水环境监测评价与水华智能化预测方法及应急治理决策系统 作者:刘载文,王小艺,崔莉凤 著出版时间:2013年版内容简介 《水环境监测评价与水华智能化预测方法及应急治理决策系统》系统地提出基于智能信息处理技术的水质评价与水华预测方法,以及水华应急治理决策方法,论述了水环境监测和数据远程传输技术,介绍了水华预警软件系统的实现方案。内容主要包括:通过模拟实验研究藻类生长和繁殖的过程,采用主成分分析法和粗糙集理论分析水华暴发的影响因素,探讨了灰色关联度分析方法和多属性决策理论在水体富营养化评价中的应用,研究基于petri网和Agent的建模仿真技术,分别研究BP、RBF和Elman等人工神经网络建模方法,建立水华发生的短期预测模型,研究基于最小二乘支持向量机(LSSVM)、小波神经网络组合模型(WANN)、灰色?神经混合预测模型的水华中期预测方法,采用基于多元周期平稳时序分析方法对水华形成过程中的特征因素建模和预测,提出了基于模糊?多属性决策理论、最小风险与最优成本综合约束条件下的模糊,贝叶斯决策方法,以及基于环境成本的模糊灰色关联度的水华应急治理决策方法。《水环境监测评价与水华智能化预测方法及应急治理决策系统》可供从事水环境监测、水质评价以及进行水华预测方法研究和应急治理的决策管理人员和工程技术人员参考,也可作为环境工程、自动控制、信息工程、管理工程等专业本科生与研究生的教材或参考书。目录1.1 水体富营养化与水华的危害1.1.1 水体富营养化1.1.2 水华的概念及与水体富营养化关系1.1.3 藻类水华产生的主要过程1.1.4水华的危害1.2 水体富营养化评价方法1.2.1 水体富营养化评价标准1.2.2 富营养化评价模型1.2.2.1 营养指数法1.2.2.2 浮游植物生态模型1.2.2.3 生态动力学模型1.2.2.4 不确定性分析和回归模型1.2.2.5 人工神经网络模型1.3 水华预测建模方法1.3.1 基于机理生态建模方法1.3.1.1 回归模型1.3.1.2 总磷平衡模型1.3.1.3 生态动力学模型1.3.1.4 非线性回归模型1.3.2 基于人工智能的建模方法1.3.2.1 人工神经网络的预测模型1.3.2.2 组合智能方法的预测模型1.4 水环境监测技术及应用1.5 本章小结2.1 概述2.2 实验设计与方法2.2.1 模拟自然条件2.2.2 藻种的预培养和保存2.2.3 正交实验条件选择2.2.4 藻类生长实验2.2.5 各指标测定方法2.3 实验结果与分析2.3.1 藻类生长曲线分析2.3.1.1 叶绿素a表征藻类生长曲线2.3.1.2 不同N/P条件下藻类生长曲线2.3.2 表征指标的相关性分析(DO、pH和chl?a)2.3.3 ΔDO与ΔpH预测“水华”暴发的研究2.3.4 藻类生长比增长速率影响因素的研究2.3.5 藻类生长感官指标分析2.4 微量元素对藻类生长的影响2.4.1 微量元素2.4.2 微量元素作用实验(铁、锰及不同Mn2+浓度对藻类生长的影响)2.4.3 各指标测定方法和仪器药品2.4.3.1 指标测定方法2.4.3.2 实验仪器及药品2.4.4 微量元素对藻类生长的影响2.4.4.1 不同Fe3+浓度对藻类生长的影响2.4.4.2 不同Mn2+浓度对藻类生长的影响2.4.4.3 不同氮磷比对藻类增长的影响与Fe3+影响的比较2.5 水力搅动对藻类生长的影响2.5.1 实验设计与方法2.5.2 实验结果与分析2.5.2.1 有无水力搅动对藻类生长影响2.5.2.2 不同水力搅动强度对藻类生长影响2.5.3 小结2.6 “水华”阈值与暴发点的研究2.6.1 藻类生长趋势分析2.6.1.1 叶绿素a低浓度(40μg·L-1)条件下与藻密度相关性分析2.6.2 突变理论与蓝藻暴发点模型构建2.6.2.1 突变理论与尖点模型2.6.2.2 蓝藻水华暴发点突变模型的建立2.6.3 尖点突变模型在湖库蓝藻水华形成机理分析中的应用2.6.3.1 样本选择2.6.3.2 蓝藻水华生长综合机理模型仿真2.6.3.3 小结2.6.4 “水华”阈值的研究2.6.4.1 水华暴发感官指标2.6.4.2 北京长河水系水华评价2.7 本章小结3.1 概述3.1.1 营养因素3.1.2 非营养因素3.2 水体富营养化评价标准与指标3.2.1 