BP模型在河流水质预测中的误差分析

为验证BP模型在河流水质预测中的有效性,利用仿真技术模拟一条河流污染物的变化趋势,并得到大量的河流水质参数数据.用上游已知河段的水质数据预测该河流下游10个检测断面的水质状况.预测过程分2种情况进行:长距离预测(一次连续预测下游10个河段)和短距离预测(每次连续预测下游2个河段),并以MSE函数生成均方误差作为对2种预测方法性能的检验.结果显示,长距离预测的性能低于短距离预测,2种方法对溶解氧预测的均方误差为0.432和0.035,对生化需氧量预测的均方误差分别为0.243、0.055.     

基于小波分解及遗传BPNN耦合模型的地表水As浓度预测研究

随着工业的快速发展,水体中污染物超标事件时有发生,造成了较严重的水环境污染问题.水环境监测与预报是环境科学研究的重要内容.为了实现地表水砷（As）污染的准确预报,本研究提出小波分解、遗传算法与BP人工神经网络的耦合建模方法,并结合某河流监测站1998—2016年共19年的地表水质监测数据,通过皮尔逊相关系数和信息指标评价法对模型输入变量进行筛选,最后对比分析了在不同水质参数输入情况下BP人工神经网络（BPNN）、遗传算法改进的BPNN（GABP）、小波-遗传BPNN耦合模型（W-GABP）对后6年（2011—2016年） As浓度预测结果的均方根误差（RMSE）、决定系数（R²）、平均绝对百分比误差（MAPE）,以确立最优模型.结果表明：①多水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为17.51%、15.98%、14.46%,单水质参数BPNN、GABP与W-GABP耦合模型预测结果的MAPE分别为18.78%、16.74%、7.83%;②小波分解数据前处理及遗传算法均能较大程度地提高预测模型的精度;③对于地表水水质预报,需对比不同模型在不同输入变量下的预测结果,以获得最佳的预测精度.单水质参数输入的W-GABP耦合模型能较准确地预报地表水As浓度的变化情况,对数据缺乏地区水质监控和地表水As污染防治具有重要意义.     

基于概率组合的水质预测方法

当前水质预测研究中,组合预测缺少一般框架性组合方法,概率性预测多以水质指标服从某种概率分布为前提.针对这一状况,提出了一种概率性组合预测方法.组合预测采用优势矩阵法对预测结果加权融合,能够有效改善预测效果,并可以进一步扩展新方法;概率性预测基于对历史预测的统计,并对其进行有效性检验,进而给出水质指标在一定置信度下的区间估计.将基于灰色模型群法和指数平滑法的概率组合预测方法应用于浙江鸠坑口进行预测实验,实验结果表明,组合预测方法的总体预测效果优于单一预测方法,统计概率有效性可以得到验证并且能够有效给出一定置信度下水质指标波动曲线的包络线.概率组合预测可以有效优化预测精确度和稳定性,能够成功给出概率性的预测结果,为进一步决策奠定了基础.     

基于注意力机制优化的BiLSTM珠江口水质预测模型

为提高珠江口水质预测精度和稳定性,提出了基于时间和特征双注意力机制优化的BiLSTM水质预测模型,引入特征注意力机制强化模型捕获参数重要特征能力,加入时间注意力机制提高对时间序列相关性信息及水质波动细节信息的挖掘能力.将新模型应用于珠江8个入海口水质预测,开展预测性能试验、泛化能力试验和特征参数扩展性试验.结果表明:①新模型在珠海大桥水质预测取得了较高的预测精度,预测值与实测值的均方根误差RMSE为0.004 1 mg·L^-1,决定系数R²为98.3 %.与Multi-BiLSTM、Multi-LSTM、BiLSTM和LSTM对比,表明新模型预测精度最高,验证了模型的精准性.②训练样本数量和预测步数均对模型预测精度产生影响,模型预测精度随着训练样本的增加而提升,海珠大桥断面总磷预测时,240组以上训练样本可获得较高预测精度;增加预测步数,会使模型预测精度迅速下降,预测步数大于5步时无法保障模型预测的可靠性.③将新模型应用于珠江8个入海口不同水质指标预测,预测结果均取得较高精度,模型具有较强的泛化能力;输入对象断面预测指标相关联的上游来水、降雨量等特征参数,能够提高模型预测精度.通过多方面多次试验,结果表明新模型能够较好地满足珠江口水质预测精度、适用性和扩展性要求,为复杂水动力环境水体水质高精度预测进行了新的探索.     

