氯代芳香族化合物结构-电化学还原电位定量关系的贝叶斯规整化BP神经网络模型

将贝叶斯规整化误差反向传播神经网络(BRBPNN)应用于环境领域的 QSPR模型.采用ChemOffice2004内置的MOPAC 2000计算了6种量子化学参数(分子最高占据能EHOMO、分子最低占据能ELUMO、分子生成热HF、分子偶极矩DIP、分子的电子能量EE和分子的核核排斥能CCR)以及氯原子数(Cl)和分子量(MW),建立了87种氯代芳香族化合物结构与电化学还原电位定量关系的BRBPNN模型.最优网络模型结构为6-20-1,其电化学还原电位的拟合及预测能力明显优于逐步线性回归模型,其训练集和预测集的相关系数平方和均方根误差(MSE)分别达到0.999和0.000105,0.965和 0.00159.最优模型输入节点到隐含层权重平方和的分布规律揭示出各种描述符对还原电位的影响大小依次为: E_LUMO>E_HOMO>HF>CCR>EE>DIP.由散点图揭示出影响为正有EE;影响为负有E_LUMO,HF,DIP;影响无明显正负性的有E_LUMO,CCR.结果表明,贝叶斯规整化大大方便了网络规整化参数选择,保证了网络的优良概括能力和稳健性.本研究对氯代芳香族化合物采用电化学处理的适用性以及分析相应电化学降解机理提供了依据.     

洞庭湖水质因子的多元分析

年1—12月在洞庭湖湖区采集360个水样,测定pH、ρ(DO)、ρ(BOD₅)、ρ(TP)、ρ(COD_Mn)、ρ(COD_Cr)、ρ(NH₃-N)、ρ(TN)、粪大肠菌群及ρ(Chla). 采用主成分分析法对采样断面水质因子进行分析. 结果表明:虞公庙、鹿角断面水质主要影响因子为ρ(DO)、ρ(BOD₅)、ρ(TP)、ρ(COD_Mn)、ρ(COD_Cr)、ρ(TN)、ρ(NH₃-N)及ρ(Chla);南嘴、目平湖、横岭湖和万子湖断面水质主要影响因子为ρ(TP);小河嘴断面水质主要影响因子为ρ(TP)、ρ(BOD₅)和ρ(Chla);东洞庭湖断面水质主要影响因子为ρ(BOD₅)和ρ(Chla);岳阳楼和洞庭湖出口断面水质主要影响因子为ρ(DO)、ρ(COD_Mn)、ρ(COD_Cr)、ρ(NH₃-N)和ρ(TN). 主成分综合得分对各断面水体受污染程度排序为虞公庙>鹿角>东洞庭湖>岳阳楼>洞庭湖出口>南嘴>横岭湖>目平湖>小河嘴>万子湖.      

贝叶斯规整化BPNN定量流域非点源污染负荷研究

将贝叶斯规整化BP神经网络(BRBPNN)应用于渭河流域非点源污染、社会和经济之间相互作用的研究。采用相关系数法确定输入变量为"降雨"、"种植地"、"草地"、"人口密度"和"羊密度",输出变量为总氮负荷。结果表明用BRBPNN定量非点源污染负荷是可行的,综合选择最优网络模型结构为BRBPNN(3c-7-1),其训练集和预测集相关系数分别为1.0000和0.9780,对应的均方误差分别为88.32和3.21×102。采用权值理论分析各输入因子对网络的贡献,依次为"降雨">"羊密度">"种植地"。该研究可为流域非点源污染的治理提供依据。     

基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用

水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段.但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题.利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建...     