水体富营养化评价标准3.2.2 水体富营养化评价指标3.2.2.1 水体指标3.2.2.2 表征指标3.2.2.3 感官指标3.3 水体富营养化评价模型3.3.1 评分模型3.3.2 营养指数模型3.3.2.1 卡森指数法(TSI)3.3.2.2 修正的卡森指数法3.3.2.3 综合营养状态指数法3.3.2.4 改进的综合营养指数法3.3.3 灰色理论评价模型3.4 多属性决策的水体富营养化评价3.4.1 多属性决策理论3.4.2 优化权重获取模型3.4.3 算法步骤3.5 灰色关联分析评价方法3.5.1 灰色关联因素和关联算子集3.5.2 灰色关联公理与灰色关联度3.5.2.1 广义灰色关联度3.5.2.2 灰色相对关联度3.5.2.3 灰色综合关联度3.5.3 灰色关联分析法的步骤3.5.4 改进的灰色关联分析3.5.5 改进的灰色关联分析在水体富营养化评价的应用3.5.5.1 水体富营养化评价步骤3.5.5.2 评价结果比较3.6 水体富营养化评价方法应用3.6.1 综合营养指数的评价方法3.6.1.1 水体评价数据的确定3.6.1.2 水体评价结果比较3.6.2 几种评价方法应用比较3.6.3 富营养化评价结果3.7 本章小结4.1 基于Petri网的湖库水华形成过程建模4.1.1 模糊理论4.1.1.1 模糊理论概述4.1.1.2 模糊集理论基本概念4.1.2 Petri网4.1.2.1 Petri网概述4.1.2.2 Petri网算法4.1.3 模糊理论与Petri网在叶绿素预测中的应用4.2 基于多Agent的湖库水华机理建模4.2.1 Agent技术和ABM的研究现状4.2.2 影响水华形成过程的因素分析4.2.3 水华形成过程Agent系统内部机理策略4.2.3.1 概述4.2.3.2 水体内部生化反应建模4.2.3.3 生长模型参数动态率定4.2.3.4 小结4.2.4 水华形成过程Agent仿真与建模4.2.4.1 基于Agent的水华指标行为建模4.2.4.2 水华形成机理模型动态仿真4.2.4.3 仿真系统运行与实现4.3 本章小结5.1 水华暴发的影响因素5.1.1 化学因素5.1.2 物理因素5.1.3 生物因素5.2 水华暴发主要因素实验5.2.1 实验设计与方法5.2.1.1 藻种的预培养和保存5.2.1.2 实验因素及水平的选择5.2.1.3 正交实验各组条件选择5.2.1.4 正交实验方法及具体步骤5.2.2 实验结果与分析5.3 水华预测指标体系构建5.3.1 粗糙集确定水华预测指标5.3.1.1 粗糙集理论5.3.1.2 基于粗糙集理论的水华预测指标选取5.3.2 主成分分析法确定水华预测指标5.3.2.1 主成分分析法5.3.2.2 基于主成分分析法的水华预测指标选取5.3.3 水华预测模型的输入输出变量确定5.3.4 水华预测指标体系5.3.5 小结5.4 水华综合评价模型及在预测中的应用5.4.1 综合评价模型理论5.4.1.1 非线性极小值原理5.4.1.2 灰色预测理论5.4.1.3 改进的GM(1,1)模型5.4.2 藻类生长模型研究5.4.2.1 藻类生长模型的建立5.4.2.2 模型中参数的率定结果5.4.2.3 结果验证及分析5.4.3 水华综合评价模型5.4.3.1 水华综合评价函数的构建5.4.3.2 模型中各参数的确定5.4.3.3 计算水华综合评价函数5.4.3.4 水华综合评价函数计算结果及分析5.4.4 水华综合评价模型与灰色预测相结合用于水华预测5.4.4.1 GM(1,1)、改进的GM(1,1)模型预测结果比较5.4.4.2 预测结果分析5.4.5 小结5.5 本章小结6.1 概述6.1.1 前向型神经网络6.1.2 反馈型神经网络6.1.3 两种类型各自典型网络的比较6.2 基于BP神经网络的水华短期预测方法6.2.1 BP神经元模型和网络结构6.2.1.1 BP网络结构及其算法6.2.1.2 BP算法的改进6.2.2 基于BP神经网络的水华短期预测模型建立与仿真6.2.2.1 主导变量与数据预处理6.2.2.2 预测模型的建立与仿真分析6.2.2.3 不同间隔时间的预测对比6.2.2.4 三种改进算法的预测对比6.3 