基于神经网络的城市内湖水华预警综合建模方法研究
本文选题：水华 + 风险概率 ； 参考：《中国环境科学》2017年05期
【摘要】：针对城市内湖水华产生过程存在复杂性、时变性、不确定性等特点,运用内集-外集、粗糙集约简和RBF神经网络模型,通过水华藻生物量阈值界定、风险概率计算、预警等级划分、预警因子识别和神经网络预测模型的研究,提出一种城市内湖水华预警综合建模方法.以天津清净湖为例,利用p H值、水温等12项水质指标监测数据,确定清净湖水华的叶绿素a浓度阈值为70.98?g/L,依据水华风险概率划分5个水华预警等级,并确定水温、溶解氧、高锰酸盐指数和TDS为水华预警因子.利用RBF神经网络技术构建清净湖水华预警模型,验证结果显示,模型预测精度达85.7%,表明该方法能较好地用于城市内湖水华预警模型构建.
[Abstract]:In view of the complexity, time variability and uncertainty in the process of water bloom generation in urban lakes, the risk probability was calculated by means of Shui Hua biomass threshold, rough set reduction and RBF neural network model. This paper presents a comprehensive modeling method for early warning of lake blooms in cities by studying the classification of early warning grades, the recognition of early warning factors and the prediction model of neural network. Taking Qingjing Lake in Tianjin as an example, using the monitoring data of 12 water quality indexes, such as pH value and water temperature, the threshold value of chlorophyll a concentration in Qingjing Lake water bloom is determined to be 70.98 g / L, and five Shui Hua warning grades are classified according to the risk probability of Shui Hua, and the water temperature and dissolved oxygen are determined. Permanganate index and TDS were Shui Hua warning factors. The early warning model of Qingjing lake water bloom is constructed by using RBF neural network technology. The results show that the prediction accuracy of the model is 85.7, which indicates that this method can be used to construct the early warning model of lake water bloom in city.
【作者单位】： 天津城建大学环境与市政工程学院;天津市水质科学与技术重点实验室;
【基金】：天津市自然科学基金(15JCYBJC49100) 天津水质科学与技术重点实验室开放基金(TJKLAST-ZD-2015-01)
【分类号】：X524
【相似文献】
相关期刊论文 前10条
1 李少华,董向元,于静梅;基于神经网络的大气污染预报方法的研究[J];东北电力学院学报;2003年04期
2 冯利华;张行才;;神经网络在环境质量评价中的问题[J];微计算机应用;2008年02期
3 王芳;程水源;李明君;范清;;遗传算法优化神经网络用于大气污染预报[J];北京工业大学学报;2009年09期
4 王德喜;王晓凯;王小艺;;基于灰色-神经网络的城市湖库水华预测研究[J];测试技术学报;2013年04期
5 郭庆春;何振芳;李力;;人工神经网络在黄河水环境质量评价中的应用[J];河南科学;2012年07期
6 王灿星,候树强;杭州市区大气中PM_(10)等污染物的预测研究[J];仪器仪表学报;2004年S1期
7 崔明;马国建;;神经网络在渤海湾富营养化模型中的研究[J];山西建筑;2011年15期
8 周建康,熊亚南,朱春龙;基于MATLAB下BP网络在河流污染物浓度预报中的应用[J];水利水电技术;2004年09期
9 国锋;;基于广义回归神经网络的赤潮预警[J];信息化纵横;2009年18期
10 杨文娟;;神经网络和主元分析—神经网络软测量技术在污水处理系统中的应用[J];地球科学与环境学报;2008年01期
相关会议论文 前9条
1 牛东晓;王海峰;成功;;基于BP神经网络的河北省大气环境质量评价[A];2006中国控制与决策学术年会论文集[C];2006年
2 余新新;肖新平;刘小燕;宋娅莉;魏利军;朱晓明;郑龙;;神经网络技术在水质量控制系统中的应用研究[A];第六届中国青年运筹与管理学者大会论文集[C];2004年
3 郑勇明;吴信民;张叶;杨亚新;;BP神经网络方法在铀矿山辐射环境评价中的应用研究[A];中国核科学技术进展报告（第二卷）——中国核学会2011年学术年会论文集第5册（辐射防护分卷、核化工分卷）[C];2011年
4 邱海源;赵汝荣;白振炎;陈琦;郑武杰;黄金莲;;粒子群算法优化BP神经网络生态评估界限模型[A];中国地质学会2013年学术年会论文摘要汇编——S16矿山地质环境防治研讨会分会场[C];2013年
5 王灿星;祁国伟;何曦;卓国祥;;BP神经网络用于大气中颗粒物(TSP)预测的研究[A];全面建设小康社会：中国科技工作者的历史责任——中国科协2003年学术年会论文集（上）[C];2003年
6 张颖颖;侯广利;刘岩;范萍萍;;基于时间序列神经网络的水质预测方法研究[A];中国海洋学会2013年学术年会第14分会场海洋装备与海洋开发保障技术发展研讨会论文集[C];2013年
7 朱宪春;乐群;;基于GA-BP神经网络的pm_(10)API指数预报[A];第七届长三角气象科技论坛论文集[C];2010年
8 王灿星;祁国伟;何曦;卓国祥;;BP神经网络用于大气中颗粒物(TSP)预测的研究[A];首届信息获取与处理学术会议论文集[C];2003年
9 钟进;唐宇;李建华;朱晓彦;;基于优化的BP神经网络的企业环境行为的信用评价[A];2014中国环境科学学会学术年会（第三章）[C];2014年
相关博士学位论文 前2条
1 陈柳;小波分析和神经网络应用于大气污染预测的研究[D];西安建筑科技大学;2006年
2 徐华;空气污染和水污染的管理方法模型[D];南京理工大学;2009年
相关硕士学位论文 前10条
1 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年
2 夏小鹏;基于ESN模型的北京市PM2.5日均浓度污染等级预测与时空分布分析[D];中国地质大学(北京);2015年
3 刘子翔;基于GA和LM算法优化的BP神经网络在域市空气质量预n,中的应用研究[D];山东大学;2015年
4 龚雪飞;基于集成神经网络的多元有害气体定量检测方法研究[D];宁波大学;2015年
5 王丽丹;基于尖峰自组织递归RBF神经网络的SVI软测量研究[D];北京工业大学;2015年
6 谢超;华北西部地区典型城市环境污染特征、变化规律、环境气象相关性及预测研究[D];北京工业大学;2015年
7 刘会文;基于模糊综合评价和BP神经网络的景观河道水质评价研究[D];河北工业大学;2015年
8 潘婷;时序分析法在碳价市场预测与分析上的应用[D];湖南师范大学;2015年
9 成华义;GA-PSO-BP神经网络在大气污染物浓度预测中的应用研究[D];华中科技大学;2014年
10 姚雪;基于相容粗糙集的神经网络湿地遥感分类研究[D];沈阳农业大学;2016年
，本文编号：1978421
本文链接：https://www.wllwen.com/shengtaihuanjingbaohulunwen/1978421.html
