基于人工智能方法的长春新立城水库水质分析及富营养化趋势研究

发布时间：2021-11-06 23:00

　　新立城水库是长春市的饮用水源地之一,其水质状况直接关系到长春市民的饮水安全。近年来在新立城水源保护区内出现了多种污染源,水库水质受到污染,特别是在2007年曾爆发了较大规模水华和富营养化。本文以新立城水库为研究对象,分析了水库近年来的水质变化特征,运用人工神经网络和支持向量机方法对该水库水质和富营养化进行评价和预测,取得良好的效果。在水质特征分析方面,根据历史监测数据对水库水质2008年和2009年进行了单因子评价法和模糊综合评价法等常规水质特征分析;运用支持向量机法对水库水质进行了分类,发现水库中游和坝前水质总体上为II水体,但在夏季水质降低到了III甚至IV类。在水质预测方面,运用神经网络和支持向量机对重点国家规划控制的COD,氨氮两个水质指标进行预测。在富营养化预测方面,通过人工神经网络插值的方法生成了足够的训练样本。经过神经元权重分析,确立三因子水质指标（总磷,温度,叶绿素a）与富营养化程度之间的关系。用前一周的水温、叶绿素a、总磷进行预测下一周的富营养化状况（叶绿素a的浓度）。通过人工神经网络建立了新立城水库大坝监测点的短期富营养化预测模型。经检验,同一监测点的预测误差小于7... 

【文章来源】：东北师范大学吉林省 211工程院校 教育部直属院校

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意义
    1.2 湖库富营养化评价及趋势预测研究
    1.3 神经网络在水环境评价与预测中应用研究
    1.4 支持向量机在水环境评价与预测中应用研究
    1.5 研究内容与技术路线
第2章 新立城水库水质现状评价及趋势预测
    2.1 新立城水库水质特征
    2.2 水质变化趋势分析
    2.3 基于SVM的新立城水库水质变化趋势预测
    2.4 本章小结
第3章 新立城水库水质富营养化评价
    3.1 富营养化评价因子的选择
    3.2 水库富营养化评价模型
    3.3 新立城水库富营养化评价分析
    3.4 本章小结
第4章 新立城水库富营养化预测
    4.1 预测思路与可行性分析
    4.2 基于BP神经网络的富营养化预测
    4.3 BP神经网络训练与测试
    4.4 BP神经网络确证与应用
    4.5 基于支持向量回归机的富营养化预测
    4.6 ε-SVR 预测模型训练与测试
    4.7 ε-SVR 模型的检验和结果分析
    4.8 本章小结
第5章 结论与建议
参考文献
致谢


【参考文献】：
期刊论文
[1]太湖水体叶绿素a含量与氮磷浓度的关系[J]. 陈永根,刘伟龙,韩红娟,胡维平.  生态学杂志. 2007(12)
[2]基于支持向量机的水环境质量综合评价[J]. 刘坤,刘贤赵,孙瑾,孟翠玲.  中国环境监测. 2007(03)
[3]支持向量机回归方法在地表水水质评价中的应用[J]. 马文涛.  数学的实践与认识. 2007(09)
[4]支持向量机在水质评价中的应用[J]. 徐劲力.  中国农村水利水电. 2007(03)
[5]改进的支持向量回归机及其在水质预测中的应用[J]. 徐红敏,刘亚禄.  统计与决策. 2006(23)
[6]人工神经网络水质预测模型研究[J]. 张志.  内蒙古大学学报(自然科学版). 2006(06)
[7]水质评价模式识别的BP神经网络方法[J]. 韩波,孙利,黄勇.  广州环境科学. 2005(04)
[8]浮床植物系统对富营养化水体中氮、磷净化特征的初步研究[J]. 周小平,王建国,薛利红,徐晓峰,杨林章.  应用生态学报. 2005(11)
[9]几种水生维管束植物对水中氮、磷吸收率的比较[J]. 万志刚,沈颂东,顾福根,张敏,孙中林,杨勇,徐光磊,孙丙耀.  淡水渔业. 2004(05)
[10]人工神经网络模型在太湖富营养化评价中的应用[J]. 任黎,董增川,李少华.  河海大学学报(自然科学版). 2004(02)



本文编号：3480684