论文部分内容阅读
富营养化已成为一个全球性的重大水环境问题，全球经济持续高速增长的同时，带来了日益严重的环境污染问题。其中出现了湖泊、水库、河流等的水体富营养化日益严重的现象，特别是人类活动比较集中的区域内的湖泊和河流，水体富营养化过程加快，水质恶化，可利用功能丧失，制约着人类社会和经济的发展。千岛湖（新安江水库）位于浙江省西部，杭州市淳安县境内，是20世纪50年代修建新安江电站大坝拦水形成的大型水库，兼有发电、防洪、旅游、养殖、航运、饮用水源及工农业用水等多种功能。随着千岛湖整个流域开发活动的加剧，必然带来大量的对其生态环境不利的问题对其现有水质等级构成威胁。由于水体环境在千岛湖整个流域的生态系统中地位显要，对其水质恶化问题的有效预测是在千岛湖旅游开发过程中科学决策的重要基础。本文在总结和借鉴前人研究成果的基础上，主要就以下几方面进行了研究：（1）系统地阐述了水体富营养化的研究进展，以及水体富营养化的研究方法。（2）介绍了神经网络的原理和方法，并系统介绍了其在当前水体富营养化研究中的应用。（3）在千岛湖13个监测点中，本文选择了“街口”监测点作为研究对象，通过主因子分析法，从8个监测指标：水温、pH、DO、COD（Mn）、SD、TN、TP、Chla中，得到Tw、pH、Chla、SD、TN 5个水质因子作为BP网络输入变量。（4）本研究采用了1999年1月至2000年12月的实测数据共24对，为解决建立BP网络时样本不足的问题，本研究提出用插值的方法生成足够多的训练样本、检验样本和测试样本，通过插值法共生成93个样本对，利于网络的训练。（5）以Tw、pn、Chla、SD、TN为输入变量，Chla为输出变量，构建5个BP网络模型，以前89个样本对作为BP网络的训练集，后3个样本对作为确证集，对网络反复训练2000次，训练误差达到10-3。（6）结果表明，方案2能够很好的预测出街口Chla含量变化趋势，即以Tw、pH、Chla、SD为输入变量，Chla为输出变量构建的网络能够较好的预测千岛湖水质在短期内的变化趋势。其预测的相对误差和均方根误差都在20％以内，根据水体富营养化的具体特点，我们认为这个误差是可以接受的。因此我们选择2号网络方案作为预测街口Chla变化趋势的模型方案。本研究表明，BP人工神经网络模型能有效合理的模拟富营养化进程中的非线性行为，并能成功预测千岛湖中Chla的含量，可为千岛湖富营养化治理提供科学依据。