基于Matlab的BP神经网络在大气污染物浓度预测中的应用

为了寻求有效控制和改善环境质量的相应措施,选用了英国伦敦Bloomsbury监测站的PM10小时平均浓度监测资料,采用“提前终止法”泛化改进的BP神经网络模型,预测PM1024 h内的小时平均浓度。结果表明：采用BP神经网络法对大气污染物浓度进行预测,预测相对误差在2%-48%之间,且绝大部分在2%-17%之间,预测精度较高,泛化能力较好,为大气污染物浓度预测提供了一种全新的思路和方法。     

基于BP神经网络的污染物浓度多模式集成预报

基于中国气象局雾-霾数值预报系统CUACE、北京区域环境气象数值预报系统BREMPS和华东区域大气环境数值预报系统WRF-Chem三个环境气象模式预报产品,利用BP神经网络方法建立多模式集成预报模型.首先通过实验得到BP神经网络的训练函数、隐含层节点数和训练样本长度分别为贝叶斯归一化训练函数trainbr、10和50.随后选取北京、天津和石家庄站点的预报结果检验该模型的预报性能.结果表明：（1）相对于单模式,BP神经网络集成预报的3~72h逐3h污染物浓度和观测之间的归一化平均偏差从-100%~200%降低到-20%~20%,污染物浓度和观测的均方根误差比各单模式降低15%以上,相关系数从0.1~0.8提升到0.3~0.85之间,说明其预报结果优于各单模式.（2）2016年AQI等级评估表明,集成模型预报的北京轻度和中度污染的TS评分分别比CUACE提高22%和10%,在天津重度污染的空报率和漏报率分别降低31%和25%.（3）2016年12月份的重污染过程评估发现,集成模型预报的PM_2.5浓度的演变趋势和实况基本相符.     

小波网络在大气污染物浓度预测中的应用

提出一种“分解-重构-预测”小波网络的大气污染物浓度的预测方法。通过小波分解,把浓度序列分解为不同频段的小波系数序列,再对各层的小波系数子序列重构到原尺度上,然后对小波系数序列采用相匹配的BP神经网络模型进行预测,最后合成浓度序列的最终预测结果。经对二氧化硫浓度预测证明,该方法预测模型推广能力强,预测精度高。     

基于BP神经网络的天津市PM2.5浓度预测研究

根据天津市2013年12月1日-2013年12月24日气象监测数据,先进行温度、湿度、风力因素对PM2.5浓度影响的相关性分析及定性分析,绘制温度、湿度和PM2.5浓度的二维趋势分布图及气体扩散风向浓度分布图;再运用BP神经网络模型对天津市2013年12月25日-2014年1月9日PM2.5浓度进行仿真预测,最终得到精确预测值.结果表明:温度及风速因素与PM2.5的浓度成反比,湿度因素与PM2.5的浓度成正比,而且通过BP神经网络模型对于“离散样本”、“气象参数不确定性”的实际天气情况可以得到较高的预测精度.     

基于BP神经网络的煤层底板突水量等级预测

为了减少水灾损失并提高煤矿底板突水量预测精度,基于肥城矿区相关矿井水文地质资料,选取水压、底板裂隙发育程度、断层落差、岩溶发育程度、含水层厚度、隔水层厚度等6项指标,建立了肥城矿区底板突水量等级预测模型,采用平均影响值(MIV)方法评价了神经网络模型中各自变量对突水量等级预测的影响程度。结果表明：该模型具有较高的预测精度;肥城矿区内的小型突水主要由含水层及隔水层的属性决定;大型及特大型突水的发生与断裂构造、岩溶和底板裂隙发育程度等因素密切相关。     

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BP神经网络的铅酸蓄电池厂地下水重金属浓度预测

将BP神经网络应用到铅酸蓄电池厂地下水的重金属浓度预测中,探讨了预测因子的选取、隐藏层节点数的选取、模型的建立等问题,得出:该模型是以p H、高锰酸盐指数、硫酸盐作为网络的输入层,重金属铅(Pb)、镉(Cd)、砷(As)作为网络的输出层,BP神经网络隐藏层的传递函数为tansig,隐藏层节点数为8,输出层的传递函数为purelin,输出层节点数为3。结果显示:Pb、Cd、As的预测值和监测值相关系数分别为0.991、0.990、0.998,表明该模型具有较好的预测精度,模拟出的重金属浓度与实测值能较好地吻合。总之,BP神经网络预测铅酸蓄电池厂地下水的重金属浓度是切实可行的。     

BP神经网络在降水酸度预测中的应用

本文利用南昌市城市大气中SO2、NOX、TSP等浓度数据及降尘数据建立了BP神经网络的降雨酸度预测模型，结果表明：BP神经网络的预测模型不仅能较好地反映致酸因素与降水酸度的相互关系，而且预测精度也高于多元回归等模型。     

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R²可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.     

基于BP神经网络预测地表水净化装置总氮的去除效果

为了模拟预测地表水净化装置脱氮效果,利用水质指标实测数据作为学习样本,选取原水总氮、氨氮、硝氮、COD_Mn及装置运行时间等指标作为预测参数,建立了BP神经网络水质预测模型,并运用该模型对净化装置的水质进行预测,同时引入多元线性回归模型作为对比。结果表明,BP神经网络模型预测值的可决系数为0.985,最大误差为5.92%,明显优于多元线性回归模型预测效果;BP神经网络模型预测精度较高,预测速度快,能够准确地预测净化装置的总氮去除效果。     

因子分析-BP神经网络整合方法的沿海地区环境承载力预测

以沿海地区为研究对象,利用因子分析对环境承载力进行评价,综合众多指标的绝大部分信息,形成了环境承载力综合指数;并在此基础上,利用BP神经网络对环境承载力的发展趋势进行了有效预测.结果证明,2010年以后沿海地区环境承载力将呈下降趋势,环境对于经济和社会发展的制约作用初步显现.     

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BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

BP神经网络和ARIMA模型对污水处理厂出水总氮浓度的模拟预测

污水处理厂出水总氮(TN)浓度是评价水处理效果的关键指标之一。建立BP神经网络模型对污水处理厂脱氮工艺进行模拟,引入自回归整合移动平均模型(ARIMA模型)对污水处理厂未来短期出水TN浓度进行预测。结果表明:BP神经网络模型在训练集和测试集模拟结果的平均相对误差分别为15.9%和16.5%,模型预测结果的平稳性较差;ARIMA模型对未来7 d出水TN浓度的时序预测平均误差为4.41%,预测精度较高;2个模型相结合有助于实现污水处理厂快捷和高效的在线检测。     

基于CMAQ与前馈神经网络的区域大气污染物浓度快速响应模型

建立大气污染可控源排放-复合污染水平的函数关系,实现给定排放情景下环境污染物浓度的实时响应,是大气污染物浓度预测与减排效果评估等的重要技术前提.本研究对污染物浓度影响因子变化空间进行拉丁超立方采样,使用CMAQ区域多尺度空气质量模型的预测值作为输入数据,通过前馈神经网络模型构建基于统计机器学习的长三角区域污染物浓度快速响应模型.结果表明经过模型结构选择与参数调整,基于前馈神经网络的快速响应模型能够快速准确还原出不同减排情景下长三角区域PM_(2.5)浓度的预测值.外部验证情景下相关系数CORR达到0.999以上,MB与ME均值达到了-0.046μg·m~(-3)和0.6162μg·m~(-3),实现了比RSM更加快速与准确的预测,不同时段与不同污染物浓度的准确预测则验证了其普适性.     

基于动态滑动窗口BP神经网络的水质时间序列预测

为提高BP神经网络（BPNN）模型对具有时间序列特征水质的预测精准度,采用主成分分析法对原始样本数据进行特征提取和降维,选取溶解性有机碳（DOC）浓度、总氮（TN）浓度和浊度作为水质预测指标,构建了具有3层网络结构的BPNN模型进行预测,并分析其预测性能。结果表明：DOC浓度、TN浓度和浊度的最佳训练集尺寸分别为60、60和90 d,最佳BPNN拓扑结构分别为9-12-1、8-6-1和7-13-1,经优化后的BPNN模型对DOC浓度、TN浓度和浊度的变化趋势整体预测效果较好;相比之下,BPNN模型对水中DOC浓度的预测效果显著优于TN浓度和浊度,其均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（R）分别为0.040、0.66%和0.867。该模型对具有非线性特征的地表水水质预测具有较好的适用性,预测精度较高。

     

基于BP神经网络的污泥水解液合成PHA的多参数敏感性分析

本文采用多参数敏感性分析方法对影响污泥水解液合成PHA产量的参数进行分析.在实验数据的基础上,利用BP神经网络建立了PHA的产量预测模型.通过与真实试验结果的对比,验证了预测模型的精确度.根据训练完成的神经网络模型中的各参数变量到目标的权值和阈值,利用Garson算法定量得到各参数变量对于目标的参数敏感性系数数值.结论表明：基于BP神经网络技术建立的预测模型具有较高的可信度,多参数敏感性分析方法可评估多因素同时变化对PHA产量的影响,具有较高的实用价值.