基于BP神经网络的洪湖水质指标预测研究

为了掌握洪湖水质未来的变化情况以及预防污染事件的发生,建立了一个BP神经网络水质指标预测模型。利用洪湖1990~2014年的水质指标实测数据作为学习样本,选取了pH、溶解氧(DO)、铵态氮(NH4+—N)、硝态氮(NO3-—N)、总氮(TN)、总磷(TP)6项指标作为预测参数,建立了BP神经网络模型,并运用该模型对洪湖水质指标进行了预测,同时引入一元线性回归模型与GM(1,1)灰色预测模型与该模型进行对比。结果表明,BP神经网络模型预测的水质指标的相关性系数都在0.998以上,平均相对误差都控制在2.5%以内,对单个指标的预测相对误差也都小于9%,明显优于一元线性回归模型和灰色预测模型;BP神经网络模型预测精度较高,预测速度快,能够相对准确地预测大部分水质指标,可以有效地应用于洪湖以及其它水域水质指标的预测和水质趋势的预警预报系统中。     

基于RAGA-BP神经网络模型的三江平原地下水资源预测研究

采用基于实数编码的加速遗传算法(RAGA)代替传统的最小二乘法以优化GM(1,1)模型参数,并与BP人工神经网络相组合,形成了基于RAGA的等维灰色递补BP神经网络预测模型.运用此模型对三江平原创业农场地下水埋深进行动态预测,BP神经网络结构确定为3:12:3,预测结果的相对误差只有2.33%,与传统的GM(1,1)模型和BP神经网络模型预测结果相比,预测精度显著提高.通过此模型预测,从2007年到2012年,该地区地下水平均年下降0.3 m.     

湿地植被地上生物量遥感估算模型研究——以洪河湿地自然保护区为例

以洪河湿地自然保护区的TM图像和29个实测样地生物量数据为数据源,采用单变量线性和非线性回归、多元线性逐步回归及人工神经网络(BP网络、RBF网络)技术,构建了研究区内典型湿地植被(草甸和沼泽)的地上生物量干重和湿重的遥感估算模型,并对比得到最优模型。主要结论有:(1)RBF神经网络模型及多元非线性模型是研究区内湿地植被地上生物量遥感估算的最优模型,生物量干重估算值的平均相对误差为2.795%,生物量湿重估算值的平均相对误差为3.399%。(2)比较2004年8月、2006年8月和2008年8月研究区内草甸和沼泽总生物量可得,总生物量干重呈上升趋势,而总生物量湿重呈下降趋势。(3)研究区内生物量极高值和极低值分布较少,且主要集中于混合像元分布的地方,如岛状林、灌丛的周边地区或是沼泽内含水较多的地区。     

基于PCA和BP神经网络的径流预测

径流预测为流域水资源的合理开发利用与统筹配置提供依据。运用多元线性回归、主成分回归、BP神经网络及主成分分析和BP神经网络相结合的方法,对新疆呼图壁河流域石门水文站2009-2011年各月径流量进行预测,并采用相关系数、确定性系数及均方根误差对各模型预测精度进行比较。结果表明：（1）神经网络等智能算法具有高速寻优的能力,对短时间尺度的月径流量的预测结果较好;（2）主成分回归等常规算法能充分反映出某地区径流的年际的稳定性,对全年径流总量的模拟精度较高;（3）主成分分析和BP神经网络相结合的方法,提高了神经网络的收敛速度,同时降低了局部极值的影响,优于简单的BP神经网络,适用于呼图壁河月径流量预测。     

