【摘要】： 本文的研究工作主要著眼于利用神經(jīng)網(wǎng)絡(luò)模型對藻類水華進行建模和預(yù)測。一方面期望通過結(jié)合敏感分析方法來促進我們對于環(huán)境因素對藻類水華影響的認識,另一方面期望能夠獲得具有良好性能的藻類水華預(yù)測模型。 論文第一章首先介紹水體富營養(yǎng)化和藻類水華問題,以及藻類水華建模研究的主要目的。然后對藻類水華建模(藻類生物量建模)的研究文獻進行綜述,并介紹了神經(jīng)網(wǎng)絡(luò)方法在這一領(lǐng)域的應(yīng)用。最后,在文獻綜述的基礎(chǔ)上提出了本文的主要研究方法和研究內(nèi)容。 第二章是BP神經(jīng)網(wǎng)絡(luò)在滇池藻類水華建模的實證研究。滇池是一個水體渾濁的淺水湖泊,位于中國的西南地區(qū)。自1985年以來,滇池已經(jīng)遭受過多次嚴重的水華,引起水華發(fā)生的藻類中最主要的是微囊藻(Microcystis spp.)。在水華極端嚴重的情形下,滇池中藻類生物量曾超過每升30億個。為了預(yù)測滇池中微囊藻(Microcystis spp.)的生物量變化以及探索微囊藻(Microcystis spp.)生物量的動力學特性,作者開發(fā)了一個基于BP神經(jīng)網(wǎng)絡(luò)的模型。將模型預(yù)測的藻類生物量和實際觀測值進行相關(guān)分析,相關(guān)系數(shù)R2(correlation coefficient)達到0.911�；谟柧毢蟮玫降纳窠�(jīng)網(wǎng)絡(luò),我們進行了敏感分析。敏感分析的主要目的是研究不同環(huán)境因素的變化對微囊藻(Microcystis spp.)生物量變化的影響。敏感分析的結(jié)果表明一個較小的pH增量,可以引起微囊藻(Microcystis spp.)生物量的顯著減少。并且,針對原始數(shù)據(jù)的進一步研究表明:微囊藻(Microcystis spp.)生物量對pH值升高的反應(yīng)依賴于藻類生物量本身以及pH值的高低。當?shù)岢刂形⒛以?Microcystis spp.)生物量和pH值處于中等或較低水平時,pH值的增加更傾向于引起微囊藻(Microcystis spp.)生物量的增加;反之,當?shù)岢刂形⒛以?Microcystis spp.)生物量和pH值處于較高水平時,pH值的增加則傾向于引起微囊藻(Microcystis spp.)生物量的減少�？傊�,滇池中微囊藻生物量對pH變化的獨特反應(yīng)特性可由極高的藻類生物量和較高的pH值水平的來進行解釋。本章還對其它環(huán)境變量的變化對藻類生物量的影響進行了闡述。所有環(huán)境變量中,水溫一個標準差的增量對微囊藻(Microcystis spp.)生物量的正面影響最強�；瘜W需氧量(chemical oxygen demand,COD)和總磷(total phosphorus,TP)也和微囊藻(Microcystis spp.)生物量具有較強的正相關(guān)性。而總氮(total nitrogen,TN)、五日生物需氧量(biological oxygen demand in five days,BOD5)和溶解氧(dissolved oxygen,DO)與微囊藻(Microcystis spp.)生物量之間只有較弱的相關(guān)性。此外,透明度(transparency,Tr)和微囊藻(Microcystis spp.)生物量之間具有中等程度的正相關(guān)。 第三章將徑向基函數(shù)(Radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)應(yīng)用于澳大利亞Darling河的水華建模研究。結(jié)果表明,訓練后RBF神經(jīng)網(wǎng)絡(luò)能夠準確預(yù)測Darling河中引起水華的兩種主要藻種,Nostocales spp(.后文簡寫為Nostocales)和Anabaena spp.(后文簡寫為Anabaena),的生物量。同時,我們還進行了敏感分析研究,以闡明Nostocales和Anabaena的生物量動力學特征。敏感分析的結(jié)果表明,總動氮(total kinetic nitrogen)對這兩類藻的生長都有非常強的正面影響。其次,水電導率與這兩類藻的藻生物量之間具有非常強的負相關(guān)關(guān)系。第三,河水流量也確認為水華形成的一個非常突出的原因。在本章中,我們還通過散點圖技術(shù)較為形象地展現(xiàn)了較高的河水流量可以顯著減少兩種藻的藻生物量這一事實。最后,研究結(jié)果表明其它變量,如透明度、水顏色和pH值,對Darling河水華的形成沒有前面所述因素那么重要。 第四章通過分析澳大利亞Darling河Nostocales藻(Nostocales spp.)的歷史數(shù)據(jù),首先闡明Nostocales藻(Nostocales spp.)生物量時間序列的非平穩(wěn)特性。進而說明淡水生態(tài)系統(tǒng)傾向于呈現(xiàn)出非平穩(wěn)特性,而不是平穩(wěn)特性。而非平穩(wěn)特性則意味著只有系統(tǒng)“近期的過去”才能夠預(yù)測系統(tǒng)“近期的未來”。然而,在所有過去的藻生態(tài)預(yù)測和建模的研究工作中,研究者都沒有認真對待和關(guān)注系統(tǒng)的非平穩(wěn)特性。在本章的研究中,作者構(gòu)造了一種結(jié)合時間窗口技術(shù)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法來進行非平穩(wěn)藻生態(tài)時間序列的建模與預(yù)測研究,并具體用來預(yù)測Darling河Nostocales藻(Nostocales spp.)生物量時間序列。結(jié)果表明,結(jié)合時間窗口技術(shù)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型能夠有效地預(yù)測Nostocales藻(Nostocales spp.)水華的發(fā)生及其強度。此外,基于多個結(jié)合不同尺寸時間窗口的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型,我們特別構(gòu)造了一個智能組合器將多個徑向基函數(shù)模型的預(yù)測結(jié)果進行智能選擇,并得到了比單個徑向基函數(shù)模型更好的預(yù)測結(jié)果。 第五章對全文進行總結(jié),并對未來的研究進行了展望。
【學位授予單位】：華中科技大學
【學位級別】：博士
【學位授予年份】：2007
【分類號】：X52
【圖文】：

