论文部分内容阅读
近年来,随着北京市城市经济和人口的快速发展,城区河湖水质明显恶化,水华问题日益突出,逐渐成为北京的“水害”之一。本论文主要研究了北京市城区河湖水体水华的成因及规律,分析了影响水华发生的各因素和各表征指标之间的相关性,深入研究了水华暴发机理,确定了北京城区河湖水体的水华阈值和暴发点,并通过正交实验和粗糙集理论的对比研究确定了水华预测指标体系。通过与藻类生长机理模型对比,最终选择Elman人工神经网络模型建立了水华预警模型,利用VB与Matlab混合编程实现了模型的软件化和自动化,开发了《北京市城市河湖水华短期预测预警系统》。利用预警系统对北海2008年6月、7月、8月三个月叶绿素和溶解氧进行了预测,获得了较高的预测精度。
在模拟自然条件下,通过对北京城区河湖水体水华成因及规律的研究发现水华形成的一般规律。叶绿素a可以很好的表征藻类的生长过程,生长过程可分为适应、萌芽、暴发、稳定和死亡五个阶段。在相同的磷起始浓度下,藻类最大现存量随氮磷比的变化依次是16:1>25:1>5:1,达到最大现存量的时间依次是5:1>25:1>16:1,即氮磷比16:1最适藻类生长。藻类生长过程中,DO与叶绿素a之间存在明显的正相关,相关系数为0.84,pH与叶绿素a也存在很好的正相关,相关系数为0.83,pH与DO为显著相关,相关系数达0.93以上。培养周期内一天24小时,pH、DO均随叶绿素a呈波动变化。同时发现,藻类比增长速率随着水温和太阳辐射的增大而增大。通过水力搅动模拟水体流动实验,水力搅动能够明显的降低藻类最大现存量,随着水力搅动强度的增加,水体达到最大现存量的时间逐渐推后。
本论文研究了铁、锰微量元素对藻类的生长的影响。在不同氮磷比条件下,Fe3+浓度在(5～5000)μg/L范围内都能极大地促进藻类对氮、磷营养盐的吸收和利用,使藻类最大现存量和最大比增长速率成倍增加。因此,在营养充分时,Fe3+可能成为水华暴发的主要诱发因素,且Fe3+促进作用的强弱依次为500>50>5>5000(μg/L)；Mn2+浓度在(5～5000)μg/L范围内对藻类增殖有一定的促进作用,但促进效果比Fe3+要小。Mn2+低浓度(50μg/L)下,对藻类增殖的促进作用最为显著,但随着浓度的增加促进作用逐渐下降,当浓度达到40mg/L时,Mn2+对藻类生长产生抑制作用。
在实验室条件下,本论文对北京市城区五个重要河湖水体进行了水华阈值和暴发点的研究。发现在叶绿素a浓度小于40μg/L时,叶绿素a与藻密度问的相关性不明显,但当水体叶绿素a浓度大于40μg/L之后,呈较好的线性关系,R2在0.8705以上。这是由于此时水体中生物多样性下降,某种藻类在水体中占据了绝对优势,成为优势藻种。同时,水体的颜色、透明度、气味等物理性状都发生明显恶化,藻类的生长极为旺盛,藻密度和藻类日增长率达106数量级,可认为此时水体已经暴发水华,所以确定北京城区河湖水华阈值是40μg/L。通过对藻类生长曲线进行回归分析,结合藻密度和叶绿素a的日增长率的变化量,得到了北京市各河湖水体的暴发点,同时确定水华暴发的警戒限为叶绿素a浓度20μg/L。给出了确定某个具体水体水华阈值和暴发点的一种方法,对于水华的预警有一定的指导意义。
正交实验结果表明对藻类生长和繁殖的影响程度大小依次是水温>光照>总磷>总氮,并且与粗糙集理论分析的结论是相符的,只是在总磷重要程度的排序上有所不同,以此确定了水华预测指标体系。
本论文尝试性的建立了藻类生长机理模型,并与实验获得的藻类生长机理进行了印证,模型能够较好地反映藻类生长趋势,模拟值与实际值的平均相对误差为3.9％。同时,对模型在水华预警方面的缺陷进行了分析,发现其在藻类迅速增长阶段(水华暴发阶段)会出现较大偏差,不适合进行水华预测。
在水华预测指标体系确定的基础上,本文使用改进算法的Elman神经网络建立预测模型,并与BP模型的测试结果进行对比和分析。Elman网络模型拟合性能好,泛化能力强,预测精度高,在24小时内预测精度高达90.62％,能够很好应用于水华的短期预测预警。
根据Elman神经网络短期预测模型,利用VB和MATLAB技术开发了《北京市城市河湖水华短期预测预警系统》,系统包括叶绿素a和溶解氧的24小时预测和48小时预测四个子系统,实现了模型的软件化和自动化。并利用北海2008年6月、7月、8月三个月水体的实测数据进行了系统的预测,系统对叶绿素a预测具有较高的精度,预测第二天的叶绿素值的月平均精度在88.36％以上,预测第三天的叶绿素值的月平均精度在85..56％以上,可以很好反映水体叶绿素的变化情况。预测第三天的溶解氧值的月平均精度在69.00％以上,高于预测第二天的溶解氧月平均精度48.19％,说明系统更适合较长时间间隔(两天后)的溶解氧预测。
为实现对城市河湖水华的中期预测,针对水华暴发具有时间序列的特性,本文论尝试采用最小二乘支持向量机(LSSVM)建立水华中期智能预测模型。具体分析了LSSVM模型参数的选择,并对LSSVM选取不同时间间隔采样数据进行预测,最后与SVM、BP网络模型进行对比,证明了LSSVM模型在水华中期预测中的有效性,为后续开发北京河湖水华中期预测系统提供了理论基础。