京杭运河杭州段水质模型研究

以京杭运河杭州段为对象,研究主要水污染超标因子氨氮的浓度预测方法.选取2007年6月2～10日运河实测水质变化过程,根据干流各节点的初始浓度和各支流的浓度,结合水位流量自动监测数据,分别用简化水库模型和有限差分法预测运河干流各节点的氨氮浓度,并与实测值进行比较分析.简化水库模型和有限差分法应用于该次水体氨氮浓度计算中,两者的误差均在5%以内,对运河水质预测均有一定的代表性.     

基于EFDC模型的南方某水库富营养化三维数值模拟

针对目前南方某水库存在“水华”风险问题,利用2010年实测水文、水质数据,基于EFDC富营养化模块,构建了南方某水库三维富营养化模型,并利用2011—2012年和2016年实测数据进行了模型参数率定和验证。结果显示水温和总磷模拟效果最好,模拟值与实测值高度吻合,年均总误差分别为0. 5%和-1. 4%; COD次之,模拟值与实测值基本吻合,年均总误差为-4. 4%;总氮和叶绿素模拟值与实测值有一定偏差,但仍能很好模拟变化趋势,氨氮和溶解氧稍差。该模型可为该水库后续开展水质和水生态预测预警提供技术支持。     

QUAL2K模型在苏子河水质模拟中的应用

水质模型的应用,是水质评价及预测的重要手段。依据调查与监测数据,建立了苏子河的QUAL2K水质模型,对该河BOD、COD、NH3-N三种水质参数进行验证,结果表明:苏子河5个监测点的水质指标模拟的相比误差均在10%以内,计算值与实测值相关性较好,能够达到模型精度的要求;对苏子河水质参数模拟精度最高的是NH3-N,其次是BOD和COD;对苏子河中游模拟误差最大,而大伙房水库入库口模拟误差最小。     

QUAL2K模型在大凌河流域水资源保护管理中的应用

水质模型的应用,是水质评价及预测的重要手段.本文依据调查与监测的数据,建立了朝阳大凌河流域枯水期阎王鼻子水库至白石水库段的QUAL 2K水质模型,结合GIS系统完成模拟值与监测值的参数估计,并通过水质模型得到验证,为水资源综合管理提供依据.     

区域降水量反演下水库调蓄能力空间位置参数辅助预测

为了解决现有水库调蓄能力预测算法存在的预测误差大的问题,在考虑降水量的情况下,设计区域降水量反演下的水库调蓄能力空间位置参数辅助预测方法。根据水库的组成结构,构建水库空间位置参数确认模型;利用卫星数据反演降水数据,估算目标区域降水量;利用圣维南方程求解水波运动规律,模拟水库水位极限值;在考虑区域降水量的情况下,确定水库调蓄能力预算指标,实现水库调蓄能力预测。实例分析结果表明：预测算法在水位、最大下泄流量和水库库容3个方面的预测误差均小于0.1,满足预测算法对精度的要求。     

基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

小波神经网络模型在水库水质预测中的应用研究

基于小波分析函数,建立小波神经网络模型,并将该模型运用于水库水质预测中,结合水库水质监测数据,对比分析小波神经网络模型在水库水质预测的适用性。研究结果表明:小波神经网络模型可较好预测水库水质情况,对比水库水质监测数据,该模型2014年水质预测精度各月份相对误差均可控制在20%以内,符合水质预测规范要求。研究成果对于水库水质预测预警平台建设提供参考价值。     

黄河上游羊曲水库水质预测研究

羊曲水库为峡谷型水库,长宽比较大,可忽略水流在横向和垂向的变化,只考虑纵向变化.在求解一维动态水质模型之前需推求水库水面线,以获得相关水力要素.通过建立一维动态水质模型,模拟了羊曲水库BOD、氨氮浓度的时空分布.得出在50%频率年,库区的BOD值小于3 mg/L、氨氮质量浓度小于0.5 mg/L.     

