水環(huán)境監(jiān)測評價與水華智能化預(yù)測方法及應(yīng)急治理決策系統(tǒng)

1.1 水體富營養(yǎng)化與水華的危害
1.1.1 水體富營養(yǎng)化
1.1.2 水華的概念及與水體富營養(yǎng)化關(guān)系
1.1.3 藻類水華產(chǎn)生的主要過程
1.1.4水華的危害
1.2 水體富營養(yǎng)化評價方法
1.2.1 水體富營養(yǎng)化評價標(biāo)準(zhǔn)
1.2.2 富營養(yǎng)化評價模型
1.2.2.1 營養(yǎng)指數(shù)法
1.2.2.2 浮游植物生態(tài)模型
1.2.2.3 生態(tài)動力學(xué)模型
1.2.2.4 不確定性分析和回歸模型
1.2.2.5 人工神經(jīng)網(wǎng)絡(luò)模型
1.3 水華預(yù)測建模方法
1.3.1 基于機理生態(tài)建模方法
1.3.1.1 回歸模型
1.3.1.2 總磷平衡模型
1.3.1.3 生態(tài)動力學(xué)模型
1.3.1.4 非線性回歸模型
1.3.2 基于人工智能的建模方法
1.3.2.1 人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型
1.3.2.2 組合智能方法的預(yù)測模型
1.4 水環(huán)境監(jiān)測技術(shù)及應(yīng)用
1.5 本章小結(jié)2.1 概述
2.2 實驗設(shè)計與方法
2.2.1 模擬自然條件
2.2.2 藻種的預(yù)培養(yǎng)和保存
2.2.3 正交實驗條件選擇
2.2.4 藻類生長實驗
2.2.5 各指標(biāo)測定方法
2.3 實驗結(jié)果與分析
2.3.1 藻類生長曲線分析
2.3.1.1 葉綠素a表征藻類生長曲線
2.3.1.2 不同N/P條件下藻類生長曲線
2.3.2 表征指標(biāo)的相關(guān)性分析（DO、pH和chl?a）
2.3.3 ΔDO與ΔpH預(yù)測“水華”暴發(fā)的研究
2.3.4 藻類生長比增長速率影響因素的研究
2.3.5 藻類生長感官指標(biāo)分析
2.4 微量元素對藻類生長的影響
2.4.1 微量元素
2.4.2 微量元素作用實驗（鐵、錳及不同Mn2+濃度對藻類生長的影響）
2.4.3 各指標(biāo)測定方法和儀器藥品
2.4.3.1 指標(biāo)測定方法
2.4.3.2 實驗儀器及藥品
2.4.4 微量元素對藻類生長的影響
2.4.4.1 不同F(xiàn)e3+濃度對藻類生長的影響
2.4.4.2 不同Mn2+濃度對藻類生長的影響
2.4.4.3 不同氮磷比對藻類增長的影響與Fe3+影響的比較
2.5 水力攪動對藻類生長的影響
2.5.1 實驗設(shè)計與方法
2.5.2 實驗結(jié)果與分析
2.5.2.1 有無水力攪動對藻類生長影響
2.5.2.2 不同水力攪動強度對藻類生長影響
2.5.3 小結(jié)
2.6 “水華”閾值與暴發(fā)點的研究
2.6.1 藻類生長趨勢分析
2.6.1.1 葉綠素a低濃度（40μg·L-1）條件下與藻密度相關(guān)性分析
2.6.2 突變理論與藍(lán)藻暴發(fā)點模型構(gòu)建
2.6.2.1 突變理論與尖點模型
2.6.2.2 藍(lán)藻水華暴發(fā)點突變模型的建立
2.6.3 尖點突變模型在湖庫藍(lán)藻水華形成機理分析中的應(yīng)用
2.6.3.1 樣本選擇
2.6.3.2 藍(lán)藻水華生長綜合機理模型仿真
2.6.3.3 小結(jié)
2.6.4 “水華”閾值的研究
2.6.4.1 水華暴發(fā)感官指標(biāo)
2.6.4.2 北京長河水系水華評價
2.7 本章小結(jié)3.1 概述
3.1.1 營養(yǎng)因素
3.1.2 非營養(yǎng)因素
3.2 水體富營養(yǎng)化評價標(biāo)準(zhǔn)與指標(biāo)
3.2.1 水體富營養(yǎng)化評價標(biāo)準(zhǔn)
3.2.2 水體富營養(yǎng)化評價指標(biāo)
3.2.2.1 水體指標(biāo)
3.2.2.2 表征指標(biāo)
3.2.2.3 感官指標(biāo)
3.3 水體富營養(yǎng)化評價模型
3.3.1 評分模型
3.3.2 營養(yǎng)指數(shù)模型
3.3.2.1 卡森指數(shù)法（TSI）
