水质评价模式识别的BP神经网络方法

水质受多个因素的影响，而且这些作用多是非线性的。其水质评价的实质是实现一个非线性映射。由于具有任意个隐层节点的前馈神经网络可以以任意精度逼近一个连续函数，因此，目前得到普遍应用的是采用BP算法的多层前馈神经网络。文中运用人工神经网络的反向传播（BP）算法进行了实例评价，与其它方法相比，评价精度较高，方法简单易行。     

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。

     

基于随机样本的BP模型在水质评价中的应用

运用BP(误差反向传播)模型对水环境质量进行综合评价,主要针对以前BP模型在水质评价中存在的学习训练样本过少,没有检验样本等问题,用随机数发生器在每个级别范围内产生大量的数据作为训练样本和检验样本,并尝试以MSE函数生成均方误差作为检验样本的输出值与期望输出值的比较,检验网络评价未知样本的能力,大大提高了神经网络评价水质时的精度。     

黄鹿水库水质演变及富营养化防治分析研究

水库在农业灌溉、工业用水、水产养殖和城市供水一直发挥着重要作用。近年来,各大中城市把水库作为饮用水水源,其重要地位日益凸显,这也对水库水质提出了更高的要求。本文通过对新建的黄鹿水库开始蓄水至2012年5年多的水质监测,分析研究黄鹿水库蓄水初期主要污染物变化过程、营养状态变化过程、水质总体变化趋势及营养盐类变化,并提出黄鹿水库富营养化防治措施。     

基于T-S模糊神经网络的颍河水质时空变化特征分析

基于T-S模糊神经网络分析颍河(河南段)2007-2010年5个监测断面的水质指标监测数据,克服了过去仅用各级评价标准作为训练样本,导致训练样本数过少和不能构建检测样本的缺点,对实测数据仿真有很好的效果。应用主成分分析法,选出溶解氧、高锰酸盐指数、生化需氧量、氨氮、化学需氧量、总磷、六价铬、阴离子表面活性剂8项对水质具有重要影响的指标,建立适用于颍河的T-S模糊神经网络水质评价模型,对颍河水质时空变化特征进行分析。结果显示:颍河水质在近几年呈改善趋势;白沙水库断面水质最优,且稳定;周口康店断面水质较差,西华址坊在2007年第2季度水质恶化严重;沈丘纸店断面水质逐渐改善。表明了T-S模糊神经网络对水质时空变化特征分析的效果显著,也反映了颍河水质状况,为颍河水质监测、管理与控制提供依据。     

基于WQI法的鄱阳湖水质演变趋势及驱动因素研究

选取2003—2016年16项水质参数,采用WQI水质指数法,研究了近14年鄱阳湖水质演变特征及影响因素.结果表明:①水质WQI均值为(37.61±7.71),处于"良好"水平,但氮磷污染较严重.②水质WQI值变化可分为两阶段,其中2003—2010年间年际变化较大,WQI(TP)由70.7下降至65.20,而WQI(TN)由59.44增加至67.43,相比而言TP污染程度较TN严重;2011—2016年总体稳定,年际变化较小,而WQI(TP)和WQI(TN)值却显著增加,这一阶段TN污染程度超过TP.③鄱阳湖水质2003—2010年TN浓度增加与工业废水和生活污染负荷增加相关,而TP浓度下降则与流域磷污染控制加强有关;2011—2016年,TN和TP浓度增加与生活及旅游污染负荷快速增加密切相关;水质空间变化与"五河"入湖氮磷负荷有关,表现为北部湖区水质较好,西南湖区TP超标严重,而东南湖区TN污染程度最高.     

过去20年东江水质演变趋势

饮用水源河流水质演变是流域水污染防治与水资源管理的重要研究内容。分析了过去20年东江水质变化趋势。结果表明：①过去20年东江干流水质总体良好,但近年来变差趋势较明显;东江千流由上而下表现出较明显水质变差趋势。②2003～2010年东江干流各段水质基本在Ⅱ～Ⅲ类;其中上游河段基本维持在Ⅱ类,中下游部分指标达到Ⅲ类。     

基于MATLAB的BP神经网络模型在漠阳江水质评价中的应用研究

为提高水质评价的准确性,基于MATLAB及人工神经网络理论,采用误差反向传播的BP算法建立漠阳江水质评价模型,充分利用神经网络的非线性映射特性,取7项常规地表水水质评价指标对漠阳江水质进行评价,并将BP神经网络评价结果与单因子评价法及综合指数法的评价结果进行比较,网络运行结果表明一致效果良好.同时较传统的水质评价方法,该网络具有较高的识别精度,提高了水质评价等级的准确性,使评价的结果更具有科学性.     