几种人工神经网络法的水质预测比较

人工神经网络是现如今被广泛应用于预测方面的方法,运用BP神经网络、RBF神经网络、Elman神经网络分别对大伙房水库的2006年的TN、TP进行预测,比较3种网络的训练误差和预测误差得到:RBF神经网络训练速度最快且训练误差最小,RBF神经网络和Elman神经网络的预测误差明显小于BP神经网络,RBF神经网络和Elman神经网络应用于水质预测是可行的。     

水质模型在杨溪水库污染负荷控制研究中的应用

杨溪水库是永康市主要的饮用水水源地,保障其供水安全意义重大。在对库区污染源调查的基础上,进行了现状水质的评价,得出主要污染因子为总氮,其年平均为III类水质,个别月份为IV类水质。采用水库质量平衡模型和狄龙模型模拟预测杨溪水库的水质,至2020年,CODMn仍可保持II类水质,但NH3-N由I类变为II类,总氮由III恶化为V类,总磷由II类变为Ⅳ类。基于此,计算了恢复至目标水质所需削减的污染负荷值,提出了污染源防治措施,并对实施效果进行预测。     

双隐含层BP神经网络模型在老哈河水质预测中的应用

为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。     

基于BP神经网络的潇河流域水质预测

针对传统水质预测方法存在预测精度不理想以及对实测数据要求较高的问题,建立基于BP神经网络的水质预测模型,以掌握研究流域未来一定时段的水环境质量情况。模型以潇河流域6个水质监测断面2017年1月-2020年5月的重铬酸盐指数和高锰酸盐指数的浓度作为训练集,以2020年6月-2020年8月的水质数据作为验证集进行模拟与预测。结果表明：BP神经网络模型经训练后,模拟的各断面水质指标平均相对误差均小于7%,相关性系数均超过了0.98,验证集的水质指标平均相对误差均小于18%。构建的BP神经网络模型预测精度较高,可以用于潇河流域的水质预测。     

A rapid forecasting method for mountain flood disaster based on machine learning algorithmsEI北大核心CSCD

基于高精度水动力模型与机器学习技术,运用极限随机树(ERT)及KNN算法,构建了高分辨率山洪灾害快速预报模型。利用确定系数、平均绝对误差和均方根误差3种指标评估模型的整体可靠性,同时,截取流域出口断面流量验证模型的预报性能。结果表明:所建模型预报结果与水动力模型模拟结果淹没范围基本一致,流域淹没范围平均相对误差低于5%,模型整体稳定可靠;流域出口断面流量平均相对误差低于10%,断面平均水深、流速平均相对误差低于5%,模型预报性能良好;模型可在10s内完成最大淹没情况计算并输出淹没范围图,能为紧急决策提供足够的前置时间,协助决策者更好地采取应对措施。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

Study on Water Quality Prediction of Urban Reservoir by Coupled CEEMDAN Decomposition and LSTM Neural Network Model

Urban reservoir is one of the important urban drinking water sources, and it is of important significance to ensuring the safety of urban water supply. The water quality of the reservoir is an important factor affecting the safety of water supply. Timely and accurate water quality prediction is very important for the formulation of a scientific and reasonable reservoir water supply plan. Considering the problem of high requirement of basic data in constructing water quality hydrodynamic physical model, this paper established a new data-driven model of water quality prediction in urban reservoir based on the Long and Short-Term Memory (LSTM) model, and the water quality data’s decomposition is implemented through the Complete Ensemble Empirical Modal Decomposition with Adaptive Noise (CEEMDAN) method. This model can not only realize the water quality prediction during different foreseen periods, but also solve the problem of low prediction accuracy caused by the randomness and large volatility of the measured data. Taking Xili Reservoir in Shenzhen of China as an example, the prediction of water concentration including total nitrogen, ammonia nitrogen, total phosphorus and PH value of Xili reservoir was realized based on historical monitoring data. Through simulation calculation, the prediction results of total nitrogen, ammonia nitrogen, total phosphorus and PH value in the water quality prediction model are highly consistent with the measured results, it is found that the simulation effect is good, and this model can well simulate the reservoir’s water quality concentration change process. For the total nitrogen and ammonia nitrogen, the relative prediction error of the model can be controlled below 10%, which shows the rationality of the built model. The research of this paper can provide an important theoretical and technical support for the water quality prediction and operation plan formulation of Xili Reservoir.

