基于神经网络的藻类水华建模与预测研究

发布时间：2020-08-03 11:26

【摘要】： 本文的研究工作主要着眼于利用神经网络模型对藻类水华进行建模和预测。一方面期望通过结合敏感分析方法来促进我们对于环境因素对藻类水华影响的认识,另一方面期望能够获得具有良好性能的藻类水华预测模型。论文第一章首先介绍水体富营养化和藻类水华问题,以及藻类水华建模研究的主要目的。然后对藻类水华建模(藻类生物量建模)的研究文献进行综述,并介绍了神经网络方法在这一领域的应用。最后,在文献综述的基础上提出了本文的主要研究方法和研究内容。第二章是BP神经网络在滇池藻类水华建模的实证研究。滇池是一个水体浑浊的浅水湖泊,位于中国的西南地区。自1985年以来,滇池已经遭受过多次严重的水华,引起水华发生的藻类中最主要的是微囊藻(Microcystis spp.)。在水华极端严重的情形下,滇池中藻类生物量曾超过每升30亿个。为了预测滇池中微囊藻(Microcystis spp.)的生物量变化以及探索微囊藻(Microcystis spp.)生物量的动力学特性,作者开发了一个基于BP神经网络的模型。将模型预测的藻类生物量和实际观测值进行相关分析,相关系数R2(correlation coefficient)达到0.911。基于训练后得到的神经网络,我们进行了敏感分析。敏感分析的主要目的是研究不同环境因素的变化对微囊藻(Microcystis spp.)生物量变化的影响。敏感分析的结果表明一个较小的pH增量,可以引起微囊藻(Microcystis spp.)生物量的显著减少。并且,针对原始数据的进一步研究表明:微囊藻(Microcystis spp.)生物量对pH值升高的反应依赖于藻类生物量本身以及pH值的高低。当滇池中微囊藻(Microcystis spp.)生物量和pH值处于中等或较低水平时,pH值的增加更倾向于引起微囊藻(Microcystis spp.)生物量的增加;反之,当滇池中微囊藻(Microcystis spp.)生物量和pH值处于较高水平时,pH值的增加则倾向于引起微囊藻(Microcystis spp.)生物量的减少。总之,滇池中微囊藻生物量对pH变化的独特反应特性可由极高的藻类生物量和较高的pH值水平的来进行解释。本章还对其它环境变量的变化对藻类生物量的影响进行了阐述。所有环境变量中,水温一个标准差的增量对微囊藻(Microcystis spp.)生物量的正面影响最强。化学需氧量(chemical oxygen demand,COD)和总磷(total phosphorus,TP)也和微囊藻(Microcystis spp.)生物量具有较强的正相关性。而总氮(total nitrogen,TN)、五日生物需氧量(biological oxygen demand in five days,BOD5)和溶解氧(dissolved oxygen,DO)与微囊藻(Microcystis spp.)生物量之间只有较弱的相关性。此外,透明度(transparency,Tr)和微囊藻(Microcystis spp.)生物量之间具有中等程度的正相关。第三章将径向基函数(Radial basis function,RBF)神经网络应用于澳大利亚Darling河的水华建模研究。结果表明,训练后RBF神经网络能够准确预测Darling河中引起水华的两种主要藻种,Nostocales spp(.后文简写为Nostocales)和Anabaena spp.(后文简写为Anabaena),的生物量。同时,我们还进行了敏感分析研究,以阐明Nostocales和Anabaena的生物量动力学特征。敏感分析的结果表明,总动氮(total kinetic nitrogen)对这两类藻的生长都有非常强的正面影响。其次,水电导率与这两类藻的藻生物量之间具有非常强的负相关关系。第三,河水流量也确认为水华形成的一个非常突出的原因。在本章中,我们还通过散点图技术较为形象地展现了较高的河水流量可以显著减少两种藻的藻生物量这一事实。最后,研究结果表明其它变量,如透明度、水颜色和pH值,对Darling河水华的形成没有前面所述因素那么重要。第四章通过分析澳大利亚Darling河Nostocales藻(Nostocales spp.)的历史数据,首先阐明Nostocales藻(Nostocales spp.)生物量时间序列的非平稳特性。进而说明淡水生态系统倾向于呈现出非平稳特性,而不是平稳特性。而非平稳特性则意味着只有系统“近期的过去”才能够预测系统“近期的未来”。然而,在所有过去的藻生态预测和建模的研究工作中,研究者都没有认真对待和关注系统的非平稳特性。在本章的研究中,作者构造了一种结合时间窗口技术的径向基函数神经网络方法来进行非平稳藻生态时间序列的建模与预测研究,并具体用来预测Darling河Nostocales藻(Nostocales spp.)生物量时间序列。结果表明,结合时间窗口技术的径向基函数神经网络模型能够有效地预测Nostocales藻(Nostocales spp.)水华的发生及其强度。此外,基于多个结合不同尺寸时间窗口的径向基函数神经网络模型,我们特别构造了一个智能组合器将多个径向基函数模型的预测结果进行智能选择,并得到了比单个径向基函数模型更好的预测结果。第五章对全文进行总结,并对未来的研究进行了展望。
【学位授予单位】：华中科技大学
【学位级别】：博士
【学位授予年份】：2007
【分类号】：X52
【图文】：

叶绿素密度,滇池,采样点,观测值

19图2.1A 滇池（10个采样点）叶绿素密度的观测值（2000.9-2002.12）说明：1#采样点28个月的值是最前面的28个数据，之后依次为2#、3#、…、10#采样点的数据。所以，图中总计有280个数据点。图2.1B 滇池（10个采样点）微囊藻生物量的观测值（2000.9-2002.12）说明：1#采样点28个月的值是最前面的28个数据，之后依次为2#、3#、…、10#采样点的数据。所以，图中总计有280个数据点。

采样点,微囊藻,滇池,观测值

说明：1#采样点28个月的值是最前面的28个数据，之后依次为2#、3#、…、10#采样点的数据。所以，图中总计有280个数据点。图2.1B 滇池（10个采样点）微囊藻生物量的观测值（2000.9-2002.12）说明：1#采样点28个月的值是最前面的28个数据，之后依次为2#、3#、…、10#采样点的数据。所以，图中总计有280个数据点。

滇池,采样点,总氮,观测值

20图2.1C 滇池（10个采样点）总氮（TN）的观测值（2000.9-2002.12）说明：1#采样点28个月的值是最前面的28个数据，之后依次为2#、3#、…、10#采样点的数据。所以，图中总计有280个数据点。图2.1D 滇池（10个采样点）总磷（TP）的观测值（2000.9-2002.12）说明：1#采样点28个月的值是最前面的28个数据，之后依次为2#、3#、…、10#采样点的数据。所以，图中总计有280个数据点。

【引证文献】