BP模型在河流水质预测中的误差分析

为验证BP模型在河流水质预测中的有效性，利用仿真技术模拟一条河流污染物变化趋势，产生大量的河流水质参数数据。用上游已知河段的水质数据预测该河流下游10个检测断面的水质状况。预测过程分2种情况进行：长距离预测（一次连续预测下游10个河段）和短距离预测（每次连续预测下游2个河段）。并以MSE函数生成均方误差作为对2种预测方法性能的检验，结果显示，长距离预测的性能低于短距离预测，2种方法对溶解氧预测的均方误差为0.432和0.035，对生化需氧量预测的均方误差分别为0.243,0.055。     

基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力

准确预测河流水质变化是流域水环境管理的重要基础。目前常用的基于数据驱动的深度学习模型依赖大量的监测数据训练,然而很多河流数据缺乏,无法满足水质预测精度要求。提出了一种基于极端梯度提升模型(XGBoost)的迁移条件选择方法,利用全国河流自动监测站点的水质参数(水温、pH、溶解氧、总氮)数据集,研究建立长短期记忆神经网络(LSTM)模型库,通过迁移学习条件的优化,提升LSTM模型的预测能力。结果表明：1)采用不同源域和迁移方式训练出的模型,其预测精度有很大差异;2)基于XGBoost模型选择最佳迁移条件,迁移模型的预测误差(RMSE)降低了9.6%～28.9%,LSTM模型预测精度明显提升;3)选取合适的迁移方式、选用性质接近的源域数据、增加训练数据量均可以提升迁移模型的预测精度。该建模方法可应用于实测数据少的河流水质预测,为流域水环境精细化管理提供技术支持。     

基于人工神经网络方法的水质预测初探

常规的水质预测模型因存在许多简化与假定而限制了其精度与实用性的提高.文章通过引入神经网络技术来建立水质预测模型,分别采用LM算法和RBF算法来提高预测的精度.结果表明,在建立三门峡水库流量和水质的输入响应关系模型的实际应用中,RBF算法取得了较好的预测效果.     

基于多核LS-SVM的河涌水质预测模型

研究了多变量非线性河涌水质预测问题,提出了多核最小二乘支持向量机河涌水质预测模型。模型采用协同结构的非线性函数将水质时序样本映射到高维特征空间,进行多元线性回归。然后将该回归问题转化成半无限线性规划问题,运用交换集法求解。文章利用东江流域河涌水质数据进行了拟合预测实验,结果表明,与单核最小二乘支持向量机河涌水质预测模型相比,多核模型的预测误差减小了23%以上,它较单核模型具有更高的预测精度和更好的泛化推广性能。     

影响系数矩阵在河流水质规划中的应用

河流水质规划中常常要用水质数学模型来模拟水体的水质、刻划岸边污染带、对水质进行预测，并结合其它模型对污染物排放进行总量控制，以及对污染方案进行水质验证。由于水质数学模型的单向性（即数据只能从输入流向输出），在实际工作中当需要逆计算时（如计算水环境容量等）往往采取试算法，工作量较大。本文介绍的影响系数矩阵法可以方便快捷地完成上述各项工作。此法在中英国际合作项目“长江、嘉陵江水污染控制规划研究”中已采用，效果较好。     

不确定性方法耦合水质模型研究综述

水质模型是模拟和预测水体中污染物迁移和转化的重要工具.水质模型作为水环境保护的有效工具,已经广泛应用于环境污染控制和水质规划管理中.详细清晰地阐述了水质模型的研究进展、几种常用的确定性水质模型的特点及适用范围、在模型构建的过程中产生的不确定性的研究方法、模型结构的不确定性研究方法以及不确定性方法与水质模型耦合的研究现状,并说明了水质模型未来的研究方向和发展趋势包括:加强对模型的不确定进行数学描述与评价,在模型构建过程中,各种不确定性方法应相互渗透;将不确定性研究方法与传统的水质模型进行耦合,构建各种不确定性水质模型的多样化、复杂化、耦合化;将水质模型与“3S”技术结合,使应用水质模型实时、动态的反应水质变化成为可能.