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【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

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PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 水环境监测、水质评价与水华预测概论1

1.1 水体富营养化与水华的危害1

1.1.1 水体富营养化1

1.1.2 水华的概念及与水体富营养化关系2

1.1.3 藻类水华产生的主要过程3

1.1.4 水华的危害4

1.2 水体富营养化评价方法5

1.2.1 水体富营养化评价标准5

1.2.2 富营养化评价模型6

1.2.2.1 营养指数法6

1.2.2.2 浮游植物生态模型7

1.2.2.3 生态动力学模型7

1.2.2.4 不确定性分析和回归模型7

1.2.2.5 人工神经网络模型7

1.3 水华预测建模方法8

1.3.1 基于机理生态建模方法8

1.3.1.1 回归模型8

1.3.1.2 总磷平衡模型8

1.3.1.3 生态动力学模型9

1.3.1.4 非线性回归模型9

1.3.2 基于人工智能的建模方法10

1.3.2.1 人工神经网络的预测模型10

1.3.2.2 组合智能方法的预测模型11

1.4 水环境监测技术及应用12

1.5 本章小结13

第2章 “水华”成因及规律的实验与阈值点研究14

2.1 概述14

2.2 实验设计与方法14

2.2.1 模拟自然条件14

2.2.2 藻种的预培养和保存15

2.2.3 正交实验条件选择15

2.2.4 藻类生长实验16

2.2.5 各指标测定方法16

2.3 实验结果与分析18

2.3.1 藻类生长曲线分析19

2.3.1.1 叶绿素a表征藻类生长曲线19

2.3.1.2 不同N/P条件下藻类生长曲线20

2.3.2 表征指标的相关性分析（DO、pH和chl-a）21

2.3.3 △DO与△pH预测“水华”暴发的研究23

2.3.4 藻类生长比增长速率影响因素的研究25

2.3.5 藻类生长感官指标分析26

2.4 微量元素对藻类生长的影响27

2.4.1 微量元素27

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）28

2.4.3 各指标测定方法和仪器药品28

2.4.3.1 指标测定方法28

2.4.3.2 实验仪器及药品28

2.4.4 微量元素对藻类生长的影响29

2.4.4.1 不同Fe3＋浓度对藻类生长的影响29

2.4.4.2 不同Mn2＋浓度对藻类生长的影响31

2.4.4.3 不同氮磷比对藻类增长的影响与Fe3＋影响的比较32

2.5 水力搅动对藻类生长的影响33

2.5.1 实验设计与方法33

2.5.2 实验结果与分析34

2.5.2.1 有无水力搅动对藻类生长影响34

2.5.2.2 不同水力搅动强度对藻类生长影响35

2.5.3 小结35

2.6 “水华”阈值与暴发点的研究36

2.6.1 藻类生长趋势分析36

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36

2.6.1.2 叶绿素a高浓度（＞40μg·L-1）条件下与藻密度相关性分析37

2.6.2 突变理论与蓝藻暴发点模型构建38

2.6.2.1 突变理论与尖点模型39

2.6.2.2 蓝藻水华暴发点突变模型的建立40

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41

2.6.3.1 样本选择41

2.6.3.2 蓝藻水华生长综合机理模型仿真41

2.6.3.3 小结42

2.6.4 “水华”阈值的研究42

2.6.4.1 水华暴发感官指标42

2.6.4.2 北京长河水系水华评价42

2.7 本章小结44

第3章 水体富营养化评价方法研究45

3.1 概述45

3.1.1 营养因素46

3.1.2 非营养因素46

3.2 水体富营养化评价标准与指标47

3.2.1 水体富营养化评价标准47

3.2.2 水体富营养化评价指标47

3.2.2.1 水体指标48

3.2.2.2 表征指标48

3.2.2.3 感官指标48

3.3 水体富营养化评价模型48

3.3.1 评分模型49

3.3.2 营养指数模型49

3.3.2.1 卡森指数法（TSI）49

3.3.2.2 修正的卡森指数法49

3.3.2.3 综合营养状态指数法50

3.3.2.4 改进的综合营养指数法50

3.3.3 灰色理论评价模型51

3.4 多属性决策的水体富营养化评价52

3.4.1 多属性决策理论52

3.4.2 优化权重获取模型53

3.4.3 算法步骤53

3.5 灰色关联分析评价方法53

3.5.1 灰色关联因素和关联算子集54

3.5.2 灰色关联公理与灰色关联度54

3.5.2.1 广义灰色关联度55

3.5.2.2 灰色相对关联度55