基于RBF神经网络的水华短期预测方法6.3.1 RBP神经元模型和网络结构6.3.1.1 径向基(RBF)神经元模型6.3.1.2 RBF神经网络结构6.3.1.3 基于不同时间序列输入量的RBF神经网络模型分析6.3.1.4 基于MATLAB工具箱的RBF网络设计6.3.1.5 小结6.3.2 基于RBF的水华短期预测模型模型建立与仿真6.3.2.1 RBF预测模型的建立6.3.2.2 仿真分析6.3.2.3 径向基函数宽度与网络拟合能力分析6.3.2.4 径向基函数宽度与网络泛化性能分析6.3.2.5 短期RBF神经网络的输入变量的敏感度分析6.3.2.6 RBF与BP网络水华预测软测量模型的比较6.3.3 小结6.4 基于Elman神经网络的水华短期预测方法6.4.1 Elman神经元模型和网络结构6.4.1.1 Elman网络特点6.4.1.2 Elman神经元及函数6.4.1.3 Elman的学习算法6.4.1.4 Elman网络的改进6.4.2 基于Elman神经网络的水华短期预测模型建立与仿真6.4.2.1 Elman神经网络预测模型的建立6.4.2.2 北京市河湖水华短期预测6.4.2.3 Elman模型测试及其泛化能力分析6.4.2.4 Elman网络与BP网络两种预测模型对比6.5 基于灰色理论与神经网络的水华预测模型6.5.1 灰色系统模型6.5.1.1 灰色理论概述6.5.1.2 灰色系统建模原理6.5.1.3 灰色系统预测6.5.1.4 GM(1,1)预测模型6.5.2 灰色理论与神经网络在叶绿素预测中的应用6.5.2.1 预测指标的确定6.5.2.2 灰色理论与神经网络预测步骤6.5.2.3 实验与仿真结果6.5.3 灰色系统模型的原理及改进6.5.3.1 灰色系统的优化6.5.3.2 灰色理论的应用6.6 基于过程神经网络的水华预测建模6.6.1 过程神经元网络6.6.1.1 过程神经元6.6.1.2 过程神经元网络基本模型6.6.2 基于过程神经网络的水华预测方法6.6.2.1 基于函数正交基的PNN预测算法6.6.2.2 PNN算法改进6.6.2.3 水华预测过程神经网络算法实现6.6.3 过程神经网络在水华预测中的应用6.6.4 本节小结6.7 本章小结7.1 基于支持向量机的水华中期预测方法7.1.1 回归型支持向量机7.1.1.1 支持向量机的核7.1.1.2 非线性回归算法7.1.1.3 常用的核函数7.1.2 基于最小二乘支持向量机的水华中期预测模型建立与仿真7.1.2.1 最小二乘支持向量机算法7.1.2.2 最小二乘支持向量机参数选择7.1.2.3 LSSVM建模7.1.2.4 模型参数选择7.1.2.5 LSSVM中期预测及结果分析7.1.2.6 支持向量机模型与神经网络模型对比7.1.2.7 最小二乘支持向量机在北京市河湖水华中期预测中的应用7.2 基于小波神经网络的水华中期预测方法7.2.1 小波分析7.2.1.1 一维连续小波变换7.2.1.2 离散小波变换7.2.1.3 多分辨率分析7.2.1.4 快速小波变换7.2.2 基于WANN网络的水华中期预测模型建立与仿真7.2.2.1 WANN网络构建7.2.2.2 离散小波变换7.2.2.3 隐层神经元个数的选择7.2.2.4 实验结果与分析7.2.2.5 WANN与BP预测结果比较7.3 基于灰色理论与神经网络的水华长期预测方法7.3.1 灰色理论与神经网络在水华预测中的应用7.3.1.1 WPGM(1,1)?BP神经网络模型7.3.1.2 改进的灰色WPGM(1,1)?BP神经网络模型7.3.1.3 灰色?神经网络水华预测模型建立步骤7.3.2 基于灰色?