微宇宙环境下调控初始条件的藻类预测模型

为建立更为精确的藻类预测模型以满足具有不同营养盐特征的水体藻类生物量预测需求,在微宇宙环境中调控初始营养盐条件,模拟藻类生长过程并引入相关修正因子建立藻类预测模型.结果表明:氮磷比为5∶1时,引入总氮(TN)为修正因子的预测方程精度高;氮磷比为15∶1和25∶1时,以总磷(TP)为修正因子的预测方程精度高.微宇宙环境下调控初始条件所建立起的藻类生长预测模型有助于水厂更为精确地预测藻类生物量.

基于NARX神经网络的千岛湖藻类短期预测模型构建

局部水域的藻类异常增殖现象逐渐成为千岛湖面临的水环境保护难题.构建以数据驱动的水华预测模型,实现对重点水域叶绿素a(Chla)浓度短期动态变化的预测,是快速应对潜在水华风险的有效手段之一.鉴于NARX神经网络在预测非平稳时间序列动态特征方面的优势,以千岛湖国控监测断面小金山2016—2019年Chla的高频时间序列作为研究对象,对Chla剖面数据进行沿深平均、缺失值插补后,分别以连续3 d和连续7 d的Chla浓度作为输入,构建了基于NARX神经网络的藻类预测模型,用于预测未来0.5~7 d Chla浓度的变化,探讨了相关参数设置、训练及评价方法,并针对不同的预见期分析了模型性能.结果表明:①模型预测性能稳定,预测值与实测值相关系数保持在0.8~0.9之间,均方误差在15~30之间.②随着预见期的变化,模型性能不同.其中,在未来0.5~4 d的预测中,使用连续3 d的Chla浓度作为输入的预测效果较好;在未来4.5~7 d的预测中,使用连续7 d的Chla浓度作为输入的预测效果较好.研究显示,该模型可以较为准确地预测未来0.5~7 d的Chla浓度,可为构建以数据驱动的千岛湖水华监测预警系统提供科学依据.

BP神经网络用于藻类生长预测的改进

针对传统的BP神经网络应用于藻类生长预测时,往往出现训练时间较长、输出数据精度低等问题。本文提出了在含有两层隐含层的BP神经网络结构中,对于数量一定的神经元,若神经元在隐含层分配合理,则BP神经网络可以达到减少训练次数并且能满足问题精度的要求。应用实例表明,该方法对预测藻类生长显得非常有效。

原水监测中叶绿素a与藻类相关性

为探究叶绿素a与藻密度的相关性,试验分别以实验室条件下的纯藻种和水源型水库中的天然藻体为研究对象,通过定期对叶绿素a、藻密度的变化对比及线性相关性分析得出,实验室条件下单一藻种的叶绿素a与藻密度间存在显著线性正相关,水源型水库中叶绿素a与藻密度的相关性具有季节性特征,并通过LINEST函数模拟叶绿素a与藻密度的线性方程,构建叶绿素a-藻密度预测模型,可为水厂的藻类预警监测提供新思路。