3.5.2.3 灰色综合关联度56

3.5.3 灰色关联分析法的步骤56

3.5.4 改进的灰色关联分析57

3.5.5 改进的灰色关联分析在水体富营养化评价的应用58

3.5.5.1 水体富营养化评价步骤58

3.5.5.2 评价结果比较60

3.6 水体富营养化评价方法应用61

3.6.1 综合营养指数的评价方法61

3.6.1.1 水体评价数据的确定61

3.6.1.2 水体评价结果比较61

3.6.2 几种评价方法应用比较62

3.6.3 富营养化评价结果63

3.7 本章小结64

第4章 水华形成过程分析与智能建模方法65

4.1 基于Petri网的湖库水华形成过程建模65

4.1.1 模糊理论65

4.1.1.1 模糊理论概述65

4.1.1.2 模糊集理论基本概念66

4.1.2 Petri网67

4.1.2.1 Petri网概述67

4.1.2.2 Petri网算法67

4.1.3 模糊理论与Petri网在叶绿素预测中的应用69

4.2 基于多Agent的湖库水华机理建模79

4.2.1 Agent技术和ABM的研究现状79

4.2.2 影响水华形成过程的因素分析81

4.2.3 水华形成过程Agent系统内部机理策略81

4.2.3.1 概述81

4.2.3.2 水体内部生化反应建模81

4.2.3.3 生长模型参数动态率定82

4.2.3.4 小结85

4.2.4 水华形成过程Agent仿真与建模85

4.2.4.1 基于Agent的水华指标行为建模85

4.2.4.2 水华形成机理模型动态仿真87

4.2.4.3 仿真系统运行与实现87

4.3 本章小结89

第5章 水华暴发主要因素分析与预测指标体系研究90

5.1 水华暴发的影响因素90

5.1.1 化学因素90

5.1.2 物理因素91

5.1.3 生物因素92

5.2 水华暴发主要因素实验92

5.2.1 实验设计与方法92

5.2.1.1 藻种的预培养和保存92

5.2.1.2 实验因素及水平的选择93

5.2.1.3 正交实验各组条件选择93

5.2.1.4 正交实验方法及具体步骤93

5.2.2 实验结果与分析93

5.3 水华预测指标体系构建95

5.3.1 粗糙集确定水华预测指标96

5.3.1.1 粗糙集理论96

5.3.1.2 基于粗糙集理论的水华预测指标选取97

5.3.2 主成分分析法确定水华预测指标98

5.3.2.1 主成分分析法98

5.3.2.2 基于主成分分析法的水华预测指标选取100

5.3.3 水华预测模型的输入输出变量确定100

5.3.4 水华预测指标体系101

5.3.5 小结101

5.4 水华综合评价模型及在预测中的应用101

5.4.1 综合评价模型理论102

5.4.1.1 非线性极小值原理102

5.4.1.2 灰色预测理论102

5.4.1.3 改进的GM（1,1）模型107

5.4.2 藻类生长模型研究107

5.4.2.1 藻类生长模型的建立107

5.4.2.2 模型中参数的率定结果108

5.4.2.3 结果验证及分析110

5.4.3 水华综合评价模型110

5.4.3.1 水华综合评价函数的构建110

5.4.3.2 模型中各参数的确定110

5.4.3.3 计算水华综合评价函数111

5.4.3.4 水华综合评价函数计算结果及分析111

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113

5.4.4.1 GM（1,1）、改进的GM（1,1）模型预测结果比较113

5.4.4.2 预测结果分析115

5.4.5 小结115

5.5 本章小结115

第6章 水华智能化短期预测方法116

6.1 概述116

6.1.1 前向型神经网络118

6.1.2 反馈型神经网络118

6.1.3 两种类型各自典型网络的比较118

6.2 基于BP神经网络的水华短期预测方法118

6.2.1 BP神经元模型和网络结构118

6.2.1.1 BP网络结构及其算法118

6.2.1.2 BP算法的改进122

6.2.2 基于BP神经网络的水华短期预测模型建立与仿真124

6.2.2.1 主导变量与数据预处理124

6.2.2.2 预测模型的建立与仿真分析126

6.2.2.3 不同间隔时间的预测对比128

6.2.2.4 三种改进算法的预测对比130

6.3 基于RBF神经网络的水华短期预测方法131

6.3.1 RBP神经元模型和网络结构131

6.3.1.1 径向基（RBF）神经元模型131

6.3.1.2 RBF神经网络结构132

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133

6.3.1.4 基于MATLAB工具箱的RBF网络设计137

6.3.1.5 小结137

6.3.2 基于RBF的水华短期预测模型模型建立与仿真137

6.3.2.1 RBF预测模型的建立137

6.3.2.2 仿真分析138

6.3.2.3 径向基函数宽度与网络拟合能力分析140

6.3.2.4 径向基函数宽度与网络泛化性能分析141

