伊犁河—巴尔喀什湖流域实际蒸散发时空变化特征及其环境影响因子

基于多种遥感数据,运用Mann-Kendall法、Theil-Sen median趋势分析、Pearson相关分析、水量平衡原理,探讨2000—2020年伊犁河—巴尔喀什湖流域实际蒸散发时空变化规律及其主要影响因素,并讨论了流域生态系统水资源供给量的变化。结果表明:(1)流域上、中、下游的多年平均年蒸散发量分别为439.0 mm、317.9 mm、201.1mm;其中上、中游在夏季的日蒸散发量最大,而下游在春季最大;流域上、中游蒸散发量的年内分配均为“单峰型”,峰值分别在7月与6月,下游为“双峰型”,峰值分别在3月与11月。(2)流域上、下游的年蒸散发量均呈现显著的上升趋势,显著区域主要分布在上游的伊犁河谷、天山山脉与下游的伊犁河三角洲附近;相对2000—2010年,2010—2020年伊犁河谷和伊犁河三角洲地区多年平均年蒸散发增加超过10%。(3)流域上、中游蒸散发与气温和NDVI呈现较高的正相关性;流域下游蒸散发与土壤湿度呈现较高的正相关性。(4)流域生态系统的水资源供给服务总量在2000—2020年有所下降,其中上游已多次出现缺口,中、下游在2020年开始出现缺口,需通过控制用水总量、提升用水效率保障水资源供需平衡。

基于机器学习的长江口溶解氧预测模型与评估

溶解氧是反映水体自净能力与水环境质量的重要因素,实现对长江口溶解氧的数据驱动预测,对于环境管理具有重要意义.机器学习的高效算法被引入到长江口溶解氧的监测和预测工作中,挑选了位于该区域的6个关键监测站点:徐六泾、南通港、启东港、青龙港、南港和北港.首先探究了长江口溶解氧与其他水质因子间的响应和关系,然后使用改进支持向量机回归、人工神经网络和随机森林这3种模型,对2004~2020年月均水质数据进行模型预测对比分析.随机森林重要性评价说明温度、5日生化需氧量和氨氮这3个水质因子在6个断面的重要性指数均排名靠前,说明这3个水质因子对长江口溶解氧的浓度时空分布影响较大.改进支持向量机回归、人工神经网络和随机森林这3种机器学习模型预测结果中,随机森林模型在6个监测断面的总体平均误差为0.19,改进支持向量机回归和人工神经网络模型分别为0.38和0.47,3种模型均有较高的预测能力.对机器学习模型预测性能进行评价,得到训练集上的整体预测性能排名是RF(R^(2)=0.971;RMSE=0.341 mg·L^(-1))>PSO-SVR(R^(2)=0.884;RMSE=0.707 mg·L^(-1))>ANN(R^(2)=0.792;RMSE=0.967 mg·L^(-1)).测试集上的整体预测性能排名为RF(R^(2)=0.986;RMSE=0.165 mg·L^(-1))>PSO-SVR(R^(2)=0.951;RMSE=0.332 mg·L^(-1))>ANN(R^(2)=0.800;RMSE=0.633 mg·L^(-1)).因此,RF模型在所有监测断面上均表现出最佳预测能力,无论是在训练集还是测试集上都显示出优异的性能和泛化能力.