CN104899653A - 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 - Google Patents
基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 Download PDFInfo
- Publication number
- CN104899653A CN104899653A CN201510294300.XA CN201510294300A CN104899653A CN 104899653 A CN104899653 A CN 104899653A CN 201510294300 A CN201510294300 A CN 201510294300A CN 104899653 A CN104899653 A CN 104899653A
- Authority
- CN
- China
- Prior art keywords
- model
- chlorophyll
- environmental factors
- key
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,属于水环境预测技术领域。所述预测方法包括关键影响因子确定、阈值确定、基于关键环境因子的专家系统建模预测、基于关键水质因子的机理时序建模预测和综合预测。本发明提出基于影响湖库蓝藻水华形成的环境因子,采用专家系统方法对湖库蓝藻水华形成过程进行建模预测,通过构建自适应神经模糊推理专家系统模型,实现根据未来时刻环境因子的变化预测蓝藻水华形成过程的变化,使水华建模预测的结果更加准确。本发明对水华形成过程的描述更符合实际,使水华建模预测的结果更加准确,提高了蓝藻水华建模预测方法的适应性。
Description
技术领域
本发明涉及一种湖库蓝藻水华预测方法,属于水环境预测技术领域,具体地说,是指基于影响蓝藻水华形成的环境因子和水质因子实测数据,分别采用专家系统以及蓝藻生长机理时序方法建模,并通过绝对阈值和相对阈值切换方式采用两种建模预测方法进行综合预测,提高预测精度的湖库蓝藻水华预测方法。
背景技术
水华是指出现在水体富营养化中,藻类爆发性繁殖聚集并达到一定浓度的一种典型表现,是水体物理、化学和生物过程等多种因素共同作用的结果。由于蓝藻水华发生的临界因素和机理尚不清楚,从总体上看,目前还缺少能在短期内有效防治蓝藻水华的技术和手段。在蓝藻水华未得到有效治理之前,对蓝藻水华的发生进行准确预测便于有关部门采取应对措施,降低危害。由于蓝藻水华发生的机理很复杂,影响因子较多,仅通过建立水华机理模型进行水华预测的效果并不理想,因而对其进行预测一直以来都是蓝藻水华治理和防治工作中的一个难点。
近些年来,随着研究的深入,一些基于数据驱动的建模方法被应用到水华预测当中。如神经网络模型等人工智能方法,人工智能方法预测的优势在于能对非线性系统建模、鲁棒性强,但同时存在预测结果具有偶然性、泛化能力取决于建模者的经验等局限;因此有学者提出基于数理统计的水华预测方法。这些模型取得了一定成效,并且在一定程度上预测了富营养化的变化趋势,但预测精度有限。
在实际应用中,必须考虑环境因子对蓝藻水华形成的影响,特别是在春、夏季。在实际工作中,有经验的水华分析人员能够根据近几天的少量天气信息及预测日的天气预报,较准确地预测水华。从20世纪60年代中期起步至今,专家系统得到迅速发展,如今专家系统已经渗透到社会科技生活的各个领域,国内外专家对专家系统的应用与研究进行了深入的探索。专家系统成功的应用,减轻了人类专家的重复性脑力劳动、推广和保存专家经验知识,但是目前还没有成功应用于水华预测研究中。
此外,水质因子是影响蓝藻水华形成的另一类主要因子,通过挖掘大量水质因子的历史数据信息,采用机理建模及数理统计的方法提取蓝藻生长机理特性及蓝藻生长变化规律,能够全面反映蓝藻生长情况,实现对蓝藻水华形成过程的准确预测,目前同样未见其成功应用于水华预测研究中的报道。
发明内容
本发明对湖库蓝藻水华预测方法进行研究,目的是解决现有的湖库蓝藻水华预测精度不高、无法实时考虑环境因子对蓝藻水华形成的影响等问题,针对实际受到环境因子和水质因子多种因子影响下的蓝藻水华形成过程实测数据,分别基于环境因子采用专家系统方法建模,以及基于水质因子采用机理时序方法建模,并考虑在实际湖库中不同时刻蓝藻水华形成的主导影响因子不同的情况下,采用绝对阈值和相对阈值方式对两种建模预测方法进行阈值切换综合预测,从而提高水华预测精度,为环保部门提供有效的参考依据,对湖库水环境的保护和改善起到重要的防治作用。
为便于说明,本说明书中所有未经解释的名词及字母含义均由下述假设解释:总采样时间为m,共有n1个关键环境因子,共有n2个关键水质因子。
本发明提供的基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法主要包括以下五个步骤:
步骤一、关键影响因子确定;
本发明将与水华形成有关的影响因子分为环境因子和水质因子两类。通过对湖库蓝藻水华形成机理的深入分析,并通过大量的实验研究初步确定影响蓝藻水华形成的环境因子和水质因子。在此基础上,将水体中叶绿素a作为湖库蓝藻水华形成的表征指标,通过皮尔逊相关性分析的数据挖掘方法,分别得到环境因子和水质因子与叶绿素a的相关性,根据皮尔逊相关性分析结果确定对叶绿素a影响较大的关键环境因子和关键水质因子。
步骤二、阈值确定;