基于主成分分析的BP 神经网络在城市 建成区面积预测中的应用 ——-以北京市为例

城市建成区规模受社会、经济、城市环境等诸多因素影响, 传统统计方法难以准确预测城 市建成区的面积。人工神经网络具有良好的非线性映射逼近性能, 在各类预测研究中得到了广泛 的应用, 尤其是BP 神经网络。主成分分析可以在有效保留数据信息前提下对数据进行降维, 它 与BP 神经网络的结合主要在数据输入端, 通过减少输入层神经元个数, 增强网络性能, 提高预 测精度。本文以北京市为例, 综合运用主成分分析和BP 神经网络方法建立预测模型, 以1986~ 2003 年数据为学习样本, 以2004 年数据为检验样本, 对2005 年北京市城市建成区面积进行模 拟预测。预测结果表明, 基于主成分分析的BP 神经网络预测结果与实际值的相对误差为2.8%, 比传统BP 神经网络预测精度提高1.8 个百分点, 网络训练收敛速度也更快, 其预测精度和效率 都有不同程度的改善。     

基于灰色广义回归神经网络模型的城市耕地面积预测

为提高原始数据呈非线性、随机性变化、样本量较小时城市耕地面积的预测精度,将无偏GM(1,1)模型与广义回归神经网络相结合,建立了基于灰色广义回归神经网络的城市耕地面积预测模型,并将其应用于平顶山市耕地面积预测,结果表明该模型精度高,具有一定的应用价值。     

利用LM-BP神经网络估算西北地区太阳辐射

气候、生态、水文等模型的应用需要空间连续分布的太阳辐射数据,由于地形等条件的制约,气象站点的分布有限,无法利用稀少的站点获得空间连续分布的辐射数据,而BP(Back-propagation)神经网络模型对太阳辐射具有很好的预测性,但以往的研究都是基于单个站点估算太阳辐射,而且BP神经网络模型存在收敛速度慢、学习时间长等问题,为解决BP算法存在的不足,采用LM(Levenberg-Marquardt)算法优化后的BP神经网络(简称LM-BP神经网络)结合DEM(Digital Elevation Model)数据估算西北地区128个气象站点2011年的太阳总辐射月均值,通过乌鲁木齐和银川两台站的实测数据进行验证,两台站的平均百分比误差分别为2.89%和3.24%,平均偏离误差分别为0.27 MJ·m-2和0.61 MJ·m-2,且拟合优度均0.90。该模型各项误差指标较小,估算精度较高。最后将模型模拟出的辐射值,结合已有的24个辐射站点的实测值进行空间插值,得到西北地区2011年逐月太阳辐射精细化空间分布图。     

北京汉石桥潜流湿地对总溶解性固体和浊度的去除效果分析

以北京汉石桥潜流湿地为研究对象,分析了2014-2015年水体中总溶解固体(Turb)与浊度(TDS)的去除率,研究潜流湿地对水中总溶解固体与浊度的去除效果。结果表明:①潜流湿地对浊度(TDS)和总溶解固体(Turb)在全年均具有一定的处理效果,1-12月去除率表现为先增加后降低的趋势,平均去除率分别为85.6%和6.4%;②温度成为制约潜流湿地污染物去除的重要因素,其中总溶解固体和浊度与温度的相关系数分别为0.669和0.489;③对总溶解性固体和浊度的比较发现,在估值背景浓度下,面积速率常数均高于零背景值时的面积速率常数,当污染负荷较低时,潜流湿地对总溶解性固体和浊度去除的面积速率常数随进水污染负荷的升高而增加。     

改进IGA—GP方法在流域需水预测中的应用——以黄河流域为例

遗传算法是借鉴生物学的自然选择和遗传进化机制,通过作用于染色体上的基因寻找优良的染色体,求到待解问题最优解的一个近似解.针对遗传算法易陷入局部最优解的不足,采用改进的遗传算法(IGA)与遗传编程(GP)相结合,建立有广泛搜索能力和很强的局部精化能力的IGA-GP算法,将该算法应用于BP神经网络的优化,优化的原理是运用GP自动生成BP正向计算过程中隐含层到输出层的函数关系式,此函数关系式可随着训练样本的变化而自动调整,使得新加入的样本影响已学习完的样本的问题得到最终解决,因而可进一步增强BP网络的自适应能力和抗干扰能力;同时用IGA代替BP的反向传播算法,加快收敛速度和克服BP易陷入局部最优的不足,从而实现了对BP神经网络的优化.并在此基础上建立了黄河流域需水预测模型,误差分析结果显示,IGA-GP算法预测结果最大误差为2.894%,最小误差为0.088%,满足误差精度不大于5%的要求,而没有优化的BP神经网络拟合结果最大误差为8.314%,最小误差为0.832%,不满足预测精度要求,证明该IGA-GP模型具有较高的预测精度.鉴于此,通过IGA-GP的算法对黄河流域2010、2020及2030水平年工业、农业、生活及生态需水量进行了预测.     