洞庭湖表层水和底泥中重金属污染状况及其变化趋势

为评价洞庭湖重金属污染程度,分析了洞庭湖湖区9个采样点表层水及底泥中Hg、Cr、Cd、As、Pb和Cu的浓度水平,并采用地积累指数法和潜在生态风险指数法对底泥中的重金属污染现状进行评价. 结果表明,洞庭湖表层水中重金属质量浓度远低于GB 3838—2002《地表水环境质量标准》一级标准限值,底泥中w(Hg)、w(Cr)、w(Cd)、w(As)、w(Pb)和w(Cu)均高于背景值,其平均值分别为背景值的5.0、3.1、22.7、2.2、2.5和1.9倍. 洞庭湖表层水中ρ(As)与底泥中w(As)呈显著正相关. 近30年来,洞庭湖底泥中除w(Hg)下降外,其他重金属质量分数均有所上升. 地积累指数法评价结果表明,洞庭湖底泥中不同种类的重金属I_geo(地累积指数)表现为Cd＞Hg＞Cr＞As＞Pb＞Cu,Cd和Hg的I_geo分别为3.92和1.73;不同区域的重金属I_tot(综合地积累指数)呈虞公庙>横岭湖>洞庭湖出口>东洞庭湖>蒋家嘴>鹿角>万子湖>南嘴>小河嘴的分布特征,虞公庙和横岭湖的I_tot均大于10.0.潜在生态风险指数法评价结果表明,各污染物对洞庭湖生态风险构成危害的影响程度为Cd＞As＞Cr＞Hg＞Cu＞Pb,整个洞庭湖区的RI(潜在生态风险指数)为99.0~696.7,平均值为281.8,属于中等潜在生态危害,其中南洞庭湖的虞公庙和万子湖的RI分别为696.7和565.9,已成为潜在生态风险区域.      

基于Sentinel-2的平寨水库叶绿素a浓度反演

为实现对平寨水库叶绿素a的遥感监测,选取平寨水库2017年11月17—18日的实测叶绿素a浓度数据和准同步的Sentinel-2数据,通过选取最佳波段组合建立BP神经网络模型,对平寨水库叶绿素a进行反演,并分析其空间分布特征。结果表明:Sentinel-2红边波段对叶绿素a的敏感性优于可见光波段,在叶绿素a浓度反演方面具有较大潜力。相关系数最大的波段组合方式是:B5/B4、[1/B4-1/B5]*B6、[1/B4-1/B5]*B7和[1/B4-1/B5]*B8;BP神经网络模型可决系数R2为0.9160,平均相对误差为29.87%,反演精度优于三波段模型;平寨水库叶绿素a浓度空间分布差异明显,水面开阔的中心库区浓度较高,各支流上游河段浓度较低。Sentinel-2数据可较好地应用于喀斯特高原湖泊叶绿素a浓度反演,BP神经网络模型估测结果合理、可靠;研究结果可为平寨水库水环境治理提供科学依据。     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

大气中SO2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.     

基于GA优化的SVR水质预测模型研究

针对污水中BOD₅参数不易直接测得的特点,提出了基于遗传算法（Genetic Algorithm,GA）优化参数的支持向量机回归（Support Vector Regression,SVR）水质预测模型。采用机器学习的方法,通过建立污水中COD等参数与BOD₅的数学关系模型的方式对BOD₅进行测定。使用遗传算法对SVR中的关键参数进行寻优,解决了传统SVR预测模型参数选择的问题。以北京市污水处理厂进水污水作为研究对象进行实验,结果表明,与BP神经网络与SVR相比,使用GA-SVR方法进行预测的结果更优,其平均误差与均方根误差分别降至0.009443与16.88 mg/L。     

基于BP神经网络的大气污染物浓度预测

利用BP神经网络结合变量筛选的方法建立了SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物的浓度预测模型,并选取2014-01-01至2015-11-28时段,昆明市区5个环境监测点以上6种污染物浓度的监测数据建立了昆明市污染物日均浓度预测模型.采用平均影响值(Mean Impact Value,MIV)的方法筛选出分别对6种污染物日均浓度值有主要影响的变量,作为BP神经网络的输入变量,利用建立的预测模型分别对6种污染物的日均浓度进行预测.结果表明,在关上监测点利用浓度预测模型对SO_2、NO_2、O3、CO、PM_(10)、PM_(2.5)等6种污染物浓度进行预测,污染物浓度预测值和实测值趋势吻合度较高.变量筛选后SO_2、PM_(2.5)预测效果比变量筛选前的预测效果好.O3的均方根误差和PM_(10)的标准化平均偏差,变量筛选前的预测效果比变量筛选后的预测效果好.变量筛选前的NO_2和CO的预测结果比变量筛选后的预测效果好.其他4个环境监测点的污染物浓度预测结果与关上监测点的结果相似.     

