基于改进支持向量回归机的污水处理厂出水总氮预测模型

在小样本数据的情况下,采用粒子群优化算法(PSO)对传统支持向量回归机(SVR)进行改进,将其应用于北京某大型污水处理厂出水总氮浓度预测上。 预测结果精度对比分析表明,PSO-SVR模型预测结果平均相对误差为1.836%,决定系数为67.76%,均方根误差为0.693 9,各评价指标均优于多元线性回归模型、BP神经网络模型。因此在小样本情况下,利用PSO-SVR模型对污水处理厂出水总氮浓度进行预测是可行有效的,为应用数据驱动模型对污水处理过程进行建模模拟提供了一种新方法尝试。     

基于卫星观测及水质动力模型的感潮河流水质监测分析

综合高分辨率卫星观测具有时空连续覆盖和水质动力模型具有高时间分辨率的优势,对感潮河段的水质进行监测。通过Lansat8/OLI卫星数据定量反演了感潮河段-黄浦江的叶绿素a质量浓度,反演结果与地面实测数据的均方根误差为4.82 mg·m⁻³,决定系数R²为0.68。通过水质动力模型Delft3D,模拟了黄浦江水质参数(溶解氧(DO)、氨氮(NH₃-N)和高锰酸钾指数(COD_Mn))。结果表明：模拟水位与实测水位的均方根误差为0.22 m;水质参数DO、NH₃-N、COD_Mn的验证均方根误差分别为0.53、0.16、0.27 mg·L⁻¹。进一步分析后发现,2013年8月—2014年7月随着黄浦江叶绿素a质量浓度的增大,DO与NH₃-N也相应增大,COD_Mn则相应减小。通过叶绿素a质量浓度与水质参数所构建的关系式,利用Lansat8/OLI卫星数据反演了不同时期的黄浦江DO、NH₃-N、COD_Mn,发现感潮河段水质参数存在季节性变化。卫星观测与水质动力模型相结合的方法可为海岸带感潮河流时空快速变化的水质监测提供参考。     

基于RBF模型的太湖北部叶绿素a浓度定量遥感反演

以大型内陆浅水湖泊一太湖为例,采用RBF(Radial Basis Function)神经网络建立该研究区域的叶绿素a浓度与同步影像数据的反演模型,较分析现今应用最广泛使用的BP(Back Propagation)神经网络模型,并通过对模型的验证、稳定性和鲁棒性分析评价了两种模型的泛化能力。结果表明,常规的BP神经网络模型收敛速度慢,极容易陷入局部最优解,而RBF比BP模型有更加优异的函数逼近、分类和模式识别能力,对反演叶绿素a浓度具有很强的泛化能力。     

基于无人机高光谱和BP神经网络的城市水体污染监测

我国大多数流域存在不同程度的水体污染,城市水体污染防治与监测是一项艰巨而漫长的任务,而传统水质监测和卫星遥感方法在水体面积较大、水流运动不稳定、周边地形复杂的河流或城市湖泊的水质监测表现为适用性差、准确度低。基于无人机的高光谱遥感技术具有覆盖范围广、数据获取快速等特点,对城市水体污染监测具有一定的应用价值。以珠海市城市水域为研究对象、无人机高光谱数据为数据源,利用线性回归模型和BP (Back Propagation) 神经网络模型方法,分别建立了波段组合反射率与水体叶绿素a、氨氮和磷酸盐3种水质指标之间的最优反演模型,并通过实际样品验证了该模型在城市水体中的适用性。该研究结果不仅为大数据驱动的水质分析提供了重要的技术支持,也为无人机技术应用于城市水体污染程度评价和动态监测提供新方法。     

基于实测光谱的叶绿素a估测模型

为了有效地监测太湖湖区的富营养化程度,建立一种最佳的估测模型。对太湖水体进行了连续监测,获得了从2004年10月20～29日的实测光谱数据和水质数据。通过实测光谱反射率和叶绿素a浓度的相关分析,得到了叶绿素a反演的最佳波段,并通过比值法、反射峰位置法、峰谷距离法、峰高法和一阶微分法建立了基于实测光谱的叶绿素a浓度的估测模型。通过14个检验点,分别对5种模型进行了对比分析,结果发现,通过比值法建立的估测模型总体误差最小,估测精度最高,其695 nm附近反射峰与677 nm反射谷的比值与叶绿素a浓度之间具有良好的相关性,可决系数R²可达0.7433,可以作为整个湖区叶绿素a浓度的最佳估测模型。最后,应用该模型对该季节湖区的营养化程度做出了总体评价。     