基于BP神经网络的安全评价方法研究

阐述了BP神经网络的基本原理,利用机会约束的思想建立了综合安全评价模型．运用反向传播算法和遗传算法对神经元网络进行训练,在此分析基础上对系统综合安全评价模型进行求解,并对运用神经元网络进行综合安全评价的优点进行了分析。     

BP神经网络在再生水补给密云水库水质评价中的应用

基于环境质量基本模型,将补给的再生水视为点源污染,建立了再生水补给后的湖库污染物浓度变化模型.在得到补给后主要污染物稳定浓度的基础上,建立BP神经网络模型,使用随机数发生器生成随机数据作为模型的学习样本和检验样本以满足BP模型对样本数量的需求.使用BP模型对再生水补给后的水质进行评价,评价结果证明了再生水补给的可行性与相对安全性.     

基于BP神经网络水质模型的城市安全距离研究——以芜湖和马鞍山为例

快速的城镇化使城市间距不断减小,上下游城市间水质的相互影响愈发显著.本研究提出基于水质的城市安全距离概念,建立基于BP神经网络水质模型的城市安全距离量化方法,并选择长江沿岸相邻的芜湖、马鞍山两市为案例,评估未来两市建成区扩张后城市间距的安全性,计算两市建成区的最小安全距离.结果显示,2020年芜湖与马鞍山4.6km的间距属于安全距离,能够保证下游城市马鞍山上游控制断面地表II类的水功能要求.但与2010年相比,控制断面水质变差,COD与氨氮浓度分别提高了29.2%与23.2%.为了保证控制断面的水功能要求,芜湖与马鞍山两市的最小安全距离为3.2km.     

BP模型在河流水质预测中的误差分析

为验证BP模型在河流水质预测中的有效性,利用仿真技术模拟一条河流污染物的变化趋势,并得到大量的河流水质参数数据.用上游已知河段的水质数据预测该河流下游10个检测断面的水质状况.预测过程分2种情况进行:长距离预测(一次连续预测下游10个河段)和短距离预测(每次连续预测下游2个河段),并以MSE函数生成均方误差作为对2种预测方法性能的检验.结果显示,长距离预测的性能低于短距离预测,2种方法对溶解氧预测的均方误差为0.432和0.035,对生化需氧量预测的均方误差分别为0.243、0.055.     

BP模型在河流水质预测中的误差分析

为验证BP模型在河流水质预测中的有效性，利用仿真技术模拟一条河流污染物变化趋势，产生大量的河流水质参数数据。用上游已知河段的水质数据预测该河流下游10个检测断面的水质状况。预测过程分2种情况进行：长距离预测（一次连续预测下游10个河段）和短距离预测（每次连续预测下游2个河段）。并以MSE函数生成均方误差作为对2种预测方法性能的检验，结果显示，长距离预测的性能低于短距离预测，2种方法对溶解氧预测的均方误差为0.432和0.035，对生化需氧量预测的均方误差分别为0.243,0.055。     

基于神经网络模型的水质监测与评价系统

对水环境的监测与评价，可以掌握水质现状及其发展趋势，为水资源的开发利用和管理提供科学依据。水质评价是建立在水质监测基础之上的。首先结合我国水环境监测技术规范与标准，合理地选择监测项目与监测仪器，建立水质监测系统。然后在水质监测所获数据基础上，运用人工神经网络的理论和方法，通过BP网络不断的学习与训练，归纳出评价标准与评价结果间复杂的非线性关系，建立水质评价的BP神经网络模型系统。经实际应用表明，该系统具有很强的学习、联想和容错功能。为水质监测与评价提供了一条新的途径。     

