基于BP神经网络的海河干流叶绿素浓度短时预测研究
本文选题:海河干流 切入点:叶绿素浓度 出处:《水利水电技术》2017年11期 论文类型:期刊论文
【摘要】:为实时预测海河干流水体藻华的暴发时段及影响程度,提高环境管理部门决策能力,以海河干流段典型断面的水质在线监测及气象站高频、实时数据为基础,基于BP神经网络,以实时叶绿素浓度、气温、光照强度和气压四项指标为输入变量,建立了叶绿素浓度日变化量的预测模型,对海河干流大光明桥处水域叶绿素浓度随时间的变化进行预测。结果表明:对海河干流叶绿素浓度短时预测影响较大的因素依次为溶解氧(叶绿素)、气温、光照强度、气压、降雨、电导率、相对湿度;预测时长越短,预测精度越高。当预测时长分别为24 h、12 h、6 h时,Nash效率系数分别为0.77、0.85、0.93,预报误差的标准误差分别为5.7μg/L、4.6μg/L、3.1μg/L;12 h内的预测精度可满足海河河道藻华预警的实际需求,为其短期预警提供了数据支撑。
[Abstract]:In order to predict the outbreak period and influence degree of algal blooms in Haihe River main stream in real time, and improve the decision-making ability of environmental management department, based on the on-line monitoring of water quality of typical sections of Haihe River and the high frequency and real time data of meteorological stations, BP neural network was used. A prediction model of diurnal variation of chlorophyll concentration was established with real-time chlorophyll concentration, temperature, light intensity and pressure as input variables. The variation of chlorophyll concentration with time at Daguang Bridge of main stream of Haihe River is predicted. The results show that the factors that influence the short-term prediction of chlorophyll concentration in the main stream of Haihe River are dissolved oxygen (chlorophyll), temperature, light intensity, pressure, etc. Rainfall, conductivity, relative humidity; shorter prediction time, The higher the prediction accuracy is, the higher the prediction accuracy is, when the prediction time is 24 h / 12 h / 6 h respectively, the Nash efficiency coefficient is 0.77 / 0. 85 / 0. 93 and the standard error of prediction error is 5. 7 渭 g / L / L ~ (4.6) 渭 g / L ~ (-1) / L ~ (-1) 3 渭 g / L ~ (-1) / L ~ (-1) / L ~ (12) h respectively, which can meet the actual demand for early warning of algal blooms in Haihe River. For its short-term warning to provide data support.
【作者单位】: 天津大学;天津市环境监测中心;天津市环境保护科学研究院;三峡大学;
【基金】:国家“十二五”水体污染控制与治理科技重大专项“海河干流水环境质量改善关键技术与综合示范”(2014ZX07203-009)
【分类号】:TP183;X522
【相似文献】
相关期刊论文 前10条
1 陈楚群,施平,毛庆文;南海海域叶绿素浓度分布特征的卫星遥感分析[J];热带海洋学报;2001年02期
2 郑小慎;李桂菊;;渤海湾春季叶绿素浓度分布及环境要素的影响[J];海洋技术学报;2014年02期
3 黄耀欢;江东;庄大方;付晶莹;;汤逊湖水体叶绿素浓度遥感估测研究[J];自然灾害学报;2012年02期
4 赵骞,田纪伟,赵仕兰,吴自库;渤海冬夏季营养盐和叶绿素a的分布特征[J];海洋科学;2004年04期
5 龚珍;卜晓波;李晔;陈锦凤;;东湖水体叶绿素浓度的遥感反演研究[J];安徽农业科学;2013年11期
6 陈思佳;苏德荣;勾玉莹;曹军;曹忠贵;;高尔夫球场水域蓝藻密度和叶绿素浓度变化——以北京叠泉高尔夫球场为例[J];环境科学与技术;2013年S1期
7 段洪涛;张柏;宋开山;王宗明;张树清;;查干湖叶绿素a浓度高光谱定量模型研究[J];环境科学;2006年03期
8 吕云峰;;水中叶绿素浓度偏振反射光谱特性研究[J];长春师范学院学报(自然科学版);2010年06期
9 矫晓阳;叶绿素α预报赤潮原理探索[J];海洋预报;2004年02期
10 顾亮;张玉超;钱新;钱瑜;;遥感指数在湖泊叶绿素a反演研究中的应用[J];环境保护科学;2008年02期
相关会议论文 前4条
1 鲁韦坤;谢国清;;MODIS监测滇池叶绿素a分布的遥感影像融合研究[A];中国气象学会2008年年会卫星遥感应用技术与处理方法分会场论文集[C];2008年
2 王昭洋;施彦;王小艺;白玉廷;许继平;王立;;基于决策树与BP神经网络的信息检索在水华治理决策中的应用[A];2014中国环境科学学会学术年会(第三章)[C];2014年
3 朱世平;刘载文;王小艺;戴军;;基于灰色-BP神经网络的水华预测方法[A];2009年中国智能自动化会议论文集(第二分册)[C];2009年
4 荀尚培;詹万志;范伟;;MODIS巢湖水体叶绿素a浓度监测研究[A];中国气象学会2006年年会“卫星遥感技术进展及应用”分会场论文集[C];2006年
相关博士学位论文 前1条
1 李渊;基于数据同化的太湖叶绿素浓度遥感估算[D];南京师范大学;2014年
相关硕士学位论文 前10条
1 马骅;高浊度长江河口水色三要素的光学特征及其对TSM反演的影响[D];华东师范大学;2015年
2 庞卉芳;藻类水体离水辐射光谱的荧光偏振识别研究[D];大连海事大学;2017年
3 吕云峰;水中叶绿素二向性与偏振反射光谱特性的对比研究[D];东北师范大学;2007年
4 肖明;叶片茸毛对城市植被叶绿素含量反演的影响[D];东北师范大学;2013年
5 赵迪;海水叶绿素a实时监测系统的研究[D];燕山大学;2012年
6 薛士琼;基于BP神经网络的空气质量预测及可视化的实现[D];天津大学;2016年
7 曲元;海洋污染水体的卫星遥感监测方法研究[D];大连海事大学;2000年
8 商云龙;基于BP神经网络的垃圾焚烧故障诊断的方法研究[D];北京化工大学;2006年
9 程玉欣;海水叶绿素现场检测仪的研制与性能研究[D];河北科技大学;2013年
10 王瑞;基于遗传优化BP神经网络的污水处理水质预测研究[D];华南理工大学;2012年
,本文编号:1625575
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1625575.html