由于环境因子和水质因子对水华形成的影响方式不尽相同,因此本发明分别基于关键环境因子和关键水质因子给出相应的水华预测方法。在不同实际条件下,水华形成的主导影响因子不同,因此本发明采用阈值切换的方式对两种基于不同影响因子的水华预测方法进行切换选用,考虑到实际应用情况,本发明将切换的阈值分为绝对阈值和相对阈值两种。水华预测方法切换的绝对阈值即关键环境因子对水华的形成起决定性作用时的临界值。本发明根据现有机理研究结合实际湖库情况确定绝对阈值。此外,在实际湖库环境中,关键环境因子常常会在短时间内发生剧烈变化,而这种剧烈变化不会立即反映在叶绿素a的变化上,从而导致水华预测结果不够准确,因此本发明在绝对阈值的基础上,又根据预测误差给出了相对阈值的定义,以实现当关键环境因子发生剧变使得预测效果降低时对预测方法的合理切换。
步骤三、基于关键环境因子的专家系统建模预测;
将关键环境因子作为专家系统模型的输入,将叶绿素a作为专家系统模型的输出。其中专家系统模型采用自适应神经模糊推理系统(ANFIS)模型。根据实测的关键环境因子数据,产生初始的模糊推理系统(FIS)结构,构建ANFIS模型,通过计算ANFIS模型输出,得到叶绿素a预测值。
步骤四、基于关键水质因子的机理时序建模预测;
将关键水质因子作为蓝藻生长的机理时序模型的输入,将叶绿素a作为机理时序模型的输出。根据关键水质因子类型及历史数据确定蓝藻生长机理模型的结构和参数。将蓝藻生长机理模型作为蓝藻生长时序模型的趋势项,并建立蓝藻生长时序模型的周期项和随机项,构建蓝藻生长机理时序模型,得到叶绿素a预测值。
步骤五、综合预测;
本发明通过绝对阈值和相对阈值切换的方式对湖库蓝藻水华形成过程进行综合预测。当关键环境因子未达到绝对阈值时,将关键水质因子作为水华形成的主导影响因子,切换至机理时序模型进行水华预测;当关键环境因子达到绝对阈值时,将关键环境因子作为水华形成的主导影响因子,切换至专家系统模型进行水华预测,并进一步进行相对阈值的判断。当专家系统模型的预测误差达到相对阈值时,切换至机理时序模型进行水华预测;否则,采用专家系统模型预测值。
本发明的优点在于:
1、本发明提出基于影响湖库蓝藻水华形成的环境因子,采用专家系统方法对湖库蓝藻水华形成过程进行建模预测,通过构建自适应神经模糊推理专家系统模型,实现根据未来时刻环境因子的变化预测蓝藻水华形成过程的变化,使水华建模预测的结果更加准确。
2、本发明提出基于影响湖库蓝藻水华形成的水质因子,采用机理时序方法对湖库蓝藻水华形成过程进行建模预测,将蓝藻生长机理模型作为蓝藻生长时序模型的趋势项模型,并结合蓝藻生长时序模型的周期项和随机项模型,构建蓝藻生长机理时序模型,考虑了蓝藻水华形成过程中由蓝藻生长机理导致的非平稳变化,对水华形成过程的描述更符合实际,使水华建模预测的结果更加准确。
3、本发明通过阈值切换的方式对湖库蓝藻水华形成过程进行综合预测,通过对两种基于不同影响因子的水华预测方法进行切换选用,考虑了不同实际条件下,蓝藻水华形成的主导影响因子的差异性,对水华形成过程的描述更符合实际,使水华建模预测的结果更加准确。
4、本发明将蓝藻水华预测方法的切换阈值分为绝对阈值和相对阈值,绝对阈值实现了环境因子对水华的形成起决定性作用时的预测方法切换,相对阈值实现了当环境因子发生剧变使得其预测效果降低时对预测方法的合理切换,从而提高蓝藻水华建模预测方法的适应性。
附图说明
图1是本发明基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法流程图;
图2是实施例1专家系统建模的训练数据;
图3是实施例1专家系统建模的训练结果;
图4是实施例1专家系统建模的测试结果;
图5是实施例1仅采用绝对阈值切换方式时叶绿素a预测值;
图6是实施例1仅采用绝对阈值切换方式时叶绿素a预测值与实测值对比;
图7是实施例1采用绝对阈值及相对阈值切换方式综合预测时叶绿素a预测值;
图8是实施例1采用绝对阈值及相对阈值切换方式综合预测时叶绿素a预测值与实测值对比。
具体实施方式
下面将结合附图对本发明作进一步的详细说明。
本发明提供一种基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,如图1所示流程,具体步骤如下:
步骤一、关键影响因子确定;
1、机理分析研究初步确定影响因子;
本发明将与水华形成有关的影响因子分为环境因子和水质因子两类。根据现有国内外学者对湖库蓝藻水华形成机理的深入分析以及大量的实验研究,通过文献查阅及实际经验,初步确定对实际湖库的蓝藻水华形成有影响的环境因子和水质因子。在初步确定影响水华形成的环境因子时,常见的环境因子有累积雨量、瞬时雨量、风速、风向、空气温度、湿度等;在初步确定影响水华形成的水质因子时,常见的水质因子有总氮、总磷、pH值、溶解氧、水温和光照等。
2、皮尔逊相关性分析确定关键影响因子;
在初步确定影响水华形成的环境因子和水质因子的基础上,将水体中叶绿素a作为湖库蓝藻水华形成的表征指标,通过皮尔逊相关性分析的数据挖掘方法,分别得到环境因子和水质因子与叶绿素a的相关性,根据相关性分析结果确定对叶绿素a影响较大的关键环境因子和关键水质因子。
步骤二、阈值确定;
1、绝对阈值的确定;
水华预测方法切换的绝对阈值即关键环境因子对水华的形成起决定性作用时的临界值。本发明确定绝对阈值的方法具体如下:
1)分别对各关键环境因子按不同量级进行分段{S1,S2,…},Sk={X|Xkmin≤X<Xkmax},k=1,2,…,其中,Sk为第k段的关键环境因子取值集合,X为关键环境因子取值,Xkmin为第k段的关键环境因子最小值,Xkmax为第k段的关键环境因子最大值;