神经网络的水华长期预测模型建立与仿真7.4 本章小结8.1 引言8.2 水华时序预测8.2.1 监测数据采集及预处理8.2.2 特征因素筛选8.2.3 特征因素时序建模8.2.3.1 确定特征因素时序结构8.2.3.2 建立特征因素时序周期项模型8.2.3.3 建立特征因素时序随机项模型8.2.3.4 建立特征因素多元周期平稳时序模型8.2.4 特征因素时序预测8.2.4.1 特征因素多重潜周期多元自回归混合模型预测8.2.4.2 多重潜周期多元自回归混合模型灰色预测8.3 水华特征因素分析8.3.1 预测误差计算8.3.2 因素分析8.4 水华时序预测及因素分析实例8.4.1 水华时序预测8.4.1.1 特征因素监测数据采集及预处理8.4.1.2 特征因素筛选8.4.1.3 特征因素时序建模8.4.1.4 水华特征因素多元时序预测8.4.2 水华特征因素分析8.4.2.1 预测误差计算8.4.2.2 因素分析8.4.3 特征因素预测结果比较8.5 本章小结9.1 水华主要治理方法与应急处理决策方法9.1.1 水华主要治理方法9.1.2 应急处理决策方法9.2 水华治理决策指标体系构建9.2.1 指标体系构建原则9.2.2 水华治理决策指标体系构建9.3 模糊?多属性决策理论及其水华应急治理决策中的应用9.3.1 决策理论与原理9.3.2 多属性决策方法9.3.3 模糊?多属性决策理论应用的基本步骤9.3.3.1 建立决策矩阵及规范化9.3.3.2 属性权重的获取9.3.3.3 水华应急治理决策实现9.3.4 基于多属性理论的湖库藻类水华应急决策方法的实现9.3.5 基于模糊?多属性理论的北京湖库水华应急决策方法应用9.3.6 小结9.4 基于带有约束条件的模糊?贝叶斯决策水华应急治理决策方法9.4.1 贝叶斯决策理论9.4.1.1 决策理论与原理9.4.1.2 贝叶斯决策方法9.4.2 基于综合约束的贝叶斯决策理论在水华应急治理中的应用9.4.2.1 综合约束条件构建9.4.2.2 概率的模糊化处理9.4.3 基于模糊?贝叶斯理论的水华应急治理决策实现9.4.4 小结9.5 基于环境成本的模糊灰色关联度的多目标决策方法9.5.1 环境成本多目标决策模型建立方法9.5.2 分层矩阵构建9.5.3 参考方案确定9.5.4 灰色关联度理论9.5.4.1 灰色关联度理论9.5.4.2 灰色关联度计算9.5.5 水华应急治理模糊?灰色关联度方法9.5.5.1 决策层次及规范化9.5.5.2 水华应急治理决策仿真9.5.6 小结 9.6 基于贝叶斯决策理论的水华治理决策方法9.6.1 贝叶斯决策理论基础9.6.2 基于贝叶斯决策理论的水华治理决策方法9.6.2.1 水华治理决策多指标体系的确立9.6.2.2 水华治理决策模型9.6.2.3 水华治理贝叶斯决策方法9.6.3 本节小结9.7 本章小结10.1 系统设计与实现10.1.1 系统结构10.1.2 水质信息采集终端设计10.2 监控系统体系结构与工作原理10.2.1 监测系统总体框架10.2.2 GPRS技术与特点10.2.3 监测系统GPRS的组网方式10.2.4 系统配置10.2.5 系统工作原理10.2.6 数据传输通信原理10.2.7 远程监测站工作方式10.2.8 通信协议的设计10.3 远程监测软件10.3.1 远程端与数据中心软件10.3.2 实时数据采集程序10.3.3 软件平台与结构10.3.4 软件实现技术10.3.4.1 Windows Sockets网络接口技术10.3.4.2 VB调用MATLAB的ActiveX技术10.3.4.3 MATLAB的COM?Builder技术10.3.4.4 MATLAB与Access数据库的连接10.3.4.5 VB与Access数据库的连接10.3.4.6 VB的数据传输技术10.4 水华智能预测与预警应用系统10.4.1 水质评价及水华预警系统(应用系统一)10.4.1.1 系统的主操作界面10.4.1.2 数据采集模块10.4.1.3 数据查询模块10.4.1.4 水质评价模块10.4.1.5 水华预警模块10.4.2 叶绿素与溶解氧预测软件系统(应用系统二)10.4.2.1 叶绿素预测子系统10.4.2.2 溶解氧预测子系统10.4.3 湖库水质监测与水华应急治理决策系统(应用系统三)10.4.3.1 系统框架10.4.3.2 系统实现10.4.3.3 系统算法实现10.4.4 太湖水质远程监测与信息管理系统(应用系统四)10.4.4.1 GPRS远程无线传输技术10.4.4.2 基于GPRS的水质远程监测接口设计10.4.4.3 系统架构与主要功能10.4.4.4 软件结构10.4.4.5 系统软件功能与界面10.5 本章小结 上一篇: 厦门湾海域环境质量评价和环境容量研究 下一篇: 人体健康与环境 2015年版