基于神经网络的黄柏河东支流域水质遥感估算

水质安全是水环境中的关键因素,流域中复杂的空间差异一直是水质估算精度不高的主要原因。文章提出采用一阶微分算法提高遥感影像数据与实测水质参数之间的相关性,利用遥感影像数据与流域库区空间划分条件作为BP神经网络的输入模拟流域空间结构建立高精度水质反演模型。以黄柏河东支流域尚家河水库坝址以上流域为研究对象,基于Landsat-8遥感影像数据,选取主要水质参数：氨氮、总磷、高锰酸盐指数。经验证模型达到“优”精度等级,估算值与实测值最小决定系数为0.85、最小纳什效率系数为0.82、最小百分比偏差值为-9.51%、最大均方根误差与标准值比值为0.42。从水质参数估算结果空间分布图确定流域中玄庙观水库以氨氮浓度为代表污染最为严重。     

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.     

IPSO-BP神经网络在渭河天水段水质评价中的应用

水质评价是进行水环境容量计算和实施水污染控制规划的重要基础,能为改善河流水资源污染程度,保护河流水资源提供方向性、原则性的方案和依据。文章通过改进的PSO算法优化BP神经网络的权值和阈值,获得最优权值和阈值后建立IPSO-BP神经网络水质评价模型,针对关中-天水经济区中天水段地表水质,利用2003-2009年渭河天水段4个控制断面的监测数据,选取BOD5、DO、氨氮、总磷、高锰酸盐指数5个指标进行综合评价,并分析了污染现状及时空变化规律。结果表明,改进的PSO-BP神经网络泛化能力强,评价更客观;7年间水质有一定程度的改善,但总体变化不大,水质类别主要为Ⅱ类和Ⅲ类,其中北道桥断面污染最为严重。研究旨在有效控制渭河流域天水段污染,为渭河水资源的保护提供科学依据。     

福建省山仔水库水质现状及演变趋势分析

依据1996年-2010年监测数据及实际观测情况,分析了山仔水库水质现状和长期变化趋势。水库建库初期,水质状况比较好,但随着外源污染输入和内源污染释放,水体中的各项污染物指标水平升高,特别是氮磷营养物质。控制外源污染近10年之后,水库水质有了明显好转,蓝藻水华现象亦呈减少趋势,但水体中的氮磷营养物质仍维持在一定水平,高于富营养化临界浓度,水库的生态治理仍不容忽视。     

基于遗传算法的改进BP神经网络模型在水质评价中的应用

为了确定水体类别，引入人工神经网络理论并通过建立BP神经网络模型对水体的质量、利用价值和处理要求进行评价。针对BP网络应用中存在的问题，建立了基于遗传算法的改进BP神经网络模型，并阐述了训练样本产生、数据归一化、构建网络拓扑结构、初始权重及阀值确定等应用过程。通过实例分析表明，该模型应用于水质评价具有客观性和实用性。     

近25年洞庭湖水质演变趋势及下降风险

利用1991~2015年水质数据研究了洞庭湖水质演变特征,识别了主要驱动因子,并探讨了水质下降对其生态风险影响.结果表明,1991~2015年间,洞庭湖水质总体呈下降趋势,TN和TP是影响水质变化的主要指标,其浓度年均值分别介于1.060~2.072mg/L和0.026~0.146mg/L;其中,1991~2002年间,TN和TP浓度均显著上升,多元回归分析显示水位和泥沙淤积是导致洞庭湖TN和TP浓度升高的主要因素;2003~2015年间,TN浓度进一步明显上升,而TP浓度维持高位,波动变化,氮、磷负荷输入量和水位是影响TN和TP浓度变化的主要因素.洞庭湖生态风险等级则由轻微风险转变为中等风险,TP是影响生态风险的主要水质指标;受洪水、农业面源污染和城市化等影响,洞庭湖磷风险时空差异较大,1991~2008年间,各湖区磷风险均有所升高,其中西洞庭湖磷风险增长幅度最大;2009~2015年,各湖区磷风险均有所降低,其中西洞庭湖下降幅度最大,而东洞庭湖下降幅度较小.因此,进一步控制入湖氮磷负荷、优化水位及重点关注磷风险是保护洞庭湖水生态的重要举措.