2)确定各段对蓝藻生长及水华形成的影响,例如,对于某一关键环境因子按不同量级分成{S1,S2,S3,S4}共四段,且S1>S2>S3>S4,当S1={X|X1min≤X<X1max}时,水华难以形成,当S2={X|X2min≤X<X2max}时,有利于蓝藻生长发育,当S3={X|X3min≤X<X3max}时,有利于蓝藻上浮,而当S4={X|X4min≤X<X4max}时,有利于蓝藻进一步聚集,持续几天就可能暴发水华;
3)根据专家经验选取对蓝藻水华暴发起决定性作用的两个分段,将两个分段的临界值作为各关键环境因子的绝对阈值,例如,选取上一段中关键环境因子对蓝藻水华暴发起决定性作用的S3段和S4段的临界值X3min或X4max作为绝对阈值XD。
2、相对阈值的确定;
为实现当关键环境因子发生剧变使得预测效果降低时对预测方法的合理切换,在绝对阈值的基础上,本发明给出确定相对阈值的方法具体如下:
1)采用基于关键环境因子预测方法对叶绿素a进行预测;
2)将叶绿素a预测值与实测值相比较得到在m时刻向前预测l步(即l个时刻)的相对预测误差其中,Y(m+l)为在m+l时刻的叶绿素a实测值,为在m时刻向前预测l步的叶绿素a预测值;
3)将m+l+1时刻与m+l时刻相对预测误差等于5%作为各关键环境因子的相对阈值,所述的相对预测误差为其中E(m+l)为在m时刻向前预测l步的相对预测误差,E(m+l+1)为在m时刻向前预测l+1步的相对预测误差,l=1,2,…。
步骤三、基于关键环境因子的专家系统建模预测;
将关键环境因子作为专家系统模型的输入变量,将叶绿素a作为专家系统模型的输出变量。其中专家系统模型采用ANFIS模型。基于关键环境因子的专家系统建模预测具体方法如下:
1、数据预处理;
对关键环境因子和叶绿素a的m×(n1+1)维实测数据进行归一化处理。取前m1(0<m1<m)组数据作为训练数据,其余m2=m-m1组数据作为测试数据。
2、产生初始FIS结构;
针对专家系统模型输入变量即关键环境因子,由蓝藻水华预测的专家经验确定其隶属度函数的类型和个数,采用数据网格分割方法,根据训练数据的内在联系及规律,生成模糊推理系统,得到初始的模糊推理系统参数矩阵和初始专家规则。
3、构建ANFIS模型;
设定ANFIS模型的训练次数,根据训练数据、模糊推理系统参数矩阵、测试数据等给定信息,采用最小二乘和梯度下降的反向传播算法相结合的方式对模糊推理系统进行训练,得到校正后的模糊推理系统参数矩阵、专家规则和均方根误差,从而得到ANFIS模型。
4、计算ANFIS模型输出;
根据气象预报等信息给定未来时刻关键环境因子数据,作为ANFIS模型输入数据,完成所给ANFIS模型的模糊推理计算,得到ANFIS模型输出的叶绿素a预测值。
步骤四、基于关键水质因子的机理时序建模预测;
基于关键水质因子的机理时序建模预测具体方法如下:
1、蓝藻生长机理建模;
将叶绿素a实测数据看作时间序列,分为趋势项、周期项和随机项,其中趋势项采用蓝藻生长机理模型建模,将关键水质因子作为蓝藻生长机理模型的输入变量、叶绿素a作为输出变量。根据关键水质因子类型及其实测数据确定蓝藻生长机理模型的结构和参数。蓝藻生长机理模型采用公式:
F(t)=exp((G-D-M)t) (1)
其中,F(t)为t时刻的趋势项;为叶绿素生长率,Xi为第i个关键水质因子,G(Xi)为第i个关键水质因子对叶绿素生长率的影响,i=1,2,…,n2;D为叶绿素死亡率;M为叶绿素净损失率。模型的结构和参数的确定方法可采用禁忌搜索和遗传算法等智能方法。
2、蓝藻生长时序建模;
将趋势项从叶绿素a实测数据中去除,再针对剩余数据建立蓝藻生长机理时序模型的周期项和随机项,得到蓝藻生长机理时序模型:
其中,Y(t)为t时刻的叶绿素a,C(t)为t时刻的周期项,采用潜周期模型建模;R(t)为t时刻的随机项,采用自回归模型建模;q为潜周期模型的角频率个数,ωi为第i个角频率,ai为第i个角频率对应的幅值,φi为第i个角频率对应的相位,i=1,2,…,q;p为自回归模型的自回归阶数,ηj为第j个自回归系数,R(t-j)为t-j时刻的随机项,εt为t时刻的白噪声,j=1,2,…,p。
3、计算蓝藻生长机理时序模型输出;
根据蓝藻生长机理时序模型在m时刻向前预测l步的最佳预测值计算公式:
得到机理时序模型输出的叶绿素a预测值。
步骤五、综合预测;
1、绝对阈值切换;
当关键环境因子达到绝对阈值时,即关键环境因子的取值X满足X≥XD时,将关键环境因子作为水华形成的主导影响因子,切换至专家系统模型进行水华预测,给定未来时刻的关键环境因子数据作为专家系统模型输入,通过计算得到叶绿素a预测值;
当关键环境因子未达到绝对阈值时,即关键环境因子的取值X满足X<XD时,将关键水质因子作为水华形成的主导影响因子,切换至机理时序模型进行水华预测,给定实测的关键水质因子及叶绿素a数据作为蓝藻生长机理时序模型输入,通过计算得到叶绿素a预测值。
2、相对阈值切换;
当关键环境因子达到绝对阈值时,默认采用专家系统模型进行水华预测,并进一步进行相对阈值的判断。当基于关键环境因子的专家系统模型的相对预测误差达到相对阈值时,即切换至基于关键水质因子的机理时序模型进行水华预测;否则,采用专家系统模型的水华预测结果。
实施例1:
本发明以中国科学院南京地理与湖泊所提供的太湖数据为例采用所提方法进行湖库蓝藻水华预测。
步骤一、关键影响因子确定;
通过对现有研究中影响水华形成的环境因子的文献查阅及实际经验的综合分析,可以得出累计雨量、瞬时雨量、风速、空气温度、湿度对湖库蓝藻水华形成影响较大;通过对现有研究中影响水华形成的水质因子的文献查阅及实际经验的综合分析,可以得出pH、溶解氧、氨氮、水温对湖库蓝藻水华形成影响较大。
