稀疏数据下复杂流域的水质模拟:以赣江为例

以赣江流域为例,对稀疏数据条件下复杂流域水质模型的建立和参数识别进行了探讨．采用了结构相对比较简单的CSTR模型,将其参数划分为水文参数和水质参数,并分别进行识别．水文参数采用回归方法进行识别,对水文参数的扰动实验表明,水质对于水文参数在可能的取值范围内的变化不敏感,因此在随后的水质参数的识别中,将其固定在回归方法求出的最优值上．水质参数的确定则采用了模型方法和资料方法相结合的手段,综合考虑了赣江流域可获得的数据信息、文献资料中对于参数的经验取值和模拟者在大量数学建模中的经验,最终根据河流的不同类型确定了赣江流域的水质参数,并对模型进行了验证。     

环境模型参数识别与不确定性分析

在对水文模型实例的参数不确定性分析基础上,分别采用传统灵敏度分析方法、HSY算法、线性回归等方法对模型参数特性进行了识别与比较研究.结果表明参数优化算法与传统灵敏度分析方法不能解释模型结构复杂性特征,采用不确定性分析方法对环境模型参数进行识别提供了深入分析与理解模型系统的有效途径.     

河流水质系统灰色模型的识别、模拟和应用

借助于灰色系统理论的思想和方法可以构造河流水质灰色模型,根据实测水质资料可以识别出河流水质灰色模型中的最优灰参数,在此基础上,可以对河流水质系统进行灰色模拟。灰色模拟考虑了实际河流水质系统中客观存在的不确知因素和偶然因素影响。本文概述了河流水质灰色模型的构造、河流水质灰色模型的研究意义、河流水质灰色模型的灰参数识别、河流水质系统的灰色模拟及其在四川沱江水质系统模拟中的应用。     

SWMM模型在城市不透水区地表径流模拟中的参数识别与验证

为了研究城市不透水下垫面的降雨径流过程和污染负荷,以屋面为例,选择径流管理模型SWMM,采用独立场次实测数据,应用基于不确定性分析的HSY算法和Monte Carlo采样方法对模型中的水文水力和水质参数进行识别和验证.结果表明,地表不透水区径流模型中主要包含6个关键参数,分别为不透水区初损填洼深度(S-imperv)、不透水区曼宁系数(N-imperv),指数累积方程中的最大可能累积值(max buildup)、累积常数(rate constant),指数冲刷方程中的冲刷系数(coefficient)和冲刷指数 (exponent).水文水力参数的识别可以最小二乘法偏差作为目标函数,水质参数的识别可以场次污染负荷和污染物峰值浓度作为目标函数.参数识别结果为N-imperv0.012～0.025, S-imperv 0～0.7, max buildup 15～30, rate constant0.2～0.8, coefficient0.01～ 0.05, exponent1.0～1.2.参数的区域灵敏度由大到小排序为 coefficient、S-imperv、N-imperv、max buildup、exponent、rate constant.识别后的参数可以通过模型验证,但是在模拟一些雨型特殊的降雨径流污染物浓度曲线时,仍然存在一定的困难.     

密云水库及其流域营养物集成模拟的模型体系研究

近年来由于连年干旱,密云水库面临着严重的水质和水量问题.为实现密云水库及流域的营养物集成模拟和预测,研究开发了以流域非点源模型、水体生态动力学模型和河流模型为基础的,在GIS、RS技术支持下的密云水库水环境模拟预测集成模型.生态动力学模型是由WASP模型和EFDC模型耦合而成,流域非点源模型选用SWAT模型系统,该系统同时包括了污染物在河流中的迁移转化模拟.研究采用马尔科夫链蒙特卡罗法进行参数识别.结果表明,实测水质数据基本位于模拟数据分布众数曲线上下,并基本落入了水质变量模拟分布80%置信度的置信区间内,模拟结果与监测数据匹配较好.说明流域集成模型体系得到了有效识别并能满足实际应用.     

