乌伦古湖水质现状及污染防治对策

着重对乌伦古湖所监测的项目作了全面系统的分析，评价了该湖的水环境质量，指出乌伦古湖水质的主要问题是严重咸化，这是该湖可持续发展的最大障碍。并指出做好湖区规划，增加水源供给，加强污水处理和湿地建设，是乌伦古湖未来发展的有利措施。     

“引额济海”成绩卓著

位于阿勒泰地区福海县境内的布伦托海(又名福海、乌伦古湖)总水面积约1000KM~2,是新疆第二大湖.年蒸发量为9亿立方米。其主要补给为乌伦古河。由于自然的和人为的因素造成乌伦古河的补给量逐年减少,到80年代初河水断流使湖面水位比60年代初下降了五米多,湖面面积20年间减少了一百平方公里。由于“入不敷出”,湖水水质急剧恶化,矿化度由1959年的2.72克/升,到     

高温灰化—电极法测定乌伦古湖鱼中氟的方法初探

以乌伦古湖鱼体(鱼肉,不含鱼内脏)为研究对象,在碱性条件下,用硝酸镁固定样品中氟,高温灰化去除有机物,盐酸浸提,用离子缓冲溶液消除干扰离子,离子选择电极法测定乌伦古湖鱼中的氟。实际样品中加入1.00 mg/kg氟标准品,测定回收率分别为89.5%和88.0%,RSD为3.02%和4.29%。     

宁夏彭阳水质监测断面的水质评价及预测

基于2011—2015年茹河彭阳水质监测断面的水质数据,采用物元分析法对其断面水质进行评价;建立适用于该监测断面的马尔可夫预测模型对断面水质类别进行预测;同时依据平稳分布对各类水质的重现期作了分析。结果表明:彭阳水质监测断面水质为Ⅲ类;对马尔可夫链预测模型进行验证,满足预测精度;2015年9月和11月的水质类别预测结果均为Ⅲ类,且Ⅲ类水质出现的周期最短,属河流水质常态,其重现期为4.9个月,整体水质较好。     

东平湖及上游河段水质分析预测

运用水质数学模型,对东平湖及上游河段各控制断面的水质进行了预测和验证,说明了该预测方案的科学性和可行性。并分析了预测中误差存在的原因,提出了改进措施。     

一种水源地气温-水温-水质关系智能预警算法

设计了一种两阶段算法,引入水温作为中间桥梁,第一阶段利用多变异位自适应遗传算法解析气温与水温数学关系,第二阶段根据遗传算法改进的BP神经网络通过水温对水质进行预测,进而设计气温-水温-水质组成的水质预测算法GA-GABP,并将该算法应用于秦皇岛石河水库的水质监测模拟。结果表明,整个过程算法寻优速率快,网络学习时间短,其最终拟合、预测效果理想,能够对水质预警作出有效分析。     

河流水质变化趋势的灰色多变量予测模型

关于水体水质预测,目前尚处于发展形成阶段.其方法大体可分为相关法与模型法两类[1].相关法是指将水质参数与影响该水质参数的主要因素建立相关关系,由此作为预测依据.模型法是选用合适的水质模型进行水质预测.一般而言,由于相关法是基于概率统计原理,这就要求有较大的样本量,而模型法则需较深入地研究扩散、降解特性,以求得方程中的有关参数.相比之下,灰色预测方法在此     

PSO和SVM混合算法确定太湖入湖河流水质主要影响因子

以影响太湖入湖河流水质的24个因子值为研究对象，将PSO算法与SVM算法相结合。PSO算法用于优化SVM算法的参数c和g，以利于快速、高效地确定c和g的全局最优值；SVM算法基于最优的c和g，分别以24，21，18，15，12，9和6个因子作为特征向量预测水质的污染程度。结果表明，当特征向量为9个影响因子时预测率最高。其参数c=18.56，g=1.35，对应的预测率为：全局预测率92.59%，重度污染水质预测率88.89%，轻度污染水质预测率94.45%。因此，通过PSO和SVM混合算法，可以确定影响太湖入湖河流水质的主要因子，利用这些主要因子对水质进行预测预警，不但可以节省时间，而且可以得到精确的结果。     

灰色模型在岩溶地下水水质预测中的应用研究

运用灰色理论建立水质预测模型,通过对水质指标拟合值与实测值差异性分析,判断模型精密度,并预测山东省东阿县下马头水源地未来2年的水质变化趋势,结果表明:在4项水质指标预测模型中,总硬度、氟化物指标的GM(1,1)时间响应预测模型拟合结果较好;溶解性总固体、硝酸盐指标的GM(1,1)时间响应预测模型精密度均为3级,不适合指标的预测;未来2年下马头水源地岩溶地下水水质良好。     

改进主成分分析与多元回归融合的汉丰湖水质评估及预测

基于2015—2017年汉丰湖水质监测数据,采用改进主成分分析和多元回归相融合的评价方法对水环境质量状况进行评价。先对水质主要影响因素采用改进主成分分析作降维处理并计算主成分得分值,再对选定的主成分作多元线性回归处理得到水质预测回归模型,并用于研究区水质的评估预测。结果表明:选出的4个主成分因子其累积方差贡献率达到87.3%,实现了数据结构的简化;同时,改进主成分回归预测值总体上更趋近于实测值,其预测结果的相对误差最大值4%,而常规方法预测结果的相对误差最大值接近10%,体现出该方法所建模型具有较高的预测精度。