基于MODIS数据的洞庭湖水体和水华时空变化研究

为明确洞庭湖水华发生规律、水体面积的变化规律及其影响因子,利用MODIS传感器提供的MOD02HKM数据,采用多波段水体指数（MBWI）模型、浮游藻类指数（FAI）方法识别、提取洞庭湖水体、水华范围,并对2001~2015年洞庭湖水体、水华时空分布数据进行分析.结果表明：洞庭湖的水面范围在年内呈现明显的季节变化,在年际成缩减趋势.水域面积由大到小依次是夏季、秋季、春季、冬季,且2001~2015年丰水期水体的平均面积是枯水期的2.2倍;2001~2015年洞庭湖水域面积萎缩速率为-14.574km²/a,其中夏季的萎缩速率最大,达到-38.678km²/a;2001~2015年期间,洞庭湖区域均发生水华,水华主要集中发生在东洞庭湖的西部湖湾区,西洞庭湖和南洞庭湖的水华则沿河岸零星分布;洞庭湖水华存在明显的季节变化和年季变化.每年水华面积基本呈现正态分布,最小值出现在冬季,最大值出现在夏季和秋季,其值达到681.43km²;2001~2015年水华爆发面积最高占全湖面积的18.2%,水华面积年平均变化率为-8.657km²/a,水华爆发面积呈现缩小的趋势.     

基于支持向量机的太湖梅梁湾叶绿素a浓度预测模型

以梅梁湾2010年4月至2011年12月的监测数据为基础,选取太阳总辐射、综合消光系数、水温、总无机氮、pH和当前的叶绿素a浓度等作为输入变量,以7d后的叶绿素a浓度作为输出变量,运用支持向量机(SVM)建立了针对"三号标"监测点的叶绿素a浓度预测模型,并进行了输入变量的敏感性分析.通过模拟值和实测值的对比分析发现,该模型能较好地预测7d后叶绿素a的浓度变化情况.模型输入变量的敏感性分析结果表明,当前的叶绿素a浓度是影响预测结果的最重要因子,然后依次为pH、太阳总辐射、综合消光系数、水温和总无机氮.     

达里诺尔湖溶解性有机质荧光特征与人工神经网络非线性响应研究

研究湖泊水体DOM（溶解性有机质）特征及其与复合环境要素的响应关系,对水生态系统保护及生物地球化学循环研究具有重要意义.以内蒙古达里诺尔湖（简称“达里湖”）为研究区,利用紫外-可见光谱技术（UV-vis）和人工神经网络模型（ANN）方法,开展达里湖水体DOM特征识别及其水质响应关系的研究.结果表明:①达里湖水环境污染程度较为严重,水体呈富营养化趋势.DOM吸收系数〔α（355）〕表明,夏季湖体DOM浓度较高.②建立了α（355）与达里湖水体ρ（TN）、ρ（TP）、pH和ρ（Chla）的人工神经网络模型,该模型验证期和测试期决定系数（R2）分别为0.78和0.84,该模型具有较好的DOM模拟和预测能力.③人工神经网络模型参数敏感性分析结果表明,α（355）对ρ（Chla）变化最敏感,敏感性水平为31.95%;其次为pH和ρ（TN）,α（355）对二者变化的敏感性水平分别为28.53%和25.54%;α（355）对ρ（TP）变化敏感性最低,敏感性水平为8.16%.研究显示,达里湖DOM对富营养化的发生具有较显著的表征影响,人工神经网络模型可为富营养化预测提供科学参考.      

基于GAM模型的太湖叶绿素a含量与环境因子相关性分析

随着富营养化程度的加剧,太湖近30年来水华频发.为了探讨太湖西部沿岸水华暴发与环境因子的关系,于2017年4月1-18日（当地历年蓝藻暴发早期）在太湖西部沿岸进行了密集原位调查.共采集样品72个,测定了水温、溶解氧、各形态氮、磷营养盐浓度以及风速等环境指标,并利用GAM（广义相加模型）定量分析了叶绿素a含量与各环境因子间的关系.结果表明:①叶绿素a含量波动幅度较大（17.10~795.89 mg/m3）,太湖西部沿岸带有明显的蓝藻水华暴发现象.②水温、风速以及硝态氮浓度与叶绿素a含量的变化显著相关（P<0.05）,各环境因子按其对叶绿素a含量变化的解释率排序为水温>风速>硝态氮浓度.其中水温是影响叶绿素a含量最为重要的环境因子,叶绿素a含量随着水温的升高呈现明显上升趋势.风速也是影响叶绿素a含量的关键因子之一,较低的风速（<3 m/s）有利于蓝藻的漂移集聚从而形成水华,引起叶绿素a含量的升高.研究显示,GAM模型较好地解释了叶绿素a的含量变化,模型总体解释度达到70.6%,可为太湖西部沿岸蓝藻水华早期的预测预警提供一定的基础支撑.      

