混沌理论在水质预测中的应用初探

基于混沌理论、相空间重构思想和嵌入理论分析涟水流域溶解氧的时间序列,计算吸引子维数和最大的Lyapunov指数,研究河流水质系统的复杂性特征。结果表明,河流水质时间序列具有混沌特性,其外在表现为貌似随机的无规则特点;但系统本身内在的、固有的规律(表现在最大的Lyapunov指数),表明短期预测河流水质变化是可行的,并应用混沌相空间模线性回归模型进行了短期预测,其预测结果对涟水流域的水质管理和控制具有一定的参考价值。     

基于多重优化灰色模型的三峡库区香溪河支流回水区水华变化趋势预测研究

三峡水库蓄水后,支流香溪河夏季水体富营养化严重,水华现象暴发频繁,水质污染严重.为预知香溪河库湾水华暴发程度与分布区域,以叶绿素-a为指标,引入灰色伯努利模型,并运用参数优化、含参马尔科夫误差修正、子序列独立优化等多重优化理论对模型进行改进,验证模型的优化效果.同时,利用该优化模型对2015年夏季香溪河近10个点位的叶绿素-a平均浓度变化趋势进行短期预测,结果表明,预测值与实际值相差较小,该模型能够基本反映香溪河近几年的水华变化趋势,目前香溪河库湾XX06~XX08和XX02点位区域分别为水华暴发高危区和局部次高危区,叶绿素-a浓度远高于水华阈值,有较高的水华暴发风险.与传统灰色预测相比,该预测方法的精确度和对波动序列的适应性更好.     

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。     

混沌理论在河流溶解氧预测中的应用初探

基于混沌理论、相空间重构思想和嵌入理论分析涟水流域溶解氧的时间序列，计算吸引子维数和最大的Lyapunov指数，研究河流水质系统的复杂性特征。结果表明，河流溶解氧时间序列具有混沌特性，其外在表现为貌似随机的无规则特点；但系统本身内在的、固有的规律(表现在最大的Lyapunov指数)，表明短期预测河流水质变化是可行的，并应用混沌相空间模线性回归模型进行了预测，其预测结果对涟水流域的水质管理和控制具有一定的参考价值。     

城市污水量短时预测的混沌神经网络模型

通过分析进水水量时间序列的非线性动力学性质,认为该时间序列具有混沌特性.在此基础上,通过相空间重构的方法建立了用于城市污水水量短时预测的混沌神经网络模型;并利用此模型对污水厂的进水水量进行短时预测,取得了较为满意的预测效果.     

调水型水库藻类对调水氮、磷浓度与水量的响应

以南方某典型的调水型水库为研究对象,采用EFDC模型建立了水库的三维水动力和富营养化模型,并根据长历时的水文和水质数据对模型进行了率定和验证.基于模型计算结果,分析了水库氮、磷浓度对藻类生长的影响,计算了藻类对调水氮、磷浓度及调水量的响应关系.结果表明,水库氮、磷浓度对藻类生长的限制作用很小.在降幅相同的情况下,降低磷浓度比降低氮浓度的藻类浓度降幅更大,削减60%的氮,叶绿素a无明显下降,削减60%的磷,叶绿素a平均下降12.4%,分别削减90%的氮和磷,叶绿素a分别平均下降17.9%和35.1%.当调水量高于现状的20%,藻类浓度随调水量增大而降低,当调水量低于20%,藻类浓度随调水量增大而升高,调水量比现状增大1倍,叶绿素a平均降低25.7%,调水量降至20%,叶绿素a平均升高38.8%.本研究对于支撑水源地的富营养化控制工作具有重要意义.     

基于3种时间序列模型的九龙江河流库区藻华预测

湖库富营养化和有害藻华是全球性生态环境问题,藻华预测与早期预警是保障湖库水源地供水安全的关键技术.如何基于高频水生态在线监测数据进行藻华的实时动态预测成为水生态管理领域的重大需求.本研究以福建省九龙江江东库区(水源地)为例,利用3年连续观测的逐时平均总叶绿素a浓度数据,对比研究了SARIMA、Prophet和LSTM(长短期记忆神经网络)3种时间序列模型在藻华(日平均叶绿素a大于15μg·L^-1)预测方面的效果.结果表明：(1)时间序列模型要求参数少,灵活性强,能清晰反映水质特征和未来变化趋势,可弥补传统藻类监测预警方法的局限性;(2)基于深度学习框架的LSTM模型,具有独特的迭代优化算法,对藻类非线性变化特征的识别和预测能力较强,其总叶绿素a逐日预测和7日预测效果均显著优于SARIMA模型和Prophet模型;(3)输入数据长度会在一定程度上影响模型预测效果,最优的输入数据时间长度为7 d;输入数据频率对预测效果也有影响,在预测非藻华日时,小时数据的预测效果优于日频率数据;在预测藻华日时,两种频率数据无显著差异,但日频率数据能更准确识别藻华日特征.总结起来,基于...     