陇中黄土丘陵沟壑区人工草地土壤水蚀预测模型

针对陇中黄土丘陵沟壑区土壤水蚀过程复杂且难以有效预测的问题，以定西市安家沟水土保持试验站2005—2016年1~12月人工草地径流场试验数据为主要来源，将流域月降雨量、月侵蚀性降雨量、月径流量、月降雨强度、径流场面积、径流场坡度、土壤砂粒含量、土壤粘粒含量8个因子作为输入因子，月土壤水蚀量作为输出，运用偏最小二乘法(Partial Least-Squares Regression,PLSR)和长短期记忆(Long Short-Term Memory,LSTM)循环神经网络建立人工草地土壤水蚀预测模型，并利用BP(Back Propagation)、RNN(Recurrent Neural Network)、LSTM常见神经网络模型，对模型的有效性进行评估。结果表明：PLSR将模型8个输入因子减少为4个，从而有效解决LSTM神经网络模型对样本数量要求过高的问题； PLSR和LSTM神经网络模型的结合可以有效提高模型对人工草地土壤水蚀过程的预测精度和收敛速度，预测结果的平均相对误差小于4%，相关系数高于其他3种神经网络模型，而迭代次数、均方根误差和平均绝对误差均低于其他3种模型；研究发现坡度对人工草地土壤水蚀过程影响较为明显，降雨量小于25 mm时，人工草地土壤水蚀量不会随坡度增加而明显增长，但当降雨量超过25 mm时，人工草地土壤水蚀量会随坡度明显增加。 PLSR LSTM神经网络土壤水蚀预测模型可以准确预测陇中黄土丘陵沟壑区人工草地土壤水蚀量，为该地区水土流失的准确预报提供新的思路和方法。     

改进型BP神经网络对民勤绿洲地下水位的模拟预测

以具有代表性的民勤绿洲为研究对象,以Matlab7.0为工作平台,对沙漠绿洲地下水埋深预测的三层前馈神经网络（BP神经网络）进行了改进。输入端因子选取民勤绿洲逐月灌溉量、红崖山水库下泄水量、月降水量、月蒸发量（20 cm）、月平均气温、时间序列6项,输出因子为民勤绿洲地下水位。通过在模型的输入层增加时间序列引导因子的方法使BP神经网络对输入端数据具备时间敏感性;通过Levenberg-Marquardt算法使网络误差最小化,并配合Bayesian正则化使网络的误差平方和、网络权重以及阈值平方和实现最优组合,最后使用相关系数、相对误差、效率系数等指标对模型的模拟结果进行检验。结果表明,通过以上一系列改进可以有效提高模型的模拟精度,增强模型的稳定性,并使模型具有良好的“泛化性”。     

BP网络模型在沙尘暴预测中的应用研究

依据锡林郭勒地区30 a气象资料,应用人工神经网络(ANN)中不同BP网络结构和算法,探索建立沙尘暴预测模型的方法。研究认为,在建立锡林郭勒地区沙尘暴预测模型时,选择年大风日数、年平均地温、年蒸发量、相对湿度4个气象因子作为模型的输入因子是合理的;经过输入因子确定,层数、节点选择,每层激活函数和输出因子的确定,锡林郭勒地区沙尘暴预测模型可采用三层网络结构（4-6-1）。比较和试算显示,快速BP算法较普通BP算法的训练速度快,收敛精度高64.47%;快速BP神经网络的沙尘暴预测模型的预测精度可达到98%,较传统的多元线性回归数学模型高。因此,应用快速BP神经网络建立沙尘暴预测模型简捷、方便,具有精度高、智能化等特点,可在区域沙尘暴预测预报领域推广。     