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

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.      

太湖叶绿素a浓度预测模型初探

以太湖2005年的监测资料为基础,运用多元统计回归和BP人工神经网络方法构建模型,探求叶绿素a与水深、水温、营养盐等10项环境因子之间的关系,通过验证发现BP模型对叶绿素a浓度的拟合值与叶绿素a浓度的实测值之间的均方误差为220．3059,优于统计回归模型的235．4569;此外对两种模型进行了灵敏度测试,结果都显示总磷不是太湖叶绿素a浓度的限制因子,而水深、水温、总氮的变化对叶绿素a浓度影响显著。本研究对太湖叶绿素a浓度预测模型的建立是十分有意义的。     

长江三口-西洞庭湖环境因子对浮游植物群落组成的影响

为了解长江三口及西洞庭湖浮游植物群落结构特征及主要环境影响因子，于2016年11月、2017年3月及8月对长江三口及西洞庭湖18个断面进行了浮游植物的调查，共检出6门72种，群落结构分析结果表明：浮游植物密度方面，在11月份最低，8月份最高，变化范围为1.32~275×10⁴cells/L，平均密度为32.75×10⁴cells/L，其中，长江三口平均密度为35.39×10⁴cells/L，西洞庭湖为25.88×10⁴cells/L；优势类群方面，长江三口以硅藻门的尖针杆藻（Synedra acus）、瞳孔舟形藻（Navicula pupula）、双头辐节藻（Stauroneis smithii Grun）为主，西洞庭湖则以蓝藻门的小席藻（Phormidium tenue），绿藻门的小球藻（Chlorella vulgaris）、四尾栅藻（Scenedesmus quadricauda）为主；多样性方面，长江三口Shannon-Wienner指数及Margalef指数分别为1.31和1.01，西洞庭湖Shannon-Wienner指数及Margalef指数分别为1.40和1.10，通过对浮游植物和水环境因子数据进行CCA分析可知，水温（WT）、总氮（TN）、总磷（TP）是影响长江三口浮游植物分布的主要因素，而WT、pH值是影响西洞庭湖区浮游植物分布的主要因素.     

基于TM影像的乌梁素海叶绿素a浓度反演

首先选取预处理后乌梁素海TM影像的单波段及波段组合与实测叶绿素a浓度进行分析,发现相关性很低。然后,结合乌梁素海的水利条件和自身特点,把湖区分为两个区,发现波段组合(TM1+TM2+TM4)/TM3和TM4/TM3与叶绿素a浓度有较高的相关性。最后,选取误差较低的波段组合(TM1+TM2+TM4)/TM3建立线性模型,实时、快速地反演乌梁素海湖区叶绿素a浓度,与实地情况吻合,为乌梁素海"黄苔"预警提供理论依据。     

改进BFO优化BPNN的自来水混凝加药预测

本文给出一种量子粒子群（QPSO）算法、改进菌群觅食（IBFO）算法优化反向传播神经网络（BPNN）的混凝投药预测模型,利用量子粒子群的个体极值与群体极值更新细菌觅食算法趋化过程中细菌位置;通过细菌协同改进趋化算子提高优化精度,结合差分算法改进繁殖算子解决部分维度退化问题,加入轮盘赌方法作为选择机制改进迁移算子来克服优化过程中优秀解消失的缺陷;进而优化BP神经网络的权值、阈值以此预测混凝剂投药量.对云南某自来水厂的数据进行离线训练和模型测试,结果表明,所提算法预测结果的均方误差（MSE）达0.0116mg/L,平均绝对误差百分比（MAPE）达1.36%,在预测精度和稳定性上优于BFO-BPNN、PSO-BPNN等模型.