神经网络在次级河流回水区叶绿素a浓度预测中的应用

以长江次级河流之一的临江河为研究对象,探讨神经网络应用于次级河流回水区叶绿素a浓度短期预测的可行性。利用主成分分析法（PCA）选取对叶绿素a浓度影响较大的指标,在这些指标数据的基础上建立RBF神经网络模型。网络训练和测试的结果表明,模型模拟精度较高,说明RBF神经网络模型可以用于次级河流回水区叶绿素a浓度的短期预测。通过对临江河回水区叶绿素a影响因子的分析,表明控制水体中磷含量应是临江河回水区富营养化防治的重点。     

红枫湖水体中叶绿素a的遥感监测

以地处贵州中部的红枫湖水库为研究区,2010年的ALOS影像为基础,利用B3、B4(三波段和四波段)的乘积影像研究红枫湖水库库区表面的叶绿素a分布情况。结果表明,库区水体叶绿素a浓度在空间分布上呈现自三岔河入水口到北湖逐渐降低,沿岸边向湖中心逐渐降低的态势。探讨了适宜该库区的水体叶绿素a的提取方法,并引入基于费歇尔准则的最优分割算法,利用计算机编程实现了该库区叶绿素a分布水平的最优分划。这一系列针对该库区水体叶绿素a提取、分析和监测的优化方法,对该水源地的污染监测和库区的生态治理有一定的参考价值。     

基于大数据方法的垃圾焚烧发电厂环境执法监管数据预测模型探究

在垃圾焚烧发电厂运行系统负荷特性统计指标和污染源监督性监测数据积累的大数据背景下,有效提取数据之间的关联特征对于垃圾焚烧系统规划运行和执法监管具有重大意义。首先,通过Pearson关联分析获得运行负荷特性指标和排放特征指标任意2因素之间的相关性特征;然后利用SPSS及Python软件,构建用以预测烟气污染因子排放量的多元线性回归模型及BP神经网络模型。对模型预测结果进行了比较,结果表明,多元线性回归模型和BP神经网络模型都能应用于烟气污染因子排放量的预测,进一步得出的BP神经网络模型的预测效果优于多元线性回归模型。本研究对于探究工业污染源环境执法建模和定量分析污染源排放水平具有参考价值。     

基于GOCI数据的太湖叶绿素a浓度反演和蓝藻水华遥感监测

太湖蓝藻水华是广为关注的环境问题,迫切需要实现蓝藻水华的动态监测。利用静止轨道海洋水色遥感器(GOCI)遥感数据构建了太湖叶绿素a反演的三波段模型,使用归一化植被覆盖指数(NDVI)进行蓝藻水华监测,并进行了富营养化评价。结果表明:(1)三波段模型优于波段比值模型,可以用于GOCI遥感数据反演太湖叶绿素a浓度。(2)2019年6月3日太湖叶绿素a大致呈湖心和西部浓度低,北部和西南沿岸浓度高的空间分布;从10:15至15:15,叶绿素a浓度先升高后降低。(3)竺山湖和椒山周边水域水华聚集情况较为严重,是当天重度水华的主要发生区域;水华的时间变化规律同叶绿素a浓度变化规律一致。(4)对2019年4月和6月的GOCI遥感数据进行富营养化评价发现,太湖富营养化水平总体呈西部高东部低、北部高南部低、边缘高中间低的趋势;6月较4月富营养化水平明显加剧。     

调峰燃煤机组选择性催化还原烟气脱硝的建模预测优化

调峰燃煤机组的运行对选择性催化还原烟气脱硝(SCR-DeNO_x)系统的性能提出了新的挑战。通过比较BP神经网络(BP)算法和遗传算法优化BP(GABP)算法的直接模型和间接模型,得到出口NO_x浓度和氨逃逸浓度预测的最佳模型。结果表明,对出口NO_x浓度和氨逃逸浓度预测的最佳模型均为GABP算法的间接模型。该模型不仅精度高,可以适应不同的负荷,而且可以同时预测出口NO_x浓度和氨逃逸浓度。对出口NO_x浓度预测的相对误差均在±10%以内,均方根误差和平均绝对百分比误差分别仅为2.76mg/m3和4.49%;对氨逃逸浓度预测的相对误差基本都在±50%以内,均方根误差和平均绝对百分比误差分别为0.13mg/m3和24.29%。     