6.3.2.5 短期RBF神经网络的输入变量的敏感度分析143

6.3.2.6 RBF与BP网络水华预测软测量模型的比较143

6.3.3 小结146

6.4 基于Elman神经网络的水华短期预测方法146

6.4.1 Elman神经元模型和网络结构146

6.4.1.1 Elman网络特点146

6.4.1.2 Elman神经元及函数147

6.4.1.3 Elman的学习算法147

6.4.1.4 Elman网络的改进147

6.4.2 基于Elman神经网络的水华短期预测模型建立与仿真149

6.4.2.1 Elman神经网络预测模型的建立149

6.4.2.2 北京市河湖水华短期预测152

6.4.2.3 Elman模型测试及其泛化能力分析154

6.4.2.4 Elman网络与BP网络两种预测模型对比156

6.5 基于灰色理论与神经网络的水华预测模型158

6.5.1 灰色系统模型158

6.5.1.1 灰色理论概述158

6.5.1.2 灰色系统建模原理159

6.5.1.3 灰色系统预测161

6.5.1.4 GM（1,1）预测模型162

6.5.2 灰色理论与神经网络在叶绿素预测中的应用163

6.5.2.1 预测指标的确定163

6.5.2.2 灰色理论与神经网络预测步骤164

6.5.2.3 实验与仿真结果165

6.5.3 灰色系统模型的原理及改进166

6.5.3.1 灰色系统的优化166

6.5.3.2 灰色理论的应用167

6.6 基于过程神经网络的水华预测建模168

6.6.1 过程神经元网络168

6.6.1.1 过程神经元168

6.6.1.2 过程神经元网络基本模型168

6.6.2 基于过程神经网络的水华预测方法169

6.6.2.1 基于函数正交基的PNN预测算法169

6.6.2.2 PNN算法改进170

6.6.2.3 水华预测过程神经网络算法实现170

6.6.3 过程神经网络在水华预测中的应用171

6.6.4 本节小结173

6.7 本章小结173

第7章 水华智能化中长期预测方法175

7.1 基于支持向量机的水华中期预测方法175

7.1.1 回归型支持向量机176

7.1.1.1 支持向量机的核176

7.1.1.2 非线性回归算法176

7.1.1.3 常用的核函数177

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178

7.1.2.1 最小二乘支持向量机算法178

7.1.2.2 最小二乘支持向量机参数选择179

7.1.2.3 LSSVM建模179

7.1.2.4 模型参数选择180

7.1.2.5 LSSVM中期预测及结果分析180

7.1.2.6 支持向量机模型与神经网络模型对比182

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183

7.2 基于小波神经网络的水华中期预测方法185

7.2.1 小波分析185

7.2.1.1 一维连续小波变换186

7.2.1.2 离散小波变换186

7.2.1.3 多分辨率分析187

7.2.1.4 快速小波变换188

7.2.2 基于WANN网络的水华中期预测模型建立与仿真188

7.2.2.1 WANN网络构建188

7.2.2.2 离散小波变换189

7.2.2.3 隐层神经元个数的选择189

7.2.2.4 实验结果与分析189

7.2.2.5 WANN与BP预测结果比较191

7.3 基于灰色理论与神经网络的水华长期预测方法193

7.3.1 灰色理论与神经网络在水华预测中的应用193

7.3.1.1 WPGM（1,1）-BP神经网络模型193

7.3.1.2 改进的灰色WPGM（1,1）-BP神经网络模型194

7.3.1.3 灰色-神经网络水华预测模型建立步骤196

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197

7.4 本章小结201

第8章 水华时序预测及因素分析方法202

8.1 引言202

8.2 水华时序预测204

8.2.1 监测数据采集及预处理204

8.2.2 特征因素筛选204

8.2.3 特征因素时序建模205

8.2.3.1 确定特征因素时序结构205

8.2.3.2 建立特征因素时序周期项模型205

8.2.3.3 建立特征因素时序随机项模型206

8.2.3.4 建立特征因素多元周期平稳时序模型206

8.2.4 特征因素时序预测208

8.2.4.1 特征因素多重潜周期多元自回归混合模型预测208

8.2.4.2 多重潜周期多元自回归混合模型灰色预测208

8.3 水华特征因素分析209

8.3.1 预测误差计算209

8.3.2 因素分析210

8.4 水华时序预测及因素分析实例211

8.4.1 水华时序预测211

8.4.1.1 特征因素监测数据采集及预处理211

8.4.1.2 特征因素筛选211

8.4.1.3 特征因素时序建模215

8.4.1.4 水华特征因素多元时序预测217

8.4.2 水华特征因素分析217

8.4.2.1 预测误差计算217

8.4.2.2 因素分析217

8.4.3 特征因素预测结果比较218

8.5 本章小结224

第9章 水华应急处理决策方法225

9.1 水华主要治理方法与应急处理决策方法225

9.1.1 水华主要治理方法225

9.1.2 应急处理决策方法227

9.2 水华治理决策指标体系构建228

9.2.1 指标体系构建原则228

9.2.2 水华治理决策指标体系构建228

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229

9.3.1 决策理论与原理229

9.3.2 多属性决策方法230

9.3.3 模糊-多属性决策理论应用的基本步骤233

9.3.3.1 建立决策矩阵及规范化233

9.3.3.2 属性权重的获取234

9.3.3.3 水华应急治理决策实现234

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234

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236

9.3.6 小结238

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239

9.4.1 贝叶斯决策理论239

9.4.1.1 决策理论与原理239

9.4.1.2 贝叶斯决策方法239

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239

9.4.2.1 综合约束条件构建239

9.4.2.2 概率的模糊化处理241

9.4.3 基于模糊-贝叶斯理论的水华应急治理决策实现241

9.4.4 小结244

9.5 基于环境成本的模糊灰色关联度的多目标决策方法244

9.5.1 环境成本多目标决策模型建立方法244

9.5.2 分层矩阵构建245

9.5.3 参考方案确定246

9.5.4 灰色关联度理论246

9.5.4.1 灰色关联度理论246

9.5.4.2 灰色关联度计算246

9.5.5 水华应急治理模糊-灰色关联度方法247

9.5.5.1 决策层次及规范化247

9.5.5.2 水华应急治理决策仿真249

9.5.6 小结251

9.6 基于贝叶斯决策理论的水华治理决策方法251

9.6.1 贝叶斯决策理论基础251

9.6.2 基于贝叶斯决策理论的水华治理决策方法251

9.6.2.1 水华治理决策多指标体系的确立251

9.6.2.2 水华治理决策模型251

9.6.2.3 水华治理贝叶斯决策方法254

9.6.3 本节小结260

9.7 本章小结260

第10章 河湖水质评价及水华预警系统实现261

10.1 系统设计与实现261

10.1.1 系统结构261

10.1.2 水质信息采集终端设计262

10.2 监控系统体系结构与工作原理263

10.2.1 监测系统总体框架263

10.2.2 GPRS技术与特点263

10.2.3 监测系统GPRS的组网方式265

10.2.4 系统配置265

10.2.5 系统工作原理265

10.2.6 数据传输通信原理266

10.2.7 远程监测站工作方式266

10.2.8 通信协议的设计267

10.3 远程监测软件267

10.3.1 远程端与数据中心软件267

10.3.2 实时数据采集程序267

10.3.3 软件平台与结构267

10.3.4 软件实现技术268

10.3.4.1 Windows Sockets网络接口技术268

10.3.4.2 VB调用MATLAB的ActiveX技术268

10.3.4.3 MATLAB的COM-Builder技术271

10.3.4.4 MATLAB与Access数据库的连接272

10.3.4.5 VB与Access数据库的连接272

10.3.4.6 VB的数据传输技术273

10.4 水华智能预测与预警应用系统275

10.4.1 水质评价及水华预警系统（应用系统一）275

10.4.1.1 系统的主操作界面275

10.4.1.2 数据采集模块275

10.4.1.3 数据查询模块275

10.4.1.4 水质评价模块276

10.4.1.5 水华预警模块277

10.4.2 叶绿素与溶解氧预测软件系统（应用系统二）279

10.4.2.1 叶绿素预测子系统279

10.4.2.2 溶解氧预测子系统279

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）282

10.4.3.1 系统框架282

10.4.3.2 系统实现284

10.4.3.3 系统算法实现285

10.4.4 太湖水质远程监测与信息管理系统（应用系统四）291

10.4.4.1 GPRS远程无线传输技术291

10.4.4.2 基于GPRS的水质远程监测接口设计296

10.4.4.3 系统架构与主要功能302

10.4.4.4 软件结构304

10.4.4.5 系统软件功能与界面305

10.5 本章小结309

参考文献310