要将所有的因素都进行评估是值得探究的问题．根据海水富营养化的定义，，考虑以下两方面：（１）选取合适的海洋环境监测参数，参数应具有以下特点：易于监测，且保存有长期监测数据；能够进行空间规模的富营养化描述；被大量研究证实能够有效建立预测模型的参量．（２）以生物群落结构信息量化富营养化的变化趋势．这１８７第２期张颖等：基于ＥＬＭＲ－ＳＶＭＲ的海水水质预警模型研究

主成分,影响因子,权重,富营养化评价

０．９９２２９９．０２０６８．９６１５０．９１０７７８．２７９７７．２４０６０．８０６３８７．３３１８４．５７１７０．６０５６１５．５０６９０．０７７８０．４９５１４４．５０１９４．５７８９０．３９４０４３．５８２９８．１６０１００．２０２０２１．８３７９９．９９７１１０．０００２００．００３１００．０００从表１分析看出，排前６的主成分的累计贡献率达到８４．５７１％，基本上可以保留原来１１个变量所表征的信息，提取这６个主成分作为系统主要的输入变量．如图２所示，计算出各个影响因子在前６个主成分中所对应的权重值，计算公式为Ｆｊ＝ｅｊ１ｘ１＋ｅｊ２ｘ２＋…＋ｅｊｍｘｍ．图２各影响因子在前６个主成分中所占的权重Ｆｉｇ．２Ｔｈｅｗｅｉｇｈｔｓｏｆｔｈｅｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｓｏｎｔｈｅｆｒｏｎｔ６ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓ结合表１和图２可得水体富营养化影响因子的前６个主成分，从图２中可以看出温度、浑浊度、酸碱度、溶解氧、硝酸盐浓度、叶绿素－ａ浓度、光照强度（深、浅）为主要变量，但光照强度与其他变量均有关联，为了避免变量冗余，不将光照强度纳入评价参量中．２．３综合水质评价标准近海水域富营养化评价等级划分如表２所示．表中各参数评价标准的确定主要参考了国家海水水质标准（ＧＢ３０９７—１９９７）、海水水域富营养化各指标评价阈值以及中国近海海域水化学要素质量评价指数［１３］．表２近海水域富营养化评价等级划分Ｔａｂ．２Ｈｉｅｒａｒｃｈｙｏｆｏｆｆｓｈｏｒｅｓｅａｗａｔｅｒｅｕｔｒｏ
【作者单位】：上海海事大学信息工程学院;
【基金】：国家自然科学基金资助项目(61273068) 上海市科学技术委员会国际学术交流合作资助项目(15220721800) 上海市教育委员会科研创新资助项目(13YZ084)
【分类号】：X834

【相似文献】