基于BP神经网络的三峡库区土壤侵蚀强度模拟

降雨侵蚀力变化是一复杂过程,其变化存在一定的随机波动性,土壤侵蚀是三峡库区生态环境脆弱最主要的影响因素之一,查明库区土壤侵蚀强度的演化过程及未来趋势是库区生态文明建设过程中急需解决的关键科学问题。论文基于三峡库区1990年侵蚀降雨特征,利用BP神经网络对2010年75个站点降雨侵蚀力进行模拟、验证,预测2030年75个站点降雨侵蚀力。选取2030年预测结果中位于库区周围的27个站点,结合2030年库区自然增长、生态保护情景下土地利用模拟数据,使用RUSLE计算2030年土壤侵蚀强度。结果表明：1）2010年库区降雨侵蚀力模拟相对误差为15%,测试样本数据相对误差为14.67%,预测相对误差为19.65%,NE系数为0.85,说明BP神经网络对库区降雨侵蚀力具有良好模拟效果;2）2010年库区土壤侵蚀强度的Kappa指数为0.75,计算结果能满足模拟与预测需求;3）在土地利用不变情况下,2030年库区轻度、中度侵蚀面积均有所增加,微度及强烈以上侵蚀面积均呈减少趋势,且侵蚀强度转变中的58%来源于相邻侵蚀强度,跨侵蚀等级区的较少;4）在降雨侵蚀力不变情况下,自然增长、生态保护情景下未来土地利用变化所导致的土壤侵蚀均呈下降趋势,后者下降的趋势更为明显;5）在降雨侵蚀力及土地利用均变化的情况下,自然增长、生态保护情景下土壤侵蚀均呈下降趋势。     

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。     

基于BP神经网络的北京城区公园土壤PAHs含量预测

城市公园是城市生态环境的重要组成部分,其环境质量与人类健康息息相关.选择北京市121个城区公园,采集公园土壤样品并分析其中7种多环芳烃（PAHs）含量,评价城区公园土壤中PAHs的含量水平,并基于BP神经网络预测了2020年和2023年土壤PAHs含量.结果表明:北京城区公园土壤中w（PAHs）（7种PAHs总含量）范围为0.033~4.182 mg/kg,低于GB 36600—2018《土壤环境质量建设用地土壤污染风险管控标准（试行）》土壤污染风险筛选值,且7种PAHs的毒性当量浓度（TEQ）均低于世界卫生组织标准值（1 mg/kg）,对人体健康的毒性风险较小.将14个影响指标（8个社会经济因子与6个公园特征因子）作为输入层、土壤w（PAHs）作为输出层,建立BP神经网络的拟合优度达0.845.预测结果显示,2020年和2023年北京城区公园土壤中w（PAHs）范围分别为0.008~0.969 mg/kg和0.022~1.988 mg/kg,整体均低于GB 36600—2018土壤污染风险筛选值,但随时间推移呈上升趋势,尤其朝阳区和海淀区将有大幅增长.研究显示:城市化发展因素对土壤w（PAHs）的增加有明显影响,城市发展进程影响不容忽视;至2023年,北京城区公园土壤若不加管理,其w（PAHs）将持续增长.      

基于神经网络的喀斯特石漠化预警分析模型研究——以广西都安为例

阐述了人工神经网络的基本工作原理,分析BP算法在神经网络中的应用,并具体介绍了BP算法过程。在此基础上,以都安石漠化预警分析为例,提出了基于神经网络的石漠化预警模型的结构。人工神经网络模型实现了石漠化预警分析,确定石漠化危险性指数,并把分析的结果以专题图的形式来表现,从而验证石漠化预警分析模型的可靠性和可行性。     

基于BP神经网络的垃圾焚烧过程故障诊断

应用BP神经网络方法,建立了垃圾焚烧过程故障诊断的模型.该方法采用梯度下降法训练网络权值,利用最优停止法对网络进行了优化,避免了过拟合现象.提高了BP神经网络的训练速度和泛化能力.并以实际焚烧过程工况数据进行性能检验,检验结果表明了该BP网络具有较高的诊断精度.     

基于B-P神经网络的环境质量评价方法

提出可将环境质量评价的无论是定量指标还是定性参数转化成"二进制"的"1"或"0",进而将这种二进制数引入B-P网络.通过实例探讨,这种新的B-P网络既适用于定量指标的水质参数又适用于定性指标的水质参数.     

大气环境数据分析预测方法对比研究

以西安市2006年9月27日至2008年5月3日每日的SO2平均浓度时间序列为例,应用时间序列分析对前555个数据进行拟合,得到合适的时间序列模型ARIMA(1,1,2);利用神经网络中的BP神经网络和RBF神经网络对同样的样本进行训练,用这三种方法对2008年4月4日至2008年5月3日的SO2日均浓度值进行了预测,并用同样的方法分析预测了同期PM10日均浓度值,最后比较了它们的预测效果。结果表明,利用这三种方法进行浓度预测都是可行的,其中RBF神经网络法的预测误差最小,效果最好。     

基于L-M神经网络的道路交通噪声预测研究

神经网络具有很强的预测功能.根据石家庄公路交通噪声的实测数据,利用L-M优化算法的多层神经网络预测模型进行道路交通噪声的预测,经检验,计算值与实测值接近,预测精度令人满意.     

改进的B—P网络在大气环境质量综合评价中的应用

本文引入人工神经网络理论，提出了大气环境质量综合评价的修正的Ｂ－Ｐ网络模型，与其它评价模型比较，表明该模型更具有优越性。