河流水质时间序列分析的自组织预测方法及应用

应用前苏联学者伊万年科基于生物控制论中的自组织原理提出的一种数据组合处理方法,有效地解决复杂非线性系统建模预测。以汾河某段的水污染时间序列监测数据为基础,建立了一个河流水质污染预测的自组织模型,其建模样本的拟合值和检验样本的预测值相对误差分别在3.1％和5.3％以内。结果表明,自组织模型能较好地描述水污染时间序列数据之间的非线性关系,适合复杂水环境污染系统的预测工作。

水质时间序列的遗传神经网络预测

采用遗传算法结合神经网络的方法构建了水质时间序列的遗传神经网络预测模型,并以耗氧量为例,将该模型与自回归滑动平均模型、标准BP神经网络模型做了预测对比。研究结果表明该方法可以减小水质时间序列的预测误差,提高预测结果的稳定性。

基于动态滑动窗口BP神经网络的水质时间序列预测

为提高BP神经网络(BPNN)模型对具有时间序列特征水质的预测精准度,采用主成分分析法对原始样本数据进行特征提取和降维,选取溶解性有机碳(DOC)浓度、总氮(TN)浓度和浊度作为水质预测指标,构建了具有3层网络结构的BPNN模型进行预测,并分析其预测性能。结果表明:DOC浓度、TN浓度和浊度的最佳训练集尺寸分别为60、60和90 d,最佳BPNN拓扑结构分别为9-12-1、8-6-1和7-13-1,经优化后的BPNN模型对DOC浓度、TN浓度和浊度的变化趋势整体预测效果较好;相比之下,BPNN模型对水中DOC浓度的预测效果显著优于TN浓度和浊度,其均方根误差(RMSE)、平均绝对百分比误差(MAPE)和相关系数(R)分别为0.040、0.66%和0.867。该模型对具有非线性特征的地表水水质预测具有较好的适用性,预测精度较高。

山东南四湖上级湖水质变化评价(2008—2014年)及成因分析

基于南四湖上级湖6个监测点2008—2014年42个奇数月份的水质资料,选取溶解氧、化学需氧量(COD)、高锰酸盐指数(COD_(Mn))、五日生化需氧量(BOD_5)、氨氮、总磷和氟化物作为水质评价的指标.对水质指标的归一化方法进行了改进,采用主成分分析法对6个监测点的水质综合状况进行评价,根据得出的各月综合得分序列分析水质变化趋势.与2000—2007年南四湖上级湖的水质综合状况进行比较,2008—2014年水质明显变好.评价结果表明,同一监测点的水质在不同时间点上有明显变化,同一时间序列不同监测点的水质状况也有不同变化.此外,分析得出南四湖上级湖的主要水质影响指标为COD、COD_(Mn)和BOD_5.结合评价结果,分析水质变化原因,入湖河流水质状况和湖区底泥是其重要影响因素.