城市需水量模拟及不确定性分析方法研究

需水量预测是区域水资源合理配置和有效管理的基础。由于供需水量的不确定性,精准的需水量预测较有困难。通过建立径向基函数（RBF）与BP神经网络预测模型,以西北地区城市西安市需水量为例,将用水量驱动因子作为模型输入,利用1990-2009年20组年用水数据进行网络训练模拟,对2010-2012年3组年用水数据进行检验预测,采用不确定性评价指数和置信区间方法对两种模型及模拟结果进行比较分析。结果表明,RBF与BP模型预测期的均方根误差分别为0.08、0.26,不确定性评价指数分别为0.74、1.02且BP模型预测值的相对误差最大超过10%以上,而RBF模型预测值的相对误差均小于5%,说明RBF模型模拟效果好,具有预测精度高以及不确定性影响低的双重优势;在模拟结果基础上,引用置信区间分析了结果的可靠性,为分析城市需水预测的不确定性提供了依据。     

人工智能计算技术在新疆干旱区典型绿洲土壤盐分预测中的应用

针对新疆渭干河-库车河三角洲绿洲土壤盐分动态监测中存在的方法问题,首先用灰色关联度模型分析影响形成土壤盐渍化的各因子,并确定其与土壤盐分之间的关联度,然后将人工智能计算技术引入土壤盐分的预测中,经过多次调整网络结构和参数,建立了预测表层土壤盐分的BP神经网络模型和RBF神经网络模型。结果表明：以潜在蒸散量、地下水埋深、地下水矿化度、土壤电导率、总溶解固体、pH值、坡度和土地利用类型8个因素为输入因子,以土壤含盐量为输出因子的BP网络模型和RBF网络模型可有效模拟土壤盐分与其影响因子之间的内在复杂关系,并且有较高的精度。BP网络模型预测误差略低于RBF神经网络。本研究可为分析和预测土壤盐渍化动态规律提供一种有效可行的新途径,是对传统土壤盐分动态研究的补充。     

基于BP神经网络的盐渍土盐分遥感反演模型研究

采用遥感技术和BP神经网络技术,结合野外实测的盐渍土光谱特征和实验室化验的土壤含盐数据,对盐渍土盐分的遥感反演进行了模型的设计与编程实现.BP神经网络模型的预测精度在62.5%,明显高于传统统计模型的预测精度,表明BP神经网络能较好地模拟土壤含盐量与光谱数据之间的关系,可用于建立土壤盐分遥感反演模型.     

基于高光谱的河套灌区农田表层土壤质地反演研究

以河套灌区解放闸灌域农田表层0～10 cm土壤为研究对象,研究风干土样的不同粒级含量与光谱特性关系,遴选出反映土壤粘粒、粉粒、砂粒含量各自敏感的光谱波段,分别建立土壤粘粒、粉粒、砂粒含量与敏感波段的一元线性回归模型和BP神经网络模型,模型验证结果表明:土壤粘粒、粉粒、砂粒含量的一元回归模型与BP神经网络模型精度基本一致,且都在85％以上.该研究结果可为应用高光谱遥感图像大范围识别河套灌区的土壤质地提供理论依据.     

基于残差自回归与Kalman滤波的天然气消费量组合预测研究（英文）

目前中国以化石能源为主的能源消费格局正逐步优化,清洁能源的消费规模逐步增加。对天然气消费量的预测分析对未来能源消费结构调整具有积极意义。本文创新性地采用拟合值偏离度倒数法进行权重设置,利用残差自回归模型和Kalman滤波算法构建组合预测模型,以《BP世界能源统计年鉴》和《中国统计年鉴》1980–2017年的天然气消费历史数据为对象,对中国天然气消费量进行预测研究。研究结果表明:(1)组合预测模型的预测精度更高:残差自回归预测模型的相对误差落在(–0.08,0.09)区间内,卡尔曼滤波预测的相对误差落在(–0.09, 0.32)区间内,组合预测模型相对误差落在(–0.03, 0.11)区间内。(2)组合预测模型预测结果的稳定性更好:残差自回归预测模型相对误差的预测方差为0.002,卡尔曼滤波预测相对误差的预测方差为0.007,组合预测模型相对误差的预测方差为0.001。(3)其他条件不变的情况下,2018年天然气消费量费预测值为2418.08亿m~3。与其他时间序列预测方法相比,利用残差自回归模型和卡尔曼滤波算法构成的组合预测模型对数据限制条件少,可操作性强,且分析结果更为可信。     

表面流——潜流——潜流串联人工湿地对排入星月水库污水的处理效果

采用表面流—潜流—潜流串联人工湿地模式,对排入长沙市青竹湖星月水库的污水进行处理。分别在2015年7月和11月,研究该人工湿地的水质和植物根际微生物数量。研究结果表明,在7月采样日,该人工湿地对污水中的化学需氧量、总氮、总磷和氨氮的去除率分别为81.9%、97.1%、96.0%和99.8%;在11月采样日,其去除率分别为85.7%、97.8%、96.4%和98.5%。在7月和11月采样日,各污染物含量大致上随着实验进程逐渐减小,在AII单元和AIII单元,污染物含量升高,原因是这两个单元兼顾溢洪的功能。在7月采样日,人工湿地对氨氮的去除率大于11月采样日,而在11月采样日,人工湿地对总氮、化学需氧量和总磷的去除率大于7月采样日。在人工湿地系统中,微生物数量沿程递减,且在11月采样日各单元的微生物数量明显大于7月采样日。在人工湿地系统的两个潜流单元中,前端的潜流单元有利于去除污水中的化学需氧量、总磷和氨氮,后端的潜流单元有利于去除污水中的总氮。     

基于趋势外推法和BP神经网络的四平市汽车保有量预测

基于趋势外推法和BP神经网络模型对四平市2015年和2020年的汽车保有量进行预测.结果表明,结合趋势外推法对汽车保有量的影响因子进行单独预测,可以提高各影响因子的预测精度,弥补BP神经网络在影响因子预测中数据拟合度不高、外推性不强的缺陷,进而保证BP神经网络汽车保有量预测的准确度.利用BP神经网络良好的非线性映射能力,可以较好地拟合汽车保有量与影响因子之间的非线性映射关系,是一种可行的汽车保有量预测方法.但是神经网络预测模型与经典计算方法相比并非优越,只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性.     

BP神经网络模型在表层沉积物及其非残渣态组分吸附双酚A研究中的应用

应用沉积物吸附双酚A(BPA)BP神经网络模型,模拟了松花江表层沉积物的不同泥水比、非残渣态组分(有机质、铁氧化物、锰氧化物)和BPA初始浓度对BPA吸附量的影响。所建BP神经网络模型相关系数R²为0.9665,校正集均方差(MSE_c)、验证集均方差(MSE_v)和预测集均方差(MSE_p)分别为0.0068、0.0596和0.1285;利用遗传算法优化估算了基于BP神经网络模型的沉积物吸附BPA的最大吸附量,优化值与实验值的相对偏差为0.96%~8.21%。此外,利用BP神经网络模型预测了沉积物非残渣态组分(有机质、铁氧化物、锰氧化物)质量百分比及摩尔含量变化与BPA吸附量的关系,经分析可知,铁氧化物和有机质对沉积物吸附BPA起着促进作用,沉积物非残渣态组分吸附BPA的相对贡献(K)为K_Fe>K_OMs>K_Mn,即沉积物中铁氧化物是BPA的主要吸附位,而Mn氧化物则对沉积物吸附BPA起着抑制作用。