龙景湖叶绿素a浓度预测模型敏感性分析

《龙景湖叶绿素a浓度预测模型敏感性分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、龙景湖叶绿素a浓度预测模型敏感性分析重庆大学硕士学位论文（专业学位）学生姓名：何沁波指导教师：胡学斌教授兼职导师：王祥勇高级工程师学位类别：工程硕士（环境工程领域）重庆大学城市建设与环境工程学院二O一五年五月SensitivityAnalysisofChlorophyll-aPredictionModelofLong-jinglakeAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheProfessionalDegreeByHeQinboSupe

2、rvisedbyProf.HuXuebinPluralisticSupervisedbySN.ENGR.WangXiangyongSpecialty:ME（EnvironmentlEngeeringField）FacultyofUrbanConstructionandEnvironmentalEngineeringofChongqingUniversity,Chongqing,ChinaMay2015中文摘要摘要龙景湖为封闭深水型湖泊，水动力条件差，且湖内营养物质丰富，因此湖体极容易在条件适宜的情况下导致藻类大量生长，影响湖体的景观作用。论文致力于环

3、境因子对藻类生长影响机制的研究，探索对藻类生长影响较大的环境因子，为防治龙景湖藻华爆发提供一定指导。在对龙景湖水质特征进行监测的基础之上，针对龙景湖的不同区域，建立了叶绿素a浓度预测模型，并利用此模型，对各个模型的输入参数进行了局部敏感性分析和全局敏感性分析，主要研究内容和结论如下：①利用相关性分析，对各环境因子与叶绿素a浓度的相关性和各环境因子间的相关性进行了考察，在建立叶绿素a浓度预测模型时，利用此分析结果筛选模型输入变量。剔除了与叶绿素a浓度无关（R<0.3）的环境因子，并对高度相关（R>0.8）的环境因子进行了合并。②通过对模型预测精度及决策

4、系数的比较，确定了预测模型隐含层转移函数为tansig，输出层转移函数为purelin。露天剧场湖湾、湖心和秋亭桥湖湾三个监测点的隐含层神经元数量分别为8、13、13。模型的平均预测误差分别为2.23%、2.01%和2.37%，达到了良好的预测水平。③利用基于偏导的局部敏感性分析，分析得出三个监测点对各环境因子的敏感性，发现叶绿素a浓度对水温、ORP、TP和CODMn表现出了较高的敏感性。叶绿素a对各个因子的敏感性都是随时间的变化而变化的，在十一月中旬之前，各因子的敏感性系数处于较高水平，且各因子的敏感性系数差异较大；十一月中旬之后，各因子的敏感性系

5、数降低，且相互间差异较小，但水温在都表现出了最高的敏感性系数。④利用基于二阶偏导的全局敏感性分析，找出了对叶绿素a浓度有较高影响的双因子组。其中，以水温和TP、水温和CODMn以及真光层深度和CODMn为敏感性系数最高的双因子组。另外，通过与局部敏感性分析结果进行比较，发现某些局部敏感性系数不高的因子在与其他因子结合后其敏感性系数得到了提高，二者表现出协同作用。⑤通过比较TN和TP在局部敏感性分析和全局敏感性分析中的表现，发现叶绿素a浓度对TN的敏感性要明显低于对TP的敏感性，说明就营养盐限制而言，龙景湖表现为磷限制型的特征。关键词：BP神经网络，叶

6、绿素a浓度预测，局部敏感性，全局敏感性I英文摘要ABSTRACTLong-jinglakeisacloseddeeplakewithbadhydrodynamicconditionandplentifulnutrient,itiseasytobreedalgaewhenotherenvironmentfactorsareinappropriateconditions,whichwillseriouslyimpactthelandscapefunction.Thisarticleaimsattheresearchofalgaegrowthinfluen

7、cemechanism,whichwillrevealthemostinfluentialenvironmentfactortothealgaegrowth,inordertoprovideguidancetopreventandcontrolalgaebloom.Onthebasisofwater-qualitymonitoring,aBPneuralnetworkmodelforchlorophyll-apredictionwasestablishedspecifictoeachkindofmonitoringsite,thenanalyzedt

8、heinputparametersofeachBPneuralnetworkmodelwithlocalse