根据2008年8月到9月份太湖共55天的9个影响因子以及1个表征因子实测数据,实测数据类型及单位具体见表1。
表1 实测数据类型及单位
将2008年8月7日至9月30日数据按每3个小时进行划分,每天取8个采样点,共55天数据,有效样本440组,5个环境因子、4个水质因子以及1个表征因子。其中,累积雨量采用24小时累计雨量计算。对数据进行归一化处理后,将叶绿素a与影响因子实测数据进行皮尔逊相关性分析,结果如表2所示。
表2 相关性分析结果
从表2中可以看出:累积雨量、风速这2个环境因子与叶绿素a的相关性较大,而pH、溶解氧、氨氮和水温这4个水质因子与叶绿素a的相关性也较大。
步骤二、阈值确定;
1、绝对阈值的确定;
针对步骤一给出的2个关键环境因子确定绝对阈值。
风速:5级风(8.0~10.7m/s)及以上水华难以形成;4级风(5.5~7.9m/s)及以下,对表层水的扰动有利于蓝藻生长发育;3级风(3.4~5.4m/s)时,水面没有明显波浪,有利于藻类上浮;2级风(1.6~3.3m/s)时,有利于蓝藻颗粒顺风漂流、聚集,持续几天就可能暴发水华。当风速小于2级和3级风的临界风速(3.3m/s或3.4m/s)时,大多数藻类随风向岸边堆积;大于临界风速,因风浪搅动,上下混合使藻类在水中的分布趋于一致。因此风速的绝对阈值可取3.3m/s。
累积雨量:累积雨量偏少对蓝藻生长发育较为有利。将24小时累积雨量分为小雨(0.1-9.9mm)、中雨(10.0-24.9mm)、大雨(25.0-49.9mm)、暴雨(50.0-99.9mm)及以上。大多数小雨天气过后蓝藻水华有所增多。有些中雨天气过后水华减少。对水华暴发起决定性作用的两段为小雨和中雨,其临界值为9.9mm或10.0mm,因此累计雨量的绝对阈值可取10.0mm。
2、相对阈值的确定;
相对阈值的取值随预测的步数而变化,每进行向前一步预测的相对阈值由上一步相对预测误差决定。
步骤三、基于环境因子的专家系统建模预测;
将累积雨量、风速作为专家系统的输入变量,叶绿素a作为专家系统的输出变量。取前293组实测数据作为训练数据,训练数据如图2所示,第294到300组实测数据作为测试数据。同时,根据天气预报气象因素的等级划分,以及水华预测专家经验,将累计雨量分为5个等级,即小雨(0.1-9.9mm)、中雨(10.0-24.9mm)、大雨(25.0-49.9mm)、暴雨(50.0-99.9mm)及暴雨以上,将风速分为7个等级,即2级风以下、2级风(1.6-3.3m/s)、3级风(3.4-5.4m/s)、4级风(5.5-7.9m/s)、5级风(8.0-10.7m/s)及5级风以上,因此输入变量的隶属度函数个数分别为5和7,隶属度函数类型为三角函数。通过构建ANFIS模型,得到模型的训练结果如图3所示,以及模型的测试结果如图4所示。
步骤四、基于水质因子的机理时序建模预测;
将pH、溶解氧、氨氮和水温作为蓝藻生长机理模型的输入变量,叶绿素a作为蓝藻生长机理模型的输出变量,根据前300组实测数据采用禁忌搜索和遗传算法确定蓝藻生长机理模型的结构和参数,构建趋势项模型。将趋势项从叶绿素a前300组实测数据中去除,再针对前300组实测数据的剩余数据建立蓝藻生长机理时序模型的周期项和随机项,得到蓝藻生长机理时序模型。
步骤五、综合预测。
对前300组实测数据进行建模,通过综合预测得到第301到440组数据。
当关键环境因子风速达到3.3m/s及以上或者累积雨量达到10.0mm及以上时,切换至专家系统进行预测;否则切换至机理时序模型进行预测。当关键环境因子达到绝对阈值时,根据上一步相对预测误差由相对阈值进行切换。如此循环往复,最终得到第301~440组的叶绿素a预测值。
为对本发明方法进行对比说明,分别采用仅通过绝对阈值切换方式进行预测,预测结果如图5所示,叶绿素a预测值与实测值对比如图6所示;以及通过绝对阈值及相对阈值切换方式进行综合预测,预测结果如图7所示,叶绿素a预测值与实测值对比如图8所示。
由图6可知,仅通过绝对阈值切换方式进行预测,在第380组之前的叶绿素a预测结果较好,叶绿素a预测值曲线与真实值拟合较好。但是第380组之后均是由专家系统预测得出,出现了较大的误差及尖峰情况。主要原因有两个:绝对阈值选取有待优化;数据量较少,专家系统在建模时,规则生成不够准确。
而由图8可知,通过绝对阈值及相对阈值切换方式进行综合预测,叶绿素a预测值与真实值基本保持一致,其预测精度相对仅通过绝对阈值切换方式进行预测的结果更好。
Claims (5)
1.基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,其特征在于:
步骤一、关键影响因子确定;
所述的关键影响因子分为环境因子和水质因子两类;
根据湖库蓝藻水华形成机理,初步确定影响蓝藻水华形成的环境因子和水质因子;在此基础上,将水体中叶绿素a作为湖库蓝藻水华形成的表征指标,通过皮尔逊相关性分析的数据挖掘方法,分别得到环境因子和水质因子与叶绿素a的相关性,根据皮尔逊相关性分析结果确定对叶绿素a影响较大的关键环境因子和关键水质因子;
步骤二、阈值确定;
所述的阈值分为绝对阈值和相对阈值两种,绝对阈值是关键环境因子对水华的形成起决定性作用时的临界值;
步骤三、基于关键环境因子的专家系统建模预测;
将关键环境因子作为专家系统模型的输入,将叶绿素a作为专家系统模型的输出;其中专家系统模型采用自适应神经模糊推理系统;
步骤四、基于关键水质因子的机理时序建模预测;
将关键水质因子作为蓝藻生长的机理时序模型的输入,将叶绿素a作为机理时序模型的输出;根据关键水质因子类型及历史数据确定蓝藻生长机理模型的结构和参数;将蓝藻生长机理模型作为蓝藻生长时序模型的趋势项,并建立蓝藻生长时序模型的周期项和随机项,构建蓝藻生长机理时序模型,得到叶绿素a预测值;