     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

Integration of Shuffled Frog Leaping Algorithm and Support Vector Regression for Prediction of Water Quality Parameters

Quality of surface water is a serious factor affecting human health and ecological systems. Accurate prediction of water quality parameters plays an important role in the management of rivers. Thus, different methods such as (support vector regression) SVR have been employed to predict water quality parameters. This paper applies SVR to predict eight water quality parameters including (sodium (Na⁺), potassium (K⁺), magnesium (Mg⁺²), sulfates (SO₄ ^?2), chloride (Cl^?), power of hydrogen (pH), electrical conductivity (EC), and total dissolved solids (TDS)) at the Astane station in Sefidrood River, Iran. To achieve an efficient SVR model, the SVR parameters should be selected carefully. Commonly, various techniques such as trial and error, grid search and metaheuristic algorithms have been applied to estimate these parameters. This study presents a novel tool for estimation of quality parameters by coupling SVR and shuffled frog leaping algorithm (SFLA) . Results of SFLA-SVR compared with genetic programming (GP) as a capable method in water quality prediction. Using SFLA-SVR, average of RMSE for training and testing of six combinations of data sets for all of the water quality parameters improved 57.4 % relative to GP. These results indicate that the new proposed SFLA-SVR tool is more efficient and powerful than GP for determining water quality parameters.     

ARIMA-SVR组合方法在水质预测中的应用

针对复杂水域水质变化机理难以掌握、水质预测建模困难且预测精度低的问题,将时间序列分析方法与机器学习方法引入水质预测领域,提出了基于差分自回归移动平均(ARIMA)与支持向量回归(SVR)组合模型的水质预测方法。数据经过预处理后先由ARIMA模型对其进行线性拟合,然后通过SVR模型预测残差以补偿其中的非线性变化。选择巢湖水域2004—2015年间的pH和溶解氧监测数据作为试验样本,通过Hodrick-Prescott(HP)滤波方法分析,结果表明2组数据具有不同的趋势特性和波动特性。根据精度评价指标对比分析模型的预测效果,结果表明组合模型预测精度显著提高,pH和溶解氧预测值与观测值间的相关系数均达到了0.99,均方根误差分别为0.20和0.61,平均绝对百分比误差分别为2.2%和6.6%。本研究所建立的组合预测方法具有较高的预测精度和较强的泛化能力,适用于复杂水域的水质预测。     

Water Consumption Prediction of Istanbul City by Using Fuzzy Logic Approach

This paper presents a Takagi Sugeno (TS) fuzzy method for predicting future monthly water consumption values from three antecedent water consumption amounts, which are considered as independent variables. Mean square error (MSE) values for different model configurations are obtained, and the most effective model is selected. It is expected that this model will be more extensively used than Markov or ARIMA (AutoRegressive Integrated Moving Average) models commonly available for stochastic modeling and predictions. The TS fuzzy model does not have restrictive assumptions such as the stationarity and ergodicity which are primary requirements for the stochastic modeling. The TS fuzzy model is applied to monthly water consumption fluctuations of Istanbul city in Turkey. In the prediction procedure only lag one is considered. It is observed that the TS fuzzy model preserves the statistical properties. This model also helps to make predictions with less than 10% relative error.     

几种AR和ARMA模型对城市用水量预测的比较

利用时间序列法中的自回归模型（AR）和自回归移动平均模型（ARMA）,对城市某区域的用水量进行预测。模型参数采用最小二乘法进行估计,并将预测值与实测值进行了比较。结果显示,预测值的相对误差均在±10%之内,且仅有个别点的相对误差在±5%之外,预测结果与实测值基本一致。对预测结果的进一步分析表明,高阶AR模型预测结果的均方差（MSE）低于低阶AR模型,而从平均绝对百分比误差（MAPE）来看,ARMA模型的预测结果并不优于AR模型。