19圖2.1A 滇池（10個采樣點）葉綠素密度的觀測值（2000.9-2002.12）說明：1#采樣點28個月的值是最前面的28個數(shù)據(jù)，之后依次為2#、3#、…、10#采樣點的數(shù)據(jù)。所以，圖中總計有280個數(shù)據(jù)點。圖2.1B 滇池（10個采樣點）微囊藻生物量的觀測值（2000.9-2002.12）說明：1#采樣點28個月的值是最前面的28個數(shù)據(jù)，之后依次為2#、3#、…、10#采樣點的數(shù)據(jù)。所以，圖中總計有280個數(shù)據(jù)點。

說明：1#采樣點28個月的值是最前面的28個數(shù)據(jù)，之后依次為2#、3#、…、10#采樣點的數(shù)據(jù)。所以，圖中總計有280個數(shù)據(jù)點。圖2.1B 滇池（10個采樣點）微囊藻生物量的觀測值（2000.9-2002.12）說明：1#采樣點28個月的值是最前面的28個數(shù)據(jù)，之后依次為2#、3#、…、10#采樣點的數(shù)據(jù)。所以，圖中總計有280個數(shù)據(jù)點。

20圖2.1C 滇池（10個采樣點）總氮（TN）的觀測值（2000.9-2002.12）說明：1#采樣點28個月的值是最前面的28個數(shù)據(jù)，之后依次為2#、3#、…、10#采樣點的數(shù)據(jù)。所以，圖中總計有280個數(shù)據(jù)點。圖2.1D 滇池（10個采樣點）總磷（TP）的觀測值（2000.9-2002.12）說明：1#采樣點28個月的值是最前面的28個數(shù)據(jù)，之后依次為2#、3#、…、10#采樣點的數(shù)據(jù)。所以，圖中總計有280個數(shù)據(jù)點。

【引證文獻】

相關(guān)博士學位論文 前1條

1 湯亮;基于綜合效益評價的陶瓷產(chǎn)品全生命周期理論研究及應(yīng)用[D];武漢理工大學;2010年

本文編號：2779559