步骤五、综合预测;
当关键环境因子未达到绝对阈值时,将关键水质因子作为水华形成的主导影响因子,切换至机理时序模型进行水华预测;当关键环境因子达到绝对阈值时,将关键环境因子作为水华形成的主导影响因子,切换至专家系统模型进行水华预测,并进一步进行相对阈值的判断;当专家系统模型的预测误差达到相对阈值时,切换至机理时序模型进行水华预测;否则,采用专家系统模型预测值。
2.根据权利要求1所述的基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,其特征在于:绝对阈值的确定方法为,
1)分别对各关键环境因子按不同量级进行分段{S1,S2,…},Sk={X|Xkmin≤X<Xkmax},k=1,2,…,其中,Sk为第k段的关键环境因子取值集合,X为关键环境因子取值,Xkmin为第k段的关键环境因子最小值,Xkmax为第k段的关键环境因子最大值;
2)确定各段对蓝藻生长及水华形成的影响;
3)根据专家经验选取对蓝藻水华暴发起决定性作用的两个分段,将两个分段的临界值作为各关键环境因子的绝对阈值XD。
3.根据权利要求1所述的基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,其特征在于:相对阈值的确定方法为,
1)采用基于关键环境因子预测方法对叶绿素a进行预测;
2)将叶绿素a预测值与实测值相比较得到在m时刻向前预测l步的相对预测误差其中,Y(m+l)为在m+l时刻的叶绿素a实测值,为在m时刻向前预测l步的叶绿素a预测值;m为总采样时间;
3)将m+l+1时刻与m+l时刻相对预测误差等于5%作为各关键环境因子的相对阈值,即相对预测误差其中E(m+l)为在m时刻向前预测l步的相对预测误差,E(m+l+1)为在m时刻向前预测l+1步的相对预测误差,l=1,2,…。
4.根据权利要求1所述的基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,其特征在于:基于关键环境因子的专家系统建模预测具体方法如下:
(1)、数据预处理;
对关键环境因子和叶绿素a的m×(n1+1)维实测数据进行归一化处理;取前m1(0<m1<m)组数据作为训练数据,其余m2=m-m1组数据作为测试数据;n1为关键环境因子个数;
(2)、产生初始FIS结构;
针对专家系统模型输入变量即关键环境因子,由蓝藻水华预测的专家经验确定其隶属度函数的类型和个数,采用数据网格分割方法,根据训练数据的内在联系及规律,生成模糊推理系统,得到初始的模糊推理系统参数矩阵和初始专家规则;
(3)、构建ANFIS模型;
设定ANFIS模型的训练次数,根据训练数据、模糊推理系统参数矩阵、测试数据,采用最小二乘和梯度下降的反向传播算法相结合的方式对模糊推理系统进行训练,得到校正后的模糊推理系统参数矩阵、专家规则和均方根误差,从而得到ANFIS模型;
(4)、计算ANFIS模型输出;
根据气象预报信息给定未来时刻关键环境因子数据,作为ANFIS模型输入数据,完成所给ANFIS模型的模糊推理计算,得到ANFIS模型输出的叶绿素a预测值。
5.根据权利要求1所述的基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法,其特征在于:基于关键水质因子的机理时序建模预测具体方法如下:
(1)、蓝藻生长机理建模;
将叶绿素a实测数据看作时间序列,分为趋势项、周期项和随机项,其中趋势项采用蓝藻生长机理模型建模,将关键水质因子作为蓝藻生长机理模型的输入变量、叶绿素a作为输出变量;根据关键水质因子类型及其实测数据确定蓝藻生长机理模型的结构和参数,蓝藻生长机理模型采用公式:
F(t)=exp((G-D-M)t) (1)
其中,F(t)为t时刻的趋势项;为叶绿素生长率,Xi为第i个关键水质因子,G(Xi)为第i个关键水质因子对叶绿素生长率的影响,i=1,2,…,n2;D为叶绿素死亡率;M为叶绿素净损失率;n2为关键水质因子个数;
(2)、蓝藻生长时序建模;
将趋势项从叶绿素a实测数据中去除,再针对剩余数据建立蓝藻生长机理时序模型的周期项和随机项,得到蓝藻生长机理时序模型:
其中,Y(t)为t时刻的叶绿素a,C(t)为t时刻的周期项,采用潜周期模型建模;R(t)为t时刻的随机项,采用自回归模型建模;q为潜周期模型的角频率个数,ωi为第i个角频率,ai为第i个角频率对应的幅值,φi为第i个角频率对应的相位,i=1,2,…,q;p为自回归模型的自回归阶数,ηj为第j个自回归系数,R(t-j)为t-j时刻的随机项,εt为t时刻的白噪声,j=1,2,…,p;
(3)、计算蓝藻生长机理时序模型输出;
根据蓝藻生长机理时序模型在m时刻向前预测l步的最佳预测值计算公式:
得到机理时序模型输出的叶绿素a预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510294300.XA CN104899653B (zh) | 2015-06-02 | 2015-06-02 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510294300.XA CN104899653B (zh) | 2015-06-02 | 2015-06-02 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899653A true CN104899653A (zh) | 2015-09-09 |
