应用于水文预报的优化BP神经网络研究

利用广东省滨江流域的水文观测资料，建立了以前期降水量为预报因子、以水位为输出的BP人工神经网络水文预报模型。首先采用了合理的方法进行样本组织，进而利用最优子集回归技术进行输入因子的确定，然后进行了不同隐层节点数、不同转移函数、不同训练算法的组合试验，确定了应用于水文预报中的优化BP神经网络：网络结构为8-9-1；转移函数的组合方式为tansig-线性函数；训练算法为采用evenberg-Marquardt(Lm)算法。为便于精度分析，还采用了最优子集回归模型作了研究。结果表明，优化BP网络模型无论在拟合精度还是在预测精度上都高于最优子集模型。总的来说BP网络是一种精度较高的水文预测模型。     

城区大气污染物—NOx浓度预测预报模式研究

利用道路边大气污染的常年监测数据，对风向与无限线源成任意角的高斯内插大气扩散模式进行了系统测试，分析了影响预报精度的主要因素，在分析武汉市气象因素和天气状况的基础上，对模式进行了恰当地修正，经实测数据验证，预报准确度有了明显地提高。     

基于BP神经网络的南通机场风速预报模型

本文利用2016—2021年南通兴东机场整点报文数据,采用BP人工神经网络建立南通机场风速预报模型,将南通机场风速进行分级,并进行6 h和24 h模拟预报,以期对南通机场风速分级预报数值进行修订并讨论风速分级预报的准确率。结果如下：当风为1级、2级风时,风速无须修订;3级风时,6 h预报风速可修订增加0.6 m/s,24 h可修订增加3.8 m/s;而4级风时,6 h预报风速和24 h预报风速则分别修订增加1.0 m/s和4.8 m/s。利用2020年样本资料进行检验,在预报风速数值分级修订后,准确率结果如下：对民航安全运行有影响的4级风6 h准确率为66%,24 h为64%。再利用模型对2021年12月进行试预报可得：4级风6 h准确率为75%,24 h为73%。上述结果表明,该神经网络模型可以为南通机场风速预报提供一定的依据。     

城市大气污染综合治理规划方法

以北京市2008年三种主要大气污染物PM10、SO2及NOx环境空气质量达标方案的设计为案例，从城市大气污染综合治理规划方法学角度，提出并发展了一套包括环境空气质量的模拟、城市背景浓度的确定、优化模型、传输矩阵、分区规划、等效排放、措施信息库等方法在内的城市大气污染综合治理规划问题的整体解决的技术方案，为全国其它类似城市进行大气污染综合治理规划提供一种实例与参考，同时，研究的结果对北京市2008年大气污染控制对策的制定提供了科学的依据。     

空气污染预报污染物排放清单数据库的研究与建立

介绍了天津市空气污染预报污染源数据库建立的目的和方法，该数据库不同于常规的污染源数据库，要按模型需要对污染源信息进行了模式化处理，研究结果表明：该数据库应用于空气污染数值预报系统，预报结果达到课题设计的精度要求。     

城市大气中SO2、TSP、NO2的时空变化特性

以长沙市2001年大气监测数据为基础，对长沙市区大气污染现状及SO2，NO2和TSP分别与大气降水酸度之间的关系和三者的时空变化特征进行了研究．结果表明：长沙市区的大气污染现状达到警戒水平．SO2与降水酸度线性模型的回归系数为-0．5448，表明降水pH值随SO2浓度的增加而降低。TSP与降水酸度的回归模型呈二次分布，对降水pH值的作用决定于组成TSP的颗粒物粒径，而NO2对降水pH值的作用不大．长沙市区大气污染以春冬两季最为严重．SO2，NO2和TSP浓度分布以火车站最高，其次是伍家岭；作为清洁对照点的马坡岭站点的大气环境质量达到国家环境质量二级标准，NO2浓度则达到国家环境质量一级标准．     

邯郸采暖期环境污染特征及空气质量预报方法研究

利用河北邯郸气象和环境监测资料,分析了邯郸采暖期空气质量和环境气象条件特征;同时利用线性回归和BP神经网络统计方法对采暖期空气质量进行了预报研究。结果表明,PM_(10)、PM_(2.5)、SO_2、NO_2、CO(95)(CO日均值的第95百分位数)的空气质量指数(AQI)在冬季最高,夏季最低,O_3-8(90)(O_3日最大8 h值的第90百分位数)的AQI则相反。邯郸采暖期首要污染物以PM_(2.5)和PM_(10)为主,除O_3-8(90)外,其他5种污染物采暖期AQI均高于其年均值;同时采暖期降水少,温度低,小风出现频率明显高于非采暖期,而且局地逆温强,静稳天气指数高,是全年环境气象条件最差的时期。邯郸采暖期的环境气象条件1月最差,且夜晚差于白天,尤其是局地5—7时。邯郸采暖期首要污染物浓度与前一日污染物浓度、静稳指数、逆温、相对湿度和露点温度等呈正相关,与气温、风速、能见度和混合层高度等呈负相关。BP神经网络模型对污染物浓度的预报效果优于线性回归模型,可尝试应用于邯郸空气质量预报工作。     