基于MODIS数据遥感反演呼伦湖水体总磷浓度及富营养化状态评价

水体中总磷的浓度是衡量水环境的重要指标之一,对于水质和富营养化评价的研究具有重要意义。利用遥感卫星反演TP浓度并进行湖泊富营养化评价可以对湖泊TP浓度分布及富营养化程度进行全面整体监测,对水体水质实时动态监测和富营养化、洪灾等应急处理有较大的实用价值。以呼伦湖为研究区域,分别用2012年8月5日和2013年7月2日13个取样点的实测TP浓度值并结合同一天MODIS影像,进行TP浓度的特征波段选择,建立了基于MODIS遥感影像的半经验回归模型并进行验证,然后,应用模型反演呼伦湖2013年5—10月水体TP浓度值并结合舒金华修正营养状态指数模型进行富营养化评价。结果表明,在呼伦湖流域应用MODIS数据500 m分辨率中的第6、7波段可以较好地模拟水体中的TP浓度,呼伦湖2013年5—10月TP浓度分布较均匀,水体呈富营养化水平,与日常观测和其他学者得到的结果一致。研究表明,模型具有一定的预测能力,利用MODIS影像可以较好地对湖泊水体TP浓度进行反演并评价富营养化水平。     

基于因子分析法优选河流水体中氮浓度预测方法的研究

定量的河流水体中氮浓度预测方法有很多种,如何优选出预测精度较高的方法一直是学术界多年来致力于研究的重点。本研究采用因子分析法对预测方法的精度评价指标进行分析,并建立了预测方法精度的评价模型,对回归分析法、神经网络法、灰色系统法和增长率统计法4种水体氮浓度预测方法进行综合评估,优选出精度较高的河流水体氮浓度预测模型——BP神经网络预测模型。结果表明,此评估模型对类似研究具有一定的参考价值,能为选择出合适的河流水体氮浓度预测方法提供依据。     

基于遗传神经网络模型的空气能见度预测

由于雾霾导致的空气能见度降低,给人们的出行带来很多不便。针对这一现象,构建基于遗传神经网络算法的空气能见度预测模型。将与空气能见度相关的7种气象因子和6种污染物浓度因子经过主成份分析后作为输入数据,输出8:00能见度和14:00能见度。该模型能够克服BP神经网络易陷入平坦区域和局部最优解的问题。以西安市2013-1-1—8-16的数据训练遗传神经网络,通过使用灰色模型获得预测时间段8-17—23的输入数据,可以得到这段时间能见度的预测值。通过与BP神经网络模型的比较,发现遗传神经网络预测模型在预测结果的相关性和绝对误差方面均优于BP神经网络模型,因此,可以更准确地预测空气能见度。     

基于有机质光谱特征的土壤重金属Pb估算模型研究

为实现土壤重金属含量的高光谱快速监测,以石家庄地表水源保护区土壤样本为研究对象,基于土壤有机质(SOM)敏感波段对应的多种光谱变换指标,采用多元线性逐步回归和偏最小二乘回归方法,构建土壤重金属Pb含量的间接反演模型。结果表明:研究区土壤样本Pb平均值为19.729mg/kg,SOM与Pb含量的R达到0.740,两者存在一定的吸附赋存关系。SOM在土壤反射率中的敏感波段为798nm,各种光谱变换指标中土壤反射率倒数对数一阶微分(ATFD)与SOM含量的相关性最大,R达到-0.754。基于建模样本和验证样本分析,多光谱变换指标偏最小二乘回归(M-PLSR)模型优于单光谱变换指标多元线性逐步回归(U-MLSR)模型和多光谱变换指标多元线性逐步回归(M-MLSR)模型,建模样本和验证样本R~2分别为0.876和0.801。基于SOM光谱诊断特征建立M-PLSR模型来间接反演土壤重金属Pb含量是可行的,可为该地区土壤重金属Pb的快速监测提供参考。     