CN104899653B CN104899653B (zh) | 2018-01-12 |
Family
ID=54032306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510294300.XA Active CN104899653B (zh) | 2015-06-02 | 2015-06-02 | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899653B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407691A (zh) * | 2016-09-28 | 2017-02-15 | 中国地质大学(武汉) | 一种赤潮生物量预测方法及装置 |
CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
CN107292436A (zh) * | 2017-06-16 | 2017-10-24 | 北京工商大学 | 基于非线性动力学时序模型的蓝藻水华预测方法 |
CN107506857A (zh) * | 2017-08-14 | 2017-12-22 | 北京工商大学 | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 |
CN108416460A (zh) * | 2018-01-19 | 2018-08-17 | 北京工商大学 | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 |
CN109711066A (zh) * | 2018-12-28 | 2019-05-03 | 南开大学 | 一种浅水型小型湖库水华预测方法及预测模型 |
CN113711087A (zh) * | 2019-04-15 | 2021-11-26 | 国立研究开发法人理化学研究所 | 环境因子预测装置、方法、程序、学习完毕模型以及存储介质 |
CN113919425A (zh) * | 2021-10-11 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种空中目标自主分配方法及系统 |
CN114386710A (zh) * | 2022-01-20 | 2022-04-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于stl-rf-lstm的湖泊蓝藻水华长期预报方法与系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1529846A1 (en) * | 2003-11-05 | 2005-05-11 | Stichting Voor De Technische Wetenschappen | Means and methods for classifying cyanobacteria |
WO2005045074A3 (en) * | 2003-11-05 | 2005-10-27 | Stichting Tech Wetenschapp | Means and methods for classifying cyanobacteria |
CN101726568A (zh) * | 2009-11-24 | 2010-06-09 | 环境保护部华南环境科学研究所 | 一种水环境安全预警预测方法 |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN102495937A (zh) * | 2011-10-18 | 2012-06-13 | 南京信息工程大学 | 一种基于时间序列的预测方法 |
US20130231906A1 (en) * | 2010-10-04 | 2013-09-05 | Ofs Fitel, Llc | Statistical Prediction Functions For Natural Chaotic Systems And Computer Models Thereof |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
CN103984996A (zh) * | 2014-05-26 | 2014-08-13 | 北京工商大学 | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 |
-
2015
- 2015-06-02 CN CN201510294300.XA patent/CN104899653B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1529846A1 (en) * | 2003-11-05 | 2005-05-11 | Stichting Voor De Technische Wetenschappen | Means and methods for classifying cyanobacteria |
WO2005045074A3 (en) * | 2003-11-05 | 2005-10-27 | Stichting Tech Wetenschapp | Means and methods for classifying cyanobacteria |