GIS系统在城市大气污染控制与能源结构优化中的应用

通过对GIS系统与能源结构优化模型和大气污染物控制模型的集成研究，开发出具有较强应用价值的GIS优化控制系统。该系统具有数据采集系统、分析系统和决策系统，可用于城市能源结构优化研究，大气污染控制研究，并可促进城市的可持续性发展。     

基于Bayes判别分析法的郴州市山洪灾害预报

湖南省郴州市是湖南省山洪灾害多发的一个区域,对郴州市山洪灾害进行快速准确的预测意义重大.运用Bayes判别分析法,根据山洪灾害预报的简化原理使用灾害发生前10天的时效雨量和当日雨量作为预报模型因子建立一组山洪预报模型,计算得出的模型预报正确率为86.96%,满足Bayes判别分析正确率大于80%的要求,表明该方法预测山洪简单易行,可以为郴州市山洪灾害的预测以及防治提供一定的支撑.     

大气污染对植食昆虫的影响及作用机制

综述了植食昆虫对二氧化硫、氮氧化物、酸雨、臭氧和氟化物污染的不同反应，其基本规律是：中低浓度的大气污染促进植食昆虫的生长、发育、较高浓度的大气污染抑制植食昆虫的生长，不同种类的昆虫反应不同，植食昆虫对臭氧污染的反应多变而没有较统一的规律。另外，还论述了植食昆虫对大气污染的反应机理：一是大气污染→植物→昆虫途径，二是大气污染→生态系统→昆虫途径。     

基于人工神经网络的城市用水需求组合预测

城市用水需求预测是涉及到诸多要素的复杂系统预测问题。为了减少简单外推法预测所带来的误差,通过在训练BP神经网络时自动调整学习步长和添加动量项修正神经单元之间的权重,既提高了神经网络的收敛速度,又抑制了神经网络限于局部极小现象的发生;然后使用改进的BP神经网络寻找多元回归预测、径向基函数(RBF)神经网络和改进BP神经网络3个单项预测的最佳组合,来综合各项独立预测所包含的信息,并以条件假设按照参考、高、低3个方案预测分析某城市的用水需求情况,说明这种基于人工神经网络的组合预测方法在预测城市用水需求量时是一个准确高效的方法。     

Pesticide prediction in ground water in North Carolina domestic wells using artificial neural networks

This paper illustrates the application of artificial neural networks (ANN) for prediction of pesticide occurrence in rural domestic wells from the available limited information. Among the three ANN models (a feed-forward back propagation [BP], a radial basis function [RBF] and an adaptive neural network-based fuzzy inference system [ANFIS]) employed for this investigation, the BP neural network was found to be superior to RBF and ANFIS type networks for the detection of pesticide occurrences in wells. For improved model prediction efficiency, optimization of network structure (e.g., number of hidden layers and number of nodes in each hidden layer) and spread (the width of the radial basis function) are important for BP and RBF type of network, respectively. A four layer BP network with a 3:2 neurons ratio of the first hidden layer to the second hidden layer produced better prediction performance efficiencies in terms of the pesticide detection efficiency (E_f), the root mean square error (RMSE), and the correlation coefficient (R) and the overall E_f of the BP neural network was found greater than 85%. Sensitivity analysis was performed to measure the relative importance of one input parameter over the other in pesticide occurrence in wells. It was shown in terms of the prediction efficiencies (E_f, RMSE, and R) of a four-layer BP neural network that the time of sample collection (TSC; month of the year), the depths of wells, and pesticide travel times (PTT) were more important parameters in the prediction of the pesticide occurrences in rural domestic wells. This means that the wells having shallow ground water table are more vulnerable to pesticide occurrence.     