空气中PM_(10)浓度的BP神经网络预报研究

建立了某市PM10浓度预报的分段BP神经网络模型,经验证,所建立的BP预报模型,预测精度比较高,PM10日平均浓度误差大多在-0．010～0．010mg／m^3范围内,相对误差在-20％～20％,表明BP神经网络对PM10的浓度预报是一种有效的工具。     

基于奇异谱分析—遗传算法反向传播神经网络模型的湘江新港断面水质预测

运用奇异谱分析(SSA)对湘江新港断面557周的pH、DO、高锰酸盐指数和氨氮数据进行了预处理,再运用遗传算法优化反向传播神经网络模型进行拟合与预测。结果表明:SSA有较好的降噪能力,遗传算法反向传播(GABP)神经网络模型相比BP神经网络模型均方根误差(RMSE)平均缩小了6.96%,具有良好的预测精度;预测期内新港断面的pH、DO、高锰酸盐指数、氨氮均能满足《地表水环境质量标准》(GB 3838—2002)Ⅲ类标准,但氨氮在预测期内呈上升趋势,需警惕氨氮浓度过高引发的水污染问题。     

BP神经网络对蚯蚓滤池处理COD的模拟预测

基于蚯蚓滤池处理去除污染物的非线性特点,利用BP神经网络建立了蚯蚓滤池处理COD的基本模型结构。同时对实验数据进行了验证和预测,通过权值贡献率分析确定了各种输入因素对COD出水浓度的影响。结果表明:COD的出水模型预测值与实际值平均误差较小,模型稳定,预测效果好。输入神经元为4,隐含神经元为8,输出神经元为1,学习速率为0.1,动量为0.1,训练次数为10 000的BP神经网络模型,预测的COD出水值最接近真实值。COD进水浓度对COD出水影响最大,符合理论研究结果。BP神经网络模型建立的成功为后续生活污水智能化控制的研究提供了相应的理论基础。     

北京南海子湖藻垫在春夏交替季节水华过程中的作用

藻垫对湖泊水体水华发生是否有影响及影响机制是目前水体富营养化研究的一个前沿课题。本文以北京南海子湖为例,研究湖底藻垫对水体水华爆发的影响。通过对干燥藻垫和水华过程新产生的藻垫进行培养对比实验,揭示不同时期形成的藻垫对水体藻生物量的影响即水华的影响。结果表明,不同干燥时间的藻垫均对水体藻生物量有影响,进入藻生长平台期,水体叶绿素a浓度范围为15~20 μg/L,而灭菌后的藻垫培养水体中叶绿素a浓度低于10 μg/L;水华爆发后新生成的藻垫对水体藻生物量也有贡献,培养水体叶绿素a范围也达到15-20 μg/L;干燥时间对藻垫培养后水体浮游植物生物量的影响较弱。     

基于集成神经网络的汽车尾气检测系统设计

为了准确、有效地检测汽车尾气中各气体的质量分数,对传感器阵列和BP神经网络技术进行了研究,设计了一套汽车尾气检测系统。首先,根据汽车尾气成分选取4个相应传感器和一个温湿度传感器组成传感器阵列,搭建汽车尾气检测装置;其次,为了克服单一BP神经网络预测精度低,容易陷入局部极值的缺点,建立基于Adaboost算法和BP神经网络的集成神经网络模型;最后,利用集成神经网络模型对传感器阵列的响应信号进行回归分析。结果表明,集成神经网络模型预测的平均相对误差小于3%,能够有效处理汽车尾气的检测数据。     

基于Prophet-随机森林优化模型的空气质量指数规模预测

长时间的规模预测有助于从宏观角度分析事物的发展趋势与规律。对上海市2013—2017年逐日空气质量指数(AQI)进行分析,在此基础上建立了Prophet-随机森林(RF)优化模型。Prophet模型将AQI时间序列趋势分解为趋势项、季节项、节假日效应;RF算法用于弥补Prophet模型无法预测随机非线性部分的缺点,对Prophet模型进行优化,将Prophet-RF优化模型用于AQI的规模预测。结果表明:相比于Prophet模型,Prophet-RF优化模型的预测效果更加精确,其中,拟合值的均方根误差和平均绝对误差均减少了0.161,预测值的均方根误差和平均绝对误差分别减少了0.434和0.399。Prophet-RF优化模型解释性强且精度高,对于时间序列的规模预测具有较明显的优势。