广州流溪河水库叶绿素a遥感反演研究

叶绿素a是衡量水体初级生产力和富营养化程度的一项重要指标。本研究在讨论分析反演水体叶绿素a浓度的半分析生物光学模型理论基础上,利用Landsat TM数据及中巴资源卫星02星CCD相机高分辨率数据,结合实测数据建立广州流溪河水库叶绿素a浓度的波段比值型反演模型。该模型对两个不同监测日期的叶绿素a浓度反演效果较好,拟合系数(R2)分别达到0.860和0.715,均方根误差分别为0.102μg/L和0.198μg/L。反演结果表明,流溪河水库叶绿素a浓度整体较低,均在2.0μg/L以下,空间分布在湖库区较均匀,入库支流玉溪河水域叶绿素a浓度略高于湖库区。     

基于粒子群优化的WA-SVM模型在滑坡位移预测中的应用

针对滑坡位移时间序列含大量噪声、具有明显的非线性等特征,本文提出了一种基于粒子群优化(PSO)的小波分析(WA)-支持向量机(SVM)滑坡位移预测模型(即WA-SVM模型)。该模型在混沌分析的基础上,首先用WA将滑坡位移序列分解成不同频率的分量,然后采用PSO算法优选SVM模型参数,并利用SVM模型预测各分量值,最后将各分量预测值组合得到最终预测值。结合滑坡位移序列实例,将基于粒子群优化的WA-SVM模型的预测结果与WA-BP模型、单独SVM模型进行对比,结果表明该滑坡位移序列存在混沌特性,基于粒子群优化的WA-SVM模型克服了噪声的干扰和参数优选的问题,具有较高的预测精度和预测效率,为滑坡位移的预测提供了一种新的方法。     

基于水动力学的中小水库藻类生长模型及蓝藻暴发的模拟

应用PHREEQC软件建立了基于水动力学作用的温岭市太湖水库藻类生长模型。选用2007年度温岭市太湖水库总磷、总氮、水温、叶绿素a的实测值,采用三次样条插值的方法估计出每一天的总磷、总氮、水温、叶绿素a的数值,对模型参数进行了率定和验证。将建立的模型应用于2009年温岭市桐岭水库水华暴发的模拟预测中,结果表明本文所建立的模型进行模拟运算精度较高,可以应用于中小型水库水华暴发的模拟预测方面。     

不同时间尺度气象要素与空气污染关系的KZ滤波研究

空气污染状况受气象要素和污染源排放的共同影响,为了评估大气污染控制措施的效果,需将由污染源排放的浓度数据分离出来.本文利用KZ滤波方法将天津市6个监测站点2015~2017年逐日的O₃、PM_2.5和PM₁₀浓度资料和6个同期气象数据分解为长期分量、短期分量和季节分量,计算各分量对原始时间序列方差的贡献.采用逐步回归法建立O₃及颗粒物3种分量与相应尺度气象要素的线性模型.结果表明,上述3种污染物浓度数据经分解后,季节分量对总方差贡献最大,其次为短期分量;气温和相对湿度是影响O₃季节和短期分量的主要气象因素,其中温度占主导地位,且呈现正相关,与相对湿度呈负相关;风速、气压、降水与颗粒物的短期及季节浓度变化呈负相关,相对湿度与之呈正相关,温度与短期分量呈正相关、与季节分量的变化呈负相关;经逐步回归消除气象影响的PM₁₀的长期分量有波动下降的趋势,PM_2.5浓度在2017年年初有所上升,其余部分有下降趋势,O₃长期分量浓度有所上升;这几年间颗粒物污染控制措施的效果较为显著,O₃污染有所加重.     

基于时间序列分析的渐变性水源水质预测研究

针对引黄水库水质渐变性特点,运用时间序列分析理论建立了水质分析模型并对山东省某市某水库的水质变化趋势进行模拟和预测。选取温度、pH、氨氮、浊度、化学耗氧量、亚硝酸盐作为预测变量。水库水质的模拟结果表明除浊度外其余项准确率均达到了80%以上,所建立的水质模型能够合理地反映渐变性水库中水质的动态变化趋势,预测结果较好。     

Short-term prediction of the influent quantity time series of wastewater treatment plant based on a chaos neural network model

By predicting influent quantity, a wastewater treatment plant (WWTP) can be well controlled. The nonlinear dynamic characteristic of WWTP influent quantity time series was analyzed, with the assumption that the series was predictable. Based on this, a short-term forecasting chaos neural network model of WWTP influent quantity was built by phase space reconstruction. Reasonable forecasting results were achieved using this method. Translated from Acta Scientiae Circumstantiae, 2006, 26(3): 416–419 [译自: 环境科学学报]     

Evaluation of a model for hourly spatial concentration distributions

A time-dependent finite difference model in three levels combined with a puff model to account for subgrid effects close to single sources was used to calculate hour-to-hour concentration distributions. Measurements from several selected stations were used to account from time variation in background concentrations. For each hour, weight was given to observed values in areas that were not influenced by local sources.Results of concentration calculations based on hourly data on emission and dispersion are validated by measured time series of SO₂ and NO_x at five stations. A combination of hourly nephelometer readings and 12-h measurements of small particles at three stations are compared with calculated values.Hourly observed and calculated values from two periods (3 January–15 March 1988 and 18 April–24 June 1988) were used for the evaluation of the model for calculating hourly pollution concentrations in each square kilometre. The results showed that prediction of short-term average concentrations (e.g. hourly data) are usually poorly correlated with observations at the same time and location. Slight displacement errors may cause point-to-point correlation to be poor as a result of errors in input data.The pattern of NO_x concentration variation with time was reproduced well at all stations. A subgrid model taking into account the influence of nearby roads would probably improved the model for NO_x at some stations. For SO₂ and small particles, industrial sources have the dominant influence and the correspondence between observed and calculated values were improved by taking into account spatial uncertainty and an hourly variation in background concentrations.     

最小二乘支持向量机在臭氧浓度时间序列预测中试应用

将基于统计学理论的最小二乘支持向量机(LSSVM)方法试用于臭氧浓度时间序列预测.首先利用臭氧浓度时间序列资料重构了该混沌动力系统的相空间,然后沿着系统演化的相轨道用最小二乘支持向量机建立了臭氧浓度短时预测模型,并用上海市淀山湖站的臭氧观测资料做了提前1～8 h和提前24 h预报试验,结果显示这一模式能够较好地模拟臭氧浓度演化轨迹,提前1～8 h的预测精度均超过90%,提前24 h预报精度亦都在68%以上,预报效果较好.     

多级串联表面流库塘-湿地净化农田径流效果评价

农田径流已成为湖泊流域非点源污染治理的主要制约因素.为研究多级串联表面流库塘-湿地中各级表面流湿地对洱海流域农田径流水体的净化效果,以大理市喜洲镇美坝村新建的多级串联表面流库塘-湿地为研究对象,跟踪监测其各级表面流湿地进、出水中ρ（TN）、ρ（NO₃--N）和ρ（TP）,分析水质净化效果及营养盐质量浓度沿程变化规律.结果表明:①多级串联表面流库塘-湿地出水ρ（TN）、ρ（NO₃--N）和ρ（TP）平均值分别为1.77、1.18和0.05 mg/L,低于GB 3838—2002《地表水环境质量标准》中Ⅴ类标准限值,TN、NO₃--N和TP去除率分别为57.75%、65.54%和67.43%.②农田径流在经过沉淀池、一级和二级表面流湿地后,对TN、NO₃--N和TP的去除率已分别达45.35%、52.21%和50.59%,且二级表面流湿地中出水ρ（TN）、ρ（NO₃--N）和ρ（TP）分别为2.36、1.69和0.06 mg/L,已达到较好的出水水质.③氮、磷营养盐质量浓度沿程削减模型拟合结果表明,指数削减模型较适宜表征TN、NO₃--N在多级串联表面流库塘-湿地中的沿程削减过程,而TP的最佳削减模型为线性削减模型.研究显示,多级串联表面流库塘-湿地对农田径流具有较好的净化效果,其对营养盐净化作用主要体现在前两级表面流湿地.      

基于CEEMDAN-SE和LSTM神经网络的PM10浓度预测

针对PM₁₀浓度时间序列具有明显的非线性和波动性特征,提出一种基于自适应噪声的完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-样本熵（sample entropy,SE）和长短期记忆神经网络（long short-term memory,LSTM）的组合预测模型。首先利用CEEMDAN-SE将原始PM₁₀浓度时间序列分解为若干个复杂度差异明显的子序列;然后针对各子序列的内在特性结合气象因素分别建立适当参数空间的LSTM预测模型;最后将预测结果进行叠加得到最终预测结果。以唐山市4个空气质量监测站的实测PM₁₀浓度数据进行模型验证分析,结果表明:所提预测模型对比其他几种预测模型显示出较高的预测精度,以及良好的普适性。