密云水库及其流域营养物集成模拟的模型体系研究

近年来由于连年干旱,密云水库面临着严重的水质和水量问题.为实现密云水库及流域的营养物集成模拟和预测,研究开发了以流域非点源模型、水体生态动力学模型和河流模型为基础的,在GIS、RS技术支持下的密云水库水环境模拟预测集成模型.生态动力学模型是由WASP模型和EFDC模型耦合而成,流域非点源模型选用SWAT模型系统,该系统同时包括了污染物在河流中的迁移转化模拟.研究采用马尔科夫链蒙特卡罗法进行参数识别.结果表明,实测水质数据基本位于模拟数据分布众数曲线上下,并基本落入了水质变量模拟分布80%置信度的置信区间内,模拟结果与监测数据匹配较好.说明流域集成模型体系得到了有效识别并能满足实际应用.     

Bayes理论在河流水质模型参数识别中的应用

参数识别是水环境数学模型建模的重要步骤.在实际模拟过程中,往往难以获得理想的数据进行模型参数识别.充分利用研究者已有的经验,可在一定程度上减少模拟过程的风险.Bayes理论为把研究者的经验或前验信息纳入到水质模拟提供了一个定量手段.采用离散Bayes理论的基本方法,以国内某河段实际监测数据为基础,完成了模型的参数识别过程,并对识别结果进行了分析.验证结果表明,采用Bayes理论获得的参数识别结果能够达到模型验证的要求.     

基于MIKE21的南浔区河网水动力水质耦合模拟研究

为提升平原河网水环境质量、改善河道水动力条件,选取浙江湖州市南浔沈庄漾圩区为研究对象,利用MIKE软件建立二维水动力水质耦合模型,以二维浅水方程组为理论基础,应用同平台同维度中嵌套水质模型的水动力方法进行过程耦合,运用断面实测数据与相应经验公式进行参数率定,通过实测数据与模拟效果的分析进行模型验证,分别模拟了不同补水流量和调控位置条件下的水动力水质监测指标变化。结果表明,经率定验证后的耦合模型对河网内水动力和水质指标的模拟精度较好,模拟效果与实测结果吻合度较高;河网在补水流量为初始流量的30%时,湖区水动力提升效果增加9.92%,典型水质指标NH3-N、TP、TN的去除率分别为6.21%、11.4%和6.82%,改善效果显著,最优补水点位置为Code5。     

观测误差对非线性环境模型参数识别的影响

采用SCE-UA方法和RSA方法，比较了在不同的观测误差条件下，优化方法和不确定性分析方法对于非线性模型参数识别的影响。分析表明，RSA方法是在具有观测误差的数据条件下进行参数识别的一种有效手段。同时，通过比较分析，发现RSA方法预测的浓度平均值和概率最大值与“真实值”并不完全一致。因此，在使用RSA方法时，应该充分考虑预测区间，以降低决策风险。     

随机因素对河流水质模型参数最优估值影响

用多宾斯－BOD－DO（Dobbins－BOD－DO）水质模型,生成真实的无干扰和有干扰的仿真水质数据。在此基础上,用绘制目标函数响应面的方法,分析水质监测数据中的随机噪声对水质模型参数最优估值的影响。分析结果表明,随机噪声干扰使最优估计参数＂漂离＂系统真实参数,并增加最优估计参数的不唯一性问题。     

水质模型参数优化的遗传算法实现及控制参数分析

参数识别是数学模型应用的前提.遗传算法是一种通用的全局优化算法,结构简单.一个实际应用问题能否利用遗传算法解决,关键在于遗传算法的设计和控制参数的选取.本文结合水质模型参数优化的特点,提出采用正交试验设计的方法来考察遗传算法不同控制参数对参数优化性能的影响,结果显示,正交法较好地识别了关键影响因素,并提出可能的最优方案.表明遗传算法能较好地应用于复杂多参数水质模型的参数识别研究.     

