湖泊水质富营养化评价的多准则神经网络法

提出了基于误差平方和准则与模糊熵准则下的多准则神经网络湖泊水质营养化评价模型，并将其应用于我国五大湖泊水质营养化的评价。结果表明，多准则神经网络用于湖泊水质营养化评价，具有简便，实用，客观和广泛的通用性     

基于T-S模糊神经网络的大沽河水质变化特征分析研究

基于T-S模糊神经网络,利用大沽河2010年-2015年水质监测数据,选取溶解氧、化学需氧量、高锰酸盐指数、氨氮、总氮、总磷对水质具有重要影响的6项指标,建立适用的水质评价模型,对大沽河水质变化特征进行分析.结果显示:上游水质评价结果明显优于中游、下游水质评价结果,网络评价水质等级变化趋势同真实指标数据变化趋势一致.验证结果充分表明了T-S模糊神经网络用于水质变化特征分析是可行、有效的.     

湖泊水质富营养化评价的模糊决策方法

针对湖泊水质富营养化评价中各等级之间的模糊性,在充分考虑水质各污染因素权重大小的基础上,运用模糊综合评判方法建立了湖泊水质富营养化评价模型.并研究了我国5个主要湖泊的富营养化状况,和其它方法比较,取得了满意的结果.为湖泊水质富营养化评价提供了一种准确的、有效的决策方法.     

属性识别理论模型在湖泊水质富营养化评价中的应用

近年来提出的属性识别理论模型已在环境质量评价中有所应用。现将该模型引用到湖泊水质富营养化评价中来 ,并用此模型对福州市山仔水库的水质进行评价 ,其评价结果与运用模糊隶属函数法得到的结果进行比较 ,其结果令人满意。此模型为湖泊水质的富营养化评价提供一种简便实用的评价方法     

人工神经网络在高原湖泊水质评价中的应用

本文应用人工神经网络方法，建立了高源湖泊水质ＢＰ神经网络模型，对湖泊水质进行综合评价，通过实例检查结果表明，ＢＰ神经网络方法能准确反映水体污染程度，具有较强处理相互矛盾影响样本的能力，方法可行，结果客观合理。     

基于概率神经网络的城市湖泊生态系统健康评价研究

概率神经网络(PNN)是一种结构简单、训练简捷、应用十分广泛的人工神经网络,并且在水质分类等环境领域已取得一定研究成果.本文选取广州市最大的人工湖——白云湖作为研究对象,结合其水质监测数据及生物监测数据,建立概率神经网络模型对其进行湖泊生态系统健康评价,得到不同监测时间点的湖泊生态系统健康评价结果.分析表明:1白云湖生态系统比较脆弱,目前净化水质的效果有限;2各监测点的评价结果均呈季节性变化,丰水期湖泊生态系统健康状态好于枯水期,年际变化不显著.实验结果表明,利用概率神经网络对湖泊生态系统健康状态进行评价是可行的,与传统评价方法相比,其具有训练时间短、权重确定客观、输出结果稳定等优势,可以运用到更多相关领域.     

湖泊营养化程度评价的多目标决策-理想点模型

介绍多目标决策-理想点法,并将其改进运用于评价湖泊的营养化,该方法与属性识别理论方法,模糊隶属函数法进行比较,评价结果令人满意.     

遥感技术在湖泊水质监测中的应用

环境污染遥感监测技术具有监测范围广、速度快、成本低,且便于进行长期的动态监测等优点,是实现宏观、快速、连续、动态地监测环境污染的有效方法,已成为湖泊环境动态变化监测的重要技术手段.湖泊水质遥感监测是基于经验、统计分析或水质参数的光谱特征,选择遥感波段数据与地面实测水质参数数据进行数学分析,建立水质参数反演模型实现的.在运用遥感技术对湖泊进行水质监测的方法中有传统方法和神经网络模型.与传统方法相比,神经网络模型有较强的水质识别的容错性,水质状况识别的可信度.今后,神经网络模型、高光谱遥感技术以及RS与GIS、GPS的结合运用等将是遥感技术在此领域中的发展方向.     

基于指标协调性的水体富营养化状况的模糊识别

在湖泊富营养化评价指标体系中,同一指标的分级界点值差异很大,近似地呈现几何级数变化,同时各指标权重的选择与内涵存在不确定性,基于这两种认识,构建基于指标协调性和模糊权下的湖泊水质评价模型。对评价标准及待评价水质监测值进行对数变换,运用层次分析法求出指标的模糊权重;以此构造隶属函数,按最大隶属原则来评判地表水质量等级。应用此模型对巢湖西半湖水体进行富营养化识别,得出结果与生态评估结果基本一致。     

湖泊营养状态的Hamming贴近度评价法

本文用线性内插构造湖泊富营养化评价参数的隶属函数,在此基础上应用Ham-ming 贴近度评价湖泊的营养状态。该方法用于全国23个湖泊的实例分析,并与其它营养化评价法的评价结果比较表明该方法评价结果合乎实际,隶属函数设计简单,计算方便,具有可比性。      

人工神经网络在湖泊富营养化评价中的应用研究

运用人工神经网络技术评价湖泊富营养化程度。详细阐述了神经网络的结构设计，样本生成及学习算法，给出了通过训练得出的网络权和阈值，最后将此神经网络用于１２个湖泊的富营养化评价，取得了较好的评价结果。     

基于RBF神经网络的湖库水质富营养化程度评价模型

运用人工神经网络中的RBF网络算法,建立一种新的湖库水质富营养化程度评价模型。对我国污染差异分布广泛的12个湖库的水质富营养程度评价数据中的10组作为训练样本进行网络的建立,剩余2组用于网络的检验。结果表明:该方法建立的评价模型比文献[1]利用多元统计分析方法建立的评价模型更加简便有效。     

湖泊水质富营养化评价的模糊隶属函数法

建立了利用模糊隶属函数进行湖泊水质富养化的评价方法。并研究了我国三个主要湖泊的富营养化状况，和其它方法比较，取得了满意的结果。文章为湖泊水质富营养化评价提供了一种简单而实用的评价方法。     

海水水质富营养化评价的集对分析方法

建立了利用集对分析方法进行海水水质富营养化综合评价的新模型，并通过实例研究评价效果，与BP人工神经网络方法比较，集对分析方法评价模型严谨，评价结果合理、精细、分辨率高，取得了满意的结果，为海水环境质量综合评价提供了一种简单而适用的评价方法。     

湖泊富营养化组合评价的真值次数加权法

针对湖泊水体富营化评价方法具有的不确定性问题,提出了湖泊富营养化组合评价的真值次数加权法.该法的建立步骤分为3步:首先,根据富营养化评价标准,随机生成1000组富营养化水质指标样本,分别用灰色关联法、模糊评价法、打分统计法、经验频率法、贝叶斯方法、向量评价法6种单项方法进行富营养化评价;然后统计1000组样本中各单项方法的评价值与真值相同的次数,据此计算各单项评价方法在组合评价方法中所占的权重;最后利用权重值对6种单项评价值进行加权平均组合,从而得到真值次数加权法的组合评价结果.将真值次数加权法应用于全国30个湖泊的水体富营养化评价,结果表明,该法能有效降低单项评价方法的不确定性.     

基于模糊权物元分析模型的湖泊富营养化评价

运用模糊权重,结合层次分析法和物元分析法,试图构建模糊权物元分析模型。该模型不仅继承了经典物元分析的优点,同时充分考虑了权重的不确定性。按照中国湖泊富营养化评价标准,把湖泊水体富营养化程度划分为6个等级,选取Chl-a、TP、TN、CODMn和SD等5个指标为评价指标,应用该模型对东昌湖富营养化进行了评价,结果表明:所监测的3个湖区均为富营养化等级,其中又以西北湖区最严重,西南湖区次之,东南湖区相对较好。研究结果与实际相符,说明了此方法具有良好的可靠性,可适用于湖泊富营养化的综合评价。     

GA优化的湖泊富营养化评价的普适公式探讨

在适当设定富营养化指标的“本底值”情况下,当指标值用于对应“本底值”的相对值表示时,可采用S型曲线描述湖泊富营养化的发展程度,公式中的参数可视为与指标特性无关,采用遗传算法对公式参数优化,得到对多项指标均适用的富营养化程度的指数公式,并提出用广义模糊对比因子赋权新方法计算富营养化综合指数。该评价方法物理意义明确,计算简单,使用方便,具有普适性、可比性和实用性。     

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.