CN101726568A (zh) * | 2009-11-24 | 2010-06-09 | 环境保护部华南环境科学研究所 | 一种水环境安全预警预测方法 |
US20130231906A1 (en) * | 2010-10-04 | 2013-09-05 | Ofs Fitel, Llc | Statistical Prediction Functions For Natural Chaotic Systems And Computer Models Thereof |
CN102135531A (zh) * | 2010-12-24 | 2011-07-27 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊72小时蓝藻水华预测方法 |
CN102495937A (zh) * | 2011-10-18 | 2012-06-13 | 南京信息工程大学 | 一种基于时间序列的预测方法 |
CN103439472A (zh) * | 2013-06-14 | 2013-12-11 | 北京工商大学 | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 |
CN103886218A (zh) * | 2014-04-08 | 2014-06-25 | 北京工商大学 | 基于多元非平稳时间序列分析与神经网络及支持向量机补偿的湖库藻类水华预测方法 |
CN103984996A (zh) * | 2014-05-26 | 2014-08-13 | 北京工商大学 | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407691A (zh) * | 2016-09-28 | 2017-02-15 | 中国地质大学(武汉) | 一种赤潮生物量预测方法及装置 |
CN106407691B (zh) * | 2016-09-28 | 2019-11-22 | 中国地质大学(武汉) | 一种赤潮生物量预测方法及装置 |
CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
CN107292436A (zh) * | 2017-06-16 | 2017-10-24 | 北京工商大学 | 基于非线性动力学时序模型的蓝藻水华预测方法 |
CN107292436B (zh) * | 2017-06-16 | 2020-07-17 | 北京工商大学 | 基于非线性动力学时序模型的蓝藻水华预测方法 |
CN107506857B (zh) * | 2017-08-14 | 2020-05-08 | 北京工商大学 | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 |
CN107506857A (zh) * | 2017-08-14 | 2017-12-22 | 北京工商大学 | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 |
CN108416460A (zh) * | 2018-01-19 | 2018-08-17 | 北京工商大学 | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 |
CN108416460B (zh) * | 2018-01-19 | 2022-01-28 | 北京工商大学 | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 |
CN109711066A (zh) * | 2018-12-28 | 2019-05-03 | 南开大学 | 一种浅水型小型湖库水华预测方法及预测模型 |
CN109711066B (zh) * | 2018-12-28 | 2023-01-31 | 南开大学 | 一种浅水型小型湖库水华预测方法及预测模型 |
CN113711087A (zh) * | 2019-04-15 | 2021-11-26 | 国立研究开发法人理化学研究所 | 环境因子预测装置、方法、程序、学习完毕模型以及存储介质 |
CN113711087B (zh) * | 2019-04-15 | 2023-11-14 | 国立研究开发法人理化学研究所 | 环境因子预测装置、方法、程序、学习模型及存储介质 |
CN113919425A (zh) * | 2021-10-11 | 2022-01-11 | 中国兵器装备集团自动化研究所有限公司 | 一种空中目标自主分配方法及系统 |
CN113919425B (zh) * | 2021-10-11 | 2023-12-26 | 中国兵器装备集团自动化研究所有限公司 | 一种空中目标自主分配方法及系统 |
CN114386710A (zh) * | 2022-01-20 | 2022-04-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于stl-rf-lstm的湖泊蓝藻水华长期预报方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104899653B (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899653A (zh) | 基于专家系统及蓝藻生长机理时序模型的湖库蓝藻水华预测方法 | |
Asklany et al. | Rainfall events prediction using rule-based fuzzy inference system | |