基于遗传算法的次级河流回水段水质模型多参数识别

根据长江次级河流临江河回水段的实际情况,建立一维水质模型,模型中的各变化项采用有限差分法(FDM)进行离散,以回水段水体中COD和NH3-N的实测资料为基础,利用自适应遗传算法(AGA)对2种污染物的纵向离散系数及一级降解系数进行反演计算,得出回水段COD和NH3-N的纵向离散系数分别为0.5227,0.5196km2/h,一级降解系数分别为0.0342,0.0367h-1;计算值与实测值吻合较好,表明FDM-AGA方法能较好地运用于次级河流回水段水质模型的多参数识别.     

神经网络模型用于数值水质模型逼近的适用性及非敏感参数的欺骗效应

水质模型被广泛应用于水环境管理和决策,但却面临着计算时间和模型应用效率等多方面的问题;利用函数映射和逼近等方法来建立水质模型的输入-输出响应关系,可有效减少计算成本并显著改善模型效率.水质模型的输入-输出响应函数关系有多种形式,本文以其中的2种为例,并分别基于2个水质模型(零维总磷模型、WASP/EUTRO5)的案例,分析和验证了神经网络模型在响应关系逼近中的适用性.案例的结果表明:神经网络函数可以有效地用于水质模型输入-输出响应关系的逼近;当网络规模超出阈值大小时,神经网络函数逼近的准确度和泛化度对网络规模不敏感.在案例研究的基础上,推导和讨论了在神经网络模型函数映射过程中所可能出现的非敏感参数的欺骗效应,以及可能由此导致的过度预测或过低预测问题;并建议在神经网络函数逼近中,应只包含水质模型的敏感参数,以防止降低神经网络模型的准确度.     

遗传梯度法在水质数学模型参数估值的应用

介绍一种混合遗传算法－－遗传梯度法，并将其应用于水质数学模型参数估值，较一般优化算法能稳定得到的全局最优解。     

生态动力学模型在太湖水质模拟中的应用

考察了西澳大利亚大学水研究中心开发的生态动力学模型CAEDYM与三维水动力模型ELCOM的耦合模型在太湖的应用效果,用该模型模拟了2005年5月~6月太湖的水温、总氮、硝氮、氨氮、总磷、磷酸盐、叶绿素a,通过实测数据进行参数率定。并用2005年8月的实测资料作为初始条件,9月的模拟资料与实测资料进行对比,对模型进行了验证。结果显示模型较好地模拟了太湖的水质变化和分布。     

变尺度混沌-遗传算法在复杂河流水质模型参数优化中的应用

将变尺度混沌-遗传算法(MSCGA)应用于复杂河流水质模型参数优化.采用湘江衡阳段水质监测资料,以二维河流水质数学模型反演结果的均方误差为适应度函数,估计横向扩散系数Dx、纵向弥散系数Dy和污染物衰减系数κ.数值实验结果表明,MSCGA寻优过程具有明显的分级特征,级级收敛;在同样的条件下,MSCGA的收敛速度较快,为遗传算法(GA)的1.36倍;同时,MSCGA克服了GA早熟收敛的问题,其最优适应度函数值为7.6×10-4,而GA的最优适应度函数值9.6×10-4.将MSCGA应用于研究河段,求得Dx、Dy分别为0.1335、0.0011,BOD5、As、Cr的衰减系数κ分别为0.0229、0.0100、0.0107.     

似然度函数对GLUE方法的影响

GLUE方法是不确定性条件下参数识别的重要方法,似然度函数的选择是GLUE方法的关键. 为克服观测误差和模型结构误差对研究结果的影响,利用合成的数据序列,以污染物衰减模型为基础,分析了似然度函数对参数识别和模型预测结果的影响. 从识别结果来看,由于似然度函数的变化改变了参数似然度之间的对比,因此对参数识别及灵敏度分析的结果都产生了影响,甚至能够改变参数全局灵敏度的相对排序. 从预测结果来看,似然度函数的变化影响了模型预测的分布,但即使预测结果的模糊性在减少,精度并没有相应地提高. 因此,似然度函数的恰当选择对分析结果具有重要的影响,应结合研究问题的具体特点和对模拟结果的要求,采用概率论等相关方法选择出尽可能体现参数真实重要性的函数.