酚类化合物臭氧氧化速率的神经网络研究

酚类化合物(BP)是重要的工业原料或中间体,但工业废水含有的酚类化合物会对环境造成污染。为建立酚类化合物臭氧氧化速率的QSPR(quantitative structure-property relationship)预测模型,分析了23种酚的分子结构与臭氧氧化速率之间的相关关系,计算了这些酚的分子连接性指数和分子形状指数,优化筛选了连接性指数的1χ和2χ、分子形状指数的K1和K2共4种参数,将其作为BP神经网络的输入层变量,臭氧氧化速率作为输出层变量,采用4:2:1的网络结构,获得了令人满意的QSPR神经网络预测模型,模型总相关系数r为0.976,计算得到的臭氧氧化速率的预测值与实验值较为吻合,平均残差仅为0.05;为检验结构参数建立模型的普适性,同样方法建立对酚类化合物的辛醇-水分配系数的预测模型,模型总相关系数r达到0.993,辛醇-水分配系数的预测值与实验值吻合度较为理想,结果表明,本法建构的神经网络模型具有良好的稳健性和预测能力。     

Determination of the principal factors of river water quality through cluster analysis method and its prediction

In this paper, an artificial neural network model was built to predict the Chemical Oxygen Demand (COD_Mn) measured by permanganate index in Songhua River. To enhance the prediction accuracy, principal factors were determined through the analysis of the weight relation between influencing factors and forecasting object using cluster analysis method, which optimized the topological structure of the prediction model input items of the artificial neural network. It was shown that application of the principal factors in water quality prediction model can improve its forecasting skill significantly through the comparison between results of prediction by artificial neural network and the measurements of the COD_Mn. This methodology is also applicable to various water quality prediction targets of other water bodies and it is valuable for theoretical study and practical application.     

基于时间序列神经网络预测的研究

阐述了BP神经网络基本原理,并对G．P算法进行描述,提出了一种基于BP神经网络的时间序列的预测和方法,通过应用实例的分析,该方法可以得到BP网络应用于非线性时间序列预测是可行的,结果表明：神经网络方法可以成功地用于分析预测时间序列变量．参4．     

编码输入法在PCB分配参数预测中的应用

根据Free-Wilson法中化合物结构表达的思想，采用两种简单的编码输入方法对58个多氯联苯(PCB)的结构进行表征，并基于模型简单性原则对多元线性回归(MLR)与误差反向传递(BP)人工神经网络、模拟退火(SA)人工神经网络和遗传算法(GA)人工神经网络PCB分配参数预测模型的预测能力进行了比较，试验证实，粗略考虑PCB结构对称性的简单编码输入规则可以简化PCB分配参数预测模型的数字形式，所获得的MLR模型具备广泛的应用前景。     

A novel hybrid model for water quality prediction based on VMD and IGOA optimized for LSTM

● A novel VMD-IGOA-LSTM model has proposed for the prediction of water quality. ● Improved model quickly converges to the global optimal fitness and remains stable. ● The prediction accuracy of water quality parameters is significantly improved. Water quality prediction is vital for solving water pollution and protecting the water environment. In terms of the characteristics of nonlinearity, instability, and randomness of water quality parameters, a short-term water quality prediction model was proposed based on variational mode decomposition (VMD) and improved grasshopper optimization algorithm (IGOA), so as to optimize long short-term memory neural network (LSTM). First, VMD was adopted to decompose the water quality data into a series of relatively stable components, with the aim to reduce the instability of the original data and increase the predictability, then each component was input into the IGOA-LSTM model for prediction. Finally, each component was added to obtain the predicted values. In this study, the monitoring data from Dayangzhou Station and Shengmi Station of the Ganjiang River was used for training and prediction. The experimental results showed that the prediction accuracy of the VMD-IGOA-LSTM model proposed was higher than that of the integrated model of Ensemble Empirical Mode Decomposition (EEMD), the integrated model of Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN), Nonlinear Autoregressive Network with Exogenous Inputs (NARX), Recurrent Neural Network (RNN), as well as other models, showing better performance in short-term prediction. The current study will provide a reliable solution for water quality prediction studies in other areas.     

基于人工神经网络方法的河北省近海沉积物重金属污染综合评价

利用误差反相传播神经（BP）网络对河北省近海沉积物中的铅、镉、锌、汞、砷5种重金属元素的污染水平进行分析,利用自组织特征映射（SOFM）网络对上述重金属元素分布特征进行分类,通过分类与污染水平量化值的结合,进行综合评价。SOFM把52个沉积物样品分别划分为3、4、6类和9类。对比各种分类,分为3类的物理意义较明确。每个类别分别对应高中低不同的污染物浓度水平,差异显著、分类方式比较合理。通过此种分类可以判断河北省近海的沉积物重金属污染在不同海域存在一定的差别,整体上是离海岸越远,沉积物的重金属污染水平越高,距海岸较近的海域内,沉积物的重金属污染水平较低,但渤海湾内的重金属污染水平高于其他海域。     

公路交通噪声预测的神经网络模型

利用多条国道、省道公路交通噪声的实测数据,建立了一个公路交通噪声预测的神经网络模型,能够同时预测公路交通噪声的等效连续声级、统计声级和标准偏差,预测值和实测值基本相符,该模型为公路交通噪声的预测、治理和控制提供了良好的条件。