期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
三种机器学习模型在太湖藻华面积预测中的应用 被引量:17
1
作者 吴娟 朱跃龙 +5 位作者 金松 杨涛 冯钧 吴志勇 薛涛 姜悦美 《河海大学学报(自然科学版)》 CAS CSCD 北大核心 2020年第6期542-551,共10页
基于2014—2018年太湖气象水文水质数据与卫星遥感数据,分别采用支持向量机(SVM)、长短记忆神经网络(LSTM)、极端梯度提升树(XGBoost)模型模拟全太湖、贡湖、南部沿岸区、中西北湖区的蓝藻水华(简称藻华)面积。结果表明:(a)XGBoost全太... 基于2014—2018年太湖气象水文水质数据与卫星遥感数据,分别采用支持向量机(SVM)、长短记忆神经网络(LSTM)、极端梯度提升树(XGBoost)模型模拟全太湖、贡湖、南部沿岸区、中西北湖区的蓝藻水华(简称藻华)面积。结果表明:(a)XGBoost全太湖与分区藻华面积回归模型模拟效果较好,其次是SVM、LSTM回归模型;不同时间尺度下SVM、XGBoost回归模型对全太湖藻华面积模拟结果偏小,但有效模拟了藻华的发展趋势。(b)XGBoost分类模型在全太湖、中西北湖区模拟准确率较高,优于SVM、LSTM分类模型;在贡湖、南部沿岸区,3种分类模型准确率均较高。(c)以当天、提前1 d的气象水文水质因子作为全太湖与分区藻华面积模型输入,XGBoost回归与分类模型模拟精度较高、稳健性较好,预测应用情景较好。 展开更多
关键词 机器学习 蓝藻水华模拟 支持向量机 长短记忆神经网络 极端梯度提升树 太湖
下载PDF
城市湖库蓝藻水华形成机理综合建模研究 被引量:6
2
作者 王小艺 赵晓平 +2 位作者 刘载文 许继平 董硕琦 《环境科学学报》 CAS CSCD 北大核心 2012年第7期1677-1683,共7页
蓝藻水华形成是诸多营养及环境因素相互作用的结果,因此,本文对城市湖库蓝藻水华形成(包括复苏、萌芽、生长、暴发阶段)这一复杂生态过程进行了综合建模研究.通过在阳光房中模拟湖库蓝藻水华形成过程,采用正交实验分析获得蓝藻生长的关... 蓝藻水华形成是诸多营养及环境因素相互作用的结果,因此,本文对城市湖库蓝藻水华形成(包括复苏、萌芽、生长、暴发阶段)这一复杂生态过程进行了综合建模研究.通过在阳光房中模拟湖库蓝藻水华形成过程,采用正交实验分析获得蓝藻生长的关键影响因素,并为蓝藻水华形成机理建模提供相应参量.在此基础上,构建了用于模拟湖库蓝藻水华形成过程的蓝藻生长机理模型,采用遗传算法对机理模型中涉及的参数进行优化率定;同时,考虑蓝藻水华暴发阶段具有突变特性,建立了描述蓝藻水华暴发状态的尖点突变模型,进而构建了城市湖库蓝藻水华形成各阶段的综合机理模型.实验仿真结果表明,该综合机理模型能较好地模拟城市湖库蓝藻从复苏到暴发整个过程的变化规律,且该模型结合了数学机理建模和智能方法的优势,克服了单一蓝藻水华机理模型的缺陷,为湖库蓝藻水华形成机理的深入研究提供了新思路. 展开更多
关键词 蓝藻水华模拟实验 形成机理 遗传算法 尖点突变模型
原文传递
Numerical simulation of an algal bloom in Dianshan Lake 被引量:2
3
作者 陈义中 林卫青 +1 位作者 朱建荣 卢士强 《Chinese Journal of Oceanology and Limnology》 SCIE CAS CSCD 2016年第1期231-244,共14页
A hydrodynamic model and an aquatic ecology model of Dianshan Lake,Shanghai,were built using a hydrodynamic simulation module and the water quality simulation module of Delft3D,which is an integrated modelling suite o... A hydrodynamic model and an aquatic ecology model of Dianshan Lake,Shanghai,were built using a hydrodynamic simulation module and the water quality simulation module of Delft3D,which is an integrated modelling suite offered by Deltares. The simulated water elevation,current velocity,and direction were validated with observed data to ensure the reliability of hydrodynamic model. The seasonal growth of different algae was analyzed with consideration of observed and historical data,as well as simulated results. In 2008,the dominant algae in Dianshan Lake was Bacillariophyta from February to March,while it was Chlorophyta from April to May,and Cyanophyta from July to August. In summer,the biomass of Cyanophyta grew quickly,reaching levels much higher than the peaks of Bacillariophyta and Chlorophyta. Algae blooms primarily occurred in the stagnation regions. This phenomenon indicates that water residence time can influence algal growth significantly. A longer water residence time was associated with higher algal growth. Two conclusions were drawn from several simulations: reducing the nutrients inflow had little effect on algal blooms in Dianshan Lake; however,increasing the discharge into Dianshan Lake could change the flow field characteristic and narrow the range of stagnation regions,resulting in inhibition of algal aggregation and propagation and a subsequent reduction in areas of high concentration algae. 展开更多
关键词 EUTROPHICATION algae bloom ecological model Dianshan Lake
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部