太湖水体Chl-a预测模型ARIMA在引排水方案优化中的应用

我国东部大型浅水湖泊太湖的富营养化和藻华暴发一直是困扰该地区社会经济高质量发展的重要水问题之一,其中水资源分配不均及部分营养盐浓度较高,严重制约了太湖水体生态环境的健康发展。基于1999-2019年太湖水质、气象等逐月观测资料,构建了基于协变量(TN、TP、COD_Mn、降水量和引排水量)的叶绿素a(Chl-a)预测模型ARIMA(1, 1, 1)(0, 1, 1)₁₂,并结合2007-2019年历史引排水方案经验和效果,提出了未来平水年情景下降低太湖藻华大面积暴发风险的引排水方案优化策略。结果表明:所构建的ARIMA(1, 1, 1)(0, 1, 1)₁₂模型能有效预测太湖水体Chl-a浓度;且在预设未来情景下,通过同步增加引、排水量可有效降低水体营养盐含量。引排水方案的优化关键在于季节性水资源的合理调配,在满足水安全的基础上适当加大冬春季节引排水,可达到改善水动力和排出营养盐的效果。     

太湖水体Chl-a预测模型ARIMA的构建及应用优化

叶绿素a(Chl-a)是湖泊浮游植物生物量的重要指标,其含量能反映水中浮游植物的丰度和变化规律.以1999年12月～2019年8月太湖水体Chl-a和环境因子的逐月监测数据为基础,运用主成分分析方法探讨了 Chl-a与环境因子的关系,据此建立了 Chl-a与主要环境因素之间的多元线性逐步回归模型及自回归综合移动平均模型...     

基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用

水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段.但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题.利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建...