Kisi et al. | Forecasting daily lake levels using artificial intelligence approaches | |
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
Chang et al. | Reinforced two-step-ahead weight adjustment technique for online training of recurrent neural networks | |
Jiang et al. | Research and application of an innovative combined model based on a modified optimization algorithm for wind speed forecasting | |
Wu et al. | Prediction of short-term wind and wave conditions for marine operations using a multi-step-ahead decomposition-ANFIS model and quantification of its uncertainty | |
Zhou et al. | Short-term wind power prediction optimized by multi-objective dragonfly algorithm based on variational mode decomposition | |
Zanganeh | Improvement of the ANFIS-based wave predictor models by the particle swarm optimization | |
Suo et al. | Wind speed prediction by a swarm intelligence based deep learning model via signal decomposition and parameter optimization using improved chimp optimization algorithm | |
CN112116162A (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Chang et al. | Counterpropagation fuzzy-neural network for city flood control system | |
Lv et al. | Novel deterministic and probabilistic combined system based on deep learning and self-improved optimization algorithm for wind speed forecasting | |
CN109460874A (zh) | 一种基于深度学习的有义波高预测方法 | |
CN116562448B (zh) | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 | |
CN109886454B (zh) | 一种基于自组织深度信念网络和相关向量机的淡水环境水华预测方法 | |
Ronghua et al. | Prediction of soil moisture with complex-valued neural network | |
Wang et al. | Filling gaps in significant wave height time series records using bidirectional gated recurrent unit and cressman analysis | |
Wang et al. | Rainfall-runoff simulation using simulated annealing wavelet bp neural networks | |
Awan et al. | Application of adaptive neuro-fuzzy inference system for dam inflow prediction using long-range weather forecast | |
CN115471008A (zh) | 一种基于长短期记忆神经网络的燃气短期负荷预测方法 | |
Chang et al. | Neural network with multi-trend simulating transfer function for forecasting typhoon wave | |
Zhang et al. | A preliminary study on a hybrid wavelet neural network model for forecasting monthly rainfall | |
Kumar et al. | Wind forecasting: Hybrid statistical and deep neural network approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |