基于地理分区及神经网络的湖泊水库富营养化研究

构建了一个基于地理分区及神经网络的湖泊水库富营养化综合评价体系.以美国环境保护署Nutrient Criteria Database数据库为参照对象,有针对性地研究我国湖泊水库的情况,首次提出了基于地理分区的简易评价标准,对不同地理特征的水体富营养化临界值进行了定量研究.同时本研究还建立了基于神经网络的富营养化评价模型...     

集对分析用于湖泊富营养化评价研究

建立了利用集对分析方法进行湖泊水质富营养化评价的新模型，并研究了我国五个主要湖泊的富营养化状况，与其它方法进行比较，取得了满意的结果，为湖泊水质富营养化评价提供了一种简单而适用的评价方法。     

物元分析在湖泊富营养化评价中的应用

提出湖泊富营养化评价的物元分析法，该方法将湖泊富营养化级别，评价指标及其量值作为物元，根据分级标准建立关联函数，通过计算综合关联度判定湖泊富营养化级别。用我国１８个主要湖泊的实测数据进行评价，并与用其它方法评价的结果进行对比，说明该方法的优越性。     

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。     

湖泊富营养化的综合评价方法的探讨与实例

目前富营养化评价方法众多,但各评价方法之间缺乏可比性,不利于湖泊富营养化的有效管理和治理.本文在对现有湖泊富营养化的评价方法进行分析、评价的基础上,从湖泊水生生态系统出发,提出了适合我国国情的基于<地表水环境质量标准>(GB3838-2002)的湖泊富营养化水生生态系统评价方法.即水质、水生生物与底质评价相结合的系统的、综合的富营养化评价方法.该方法可对不同湖泊的富营养化状况进行比较,并可对同一湖泊富营养化的时空变化进行分析,有利于对湖泊富营养化程度、成因做出客观、合理的判断,为治理富营养化提供全面、科学的决策依据.     

湖泊富营养化物元模型及复合应用初探

在物元分析理论的指导下针对湖泊富营养化特征建立其物元模型，通过神经网络确定各物元特征的权系数，与物元模型复合运用进行湖泊富营养化的综合评判，指明湖泊治理转化方向。并结合物元分析中转换桥理论，从抽象理论高度分析总结了生物治理及其生态、经济效益相容性转化，表明该物元模型是值得深入研究的。     

基于三角关联度模型的湖泊富营养化评价

根据湖泊富营养化特性,选择总磷(TP)、总氮(TN)、高锰酸盐指数、透明度(SD)、生物量等5个评价指标作为评价因子,建立了三角关联度评价湖泊富营养化的新模型,并通过实例研究了评价结果,与其它方法进行比较,取得了满意的结果。湖泊富营养化评价的应用表明:该方法可以给出更加准确具体的评价等级,使评价结果更符合实际,在湖泊富营养化评价中具有推广应用价值。     

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.     

PCA-SOM耦合模型在湖泊水质评价中的应用

富营养化是湖泊沼泽化进程加快的重要因素之一,而湖泊富营养化的预防与治理已经成为世界性的难题。湖泊富营养化评价是湖泊治理的基础,它可以为治理工作提供科学的依据。该文以乌梁素海为例,采用主成分——SOM人工神经网络耦合模型进行富营养化评价。先建立富营养化评价指标体系,然后用主成分分析剔除存在相关性、信息重叠的指标,再将利用主成分分析得到的具有代表性的主成分指标代替原来的评价指标,输入到自组织特征映射网络模型中,最后对富营养化状况进行聚类分析。所得结果与实际相吻合。该方法能根据实测资料对湖泊富营养化状况客观地分类并计算出评价权值,避免了选取评价指标时的主观随意性。     

考虑指标协调性的湖泊富营养化评价模型

湖泊富营养化程度评价标准中同一评价指标的分级界点值差异很大,近似地呈现指数变化.基于该认识,提出了1个基于指标协调性的湖泊富营养化综合评价模型.对评价标准及待评湖泊监测值进行对数变换,改善了评价指标值的协调性,降低了评价系统的非线性化程度;在定义待评湖泊各监测指标与富营养化标准各级别之间距离测度的基础上,按评价指标协调性要求构造评价函数;鉴于评价标准为区问教的实际情况,采用区间数计算待评湖泊与各级标准的相对距离测度,并按距离测度值的大小进行湖泊富营养化状态分类.该模型建模思路清晰,物理意义明确,计算过程简捷,一组由5个湖泊组成的富营养化综合评价案例计算结果表明,评价结果符合实际.     

SVM与ANN在湖泊富营养化评价中的对比研究

支持向量机是由Vapnik等提出的建立在统计学习理论基础上的一种新的机器学习方法,由于其使用结构风险最小化原则代替经验风险最小化原则,又由于其应用了核函数思想,它可以较好地解决非线性问题;人工神经网络(ANN)已经较成功解决模式识别和任意非线性函数回归问题,但是存在训练样本不足,并可能出现过拟合现象。SVM的结构风险最小化算法引起了科学界的关注,对传统基于经验风险最小化的神经网络算法提出了挑战,文章介绍了SVM和ANN的基本原理,并对二者在巢湖富营养化水平评价上做对比研究,结果表明,ANN比较容易陷入局部最优,支持向量机评价结果更加符合实际。     

Prediction of the concentration of chlorophyll-a for Liuhai urban lakes in Beijing City

The weekly water quality monitor data of Liuhai lakes between April 2003 and November 2004 in Beijing City were used as an example to build an artificial neural networks （ANN） model and a multi-varieties regression model respectively for predicting the fresh water algae bloom. The different predicted abilities of the two methods in Liuhai lakes were compared. A principle analysis method was first used to select the input variables of the models to avoid the phenomenon of collinearity in the data. The results showed that the input variables for the artificial neural networks were T, TP, transparency（SD）, DO, chlorophyll-a （Chl-a）,pH and the output variable was Chl-a. A three layer Levenberg-Marguardt feed forward leaming algorithm in ANN was used to model the eutrophication process of Liuhai lakes. 20 nodes in hidden layer and 1 node of output for the ANN model had been optimized by trial and error method. A sensitivity analysis of the input variables was performed to evaluate their relative significance in determining the predicted values. The correlation coefficient between predicted value and observed value in all data and in test data were 0.717 and 0.816 respectively in the artificial neural networks. The stepwise regression method was used to simulate the linear relation between Chl-a and temperature, of which the correlation coefficient was 0.213. By comparing the results of the two models, it was found that neural network models were able to simulate non-linear behavior in the water eutrophication process of Liuhai lakes reasonably and could successfully estimate some extreme values from calibration and test data sets.     

湖泊水质富营养化评价的模糊神经网络方法

为了探索人工神经网络用于湖泊营养化评价的可能性,提出了基于多准则学习的模糊神经网络湖泊水质营养化评价模型。该模型应用于我国五大主要湖泊水质营养化的评价结果表明,模糊神经网络用于湖泊水质营养化评价,具有简便、实用、客观性和广泛的通用性。      

Prediction of the concentration of chlorophyll-α for Liuhai urban lakes in Beijing City

Introduction The eutrophication of fresh w ater has becom e a m ain w ater environm ental problem in the w orld. The m ain negative im pacts of fresh w ater eutrophication are w ater quality deterioration and the decrease of hydrophytes and aquatic specie…     

非参数模型在河湖富营养化研究领域应用进展

河湖富营养化过程受流域水污染、生境破坏和闸坝控制等多因素非线性叠加影响,在一定程度上限制了常规水生态机理模型的模拟精度.非参数模型以其强大的数据分析能力在河湖水生态问题诊断和预测方面得到了广泛应用,该文系统梳理了国内外近20年来河湖富营养化非参数模型的相关研究成果,通过Citespace开展基于WoS与CNKI数据库的相关文献大数据可视化分析,全面阐明了结构方程模型（SEM）、贝叶斯网络（BN）、支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）、梯度推进机（GBM）、广义相加模型（GAM）等主流非参数模型在河湖富养化营研究中的适用性与局限性,对具有相似特征的模型进行对比分析并提出展望,以期为水生态模拟相关研究提供科学有效的方法支撑.结果表明:非参数模型在河湖富营养化研究领域中的应用呈指数增长趋势,其中SEM、BN、RF、GBM和GAM模型适用于河湖富营养化问题的诊断和驱动要素识别,BN、ANN、SVM、RF、GBM和GAM具有良好的非线性拟合预测能力.非参数模型将是今后一段时期内开展水生态大数据分析诊断和预测管控的关键技术手段.综合考虑区域异质性与多重环境因子在不同时空尺度上响应关系及强人类活动干扰下的河流水生态退化风险,利用生态机理模型与非参数模型耦合求解与优化算法引入,精准识别水生态健康退化的环境压力阈值,开展变化环境下的水生态退化风险预测预警,将是未来非参数模型在河湖富营养化应用研究的重要方向.      

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.      

海面溢油油种激光遥感ANN探测方法的研究

目前激光荧光遥感是探测海面溢油最有效的工具。作者将神经网络(ANN)的自组织特征映射SOM模型引入激光遥感的荧光光谱鉴别领域。本文主要进行的是理论建模和分析工作，而且用计算机软件方法实现了神经网络的模式识别和分类功能，对推广能力进行了实验分析。经过改进神经网络已具有比较理想的推广能力，并认为SOM应作为溢油识别的较理想方法。     

Synthesis of TiO2 nanoparticles in different thermal conditions and modeling its photocatalytic activity with artificial neural network

Titanium dioxide (TiO₂) nanoparticles were prepared by sol gel route. The preparation parameters were optimized in the removal of 4-nitrophenol (4-NP). All catalysts were analyzed by X-ray diffraction (XRD) and scanning electron microscopy (SEM). An artificial neural network model (ANN) was developed to predict the photocatalytic removal of 4-NP in the presence of TiO₂ nanoparticles prepared under desired conditions. The comparison between the predicted results by designed ANN model and the experimental data proved that modeling of the removal process of 4-NP using artificial neural network was a precise method to predict the extent of 4-NP removal under different conditions.     

人工神经网络在环境科学中的应用研究

以B-P网络为例介绍了人工神经网络模型的应用原理。以开拓人工神经网络在环境科学中的应用范围为目的,综述了几种常用神经网络模型在环境预测与评价2方面的应用性能。结果表明:人与环境关系的科学量度是多方位、多因素的非线性模糊问题,而人工神经网络模型具有解决该类问题的独特优点。针对不同环境问题,优选模型,开拓人工神经网络方法在环境科学中的应用范围,为环境问题的解决提供新的技术手段。