3.3.2.2 修正的卡森指數(shù)法
3.3.2.3 綜合營養(yǎng)狀態(tài)指數(shù)法
3.3.2.4 改進的綜合營養(yǎng)指數(shù)法
3.3.3 灰色理論評價模型
3.4 多屬性決策的水體富營養(yǎng)化評價
3.4.1 多屬性決策理論
3.4.2 優(yōu)化權(quán)重獲取模型
3.4.3 算法步驟
3.5 灰色關(guān)聯(lián)分析評價方法
3.5.1 灰色關(guān)聯(lián)因素和關(guān)聯(lián)算子集
3.5.2 灰色關(guān)聯(lián)公理與灰色關(guān)聯(lián)度
3.5.2.1 廣義灰色關(guān)聯(lián)度
3.5.2.2 灰色相對關(guān)聯(lián)度
3.5.2.3 灰色綜合關(guān)聯(lián)度
3.5.3 灰色關(guān)聯(lián)分析法的步驟
3.5.4 改進的灰色關(guān)聯(lián)分析
3.5.5 改進的灰色關(guān)聯(lián)分析在水體富營養(yǎng)化評價的應(yīng)用
3.5.5.1 水體富營養(yǎng)化評價步驟
3.5.5.2 評價結(jié)果比較
3.6 水體富營養(yǎng)化評價方法應(yīng)用
3.6.1 綜合營養(yǎng)指數(shù)的評價方法
3.6.1.1 水體評價數(shù)據(jù)的確定
3.6.1.2 水體評價結(jié)果比較
3.6.2 幾種評價方法應(yīng)用比較
3.6.3 富營養(yǎng)化評價結(jié)果
3.7 本章小結(jié)4.1 基于Petri網(wǎng)的湖庫水華形成過程建模
4.1.1 模糊理論
4.1.1.1 模糊理論概述
4.1.1.2 模糊集理論基本概念
4.1.2 Petri網(wǎng)
4.1.2.1 Petri網(wǎng)概述
4.1.2.2 Petri網(wǎng)算法
4.1.3 模糊理論與Petri網(wǎng)在葉綠素預(yù)測中的應(yīng)用
4.2 基于多Agent的湖庫水華機理建模
4.2.1 Agent技術(shù)和ABM的研究現(xiàn)狀
4.2.2 影響水華形成過程的因素分析
4.2.3 水華形成過程Agent系統(tǒng)內(nèi)部機理策略
4.2.3.1 概述
4.2.3.2 水體內(nèi)部生化反應(yīng)建模
4.2.3.3 生長模型參數(shù)動態(tài)率定
4.2.3.4 小結(jié)
4.2.4 水華形成過程Agent仿真與建模
4.2.4.1 基于Agent的水華指標(biāo)行為建模
4.2.4.2 水華形成機理模型動態(tài)仿真
4.2.4.3 仿真系統(tǒng)運行與實現(xiàn)
4.3 本章小結(jié)5.1 水華暴發(fā)的影響因素
5.1.1 化學(xué)因素
5.1.2 物理因素
5.1.3 生物因素
5.2 水華暴發(fā)主要因素實驗
5.2.1 實驗設(shè)計與方法
5.2.1.1 藻種的預(yù)培養(yǎng)和保存
5.2.1.2 實驗因素及水平的選擇
5.2.1.3 正交實驗各組條件選擇
5.2.1.4 正交實驗方法及具體步驟
5.2.2 實驗結(jié)果與分析
5.3 水華預(yù)測指標(biāo)體系構(gòu)建
5.3.1 粗糙集確定水華預(yù)測指標(biāo)
5.3.1.1 粗糙集理論
5.3.1.2 基于粗糙集理論的水華預(yù)測指標(biāo)選取
5.3.2 主成分分析法確定水華預(yù)測指標(biāo)
5.3.2.1 主成分分析法
5.3.2.2 基于主成分分析法的水華預(yù)測指標(biāo)選取
5.3.3 水華預(yù)測模型的輸入輸出變量確定
5.3.4 水華預(yù)測指標(biāo)體系
5.3.5 小結(jié)
5.4 水華綜合評價模型及在預(yù)測中的應(yīng)用
5.4.1 綜合評價模型理論
5.4.1.1 非線性極小值原理
5.4.1.2 灰色預(yù)測理論
5.4.1.3 改進的GM（1，1）模型
5.4.2 藻類生長模型研究
5.4.2.1 藻類生長模型的建立
5.4.2.2 模型中參數(shù)的率定結(jié)果
5.4.2.3 結(jié)果驗證及分析
5.4.3 水華綜合評價模型
5.4.3.1 水華綜合評價函數(shù)的構(gòu)建
5.4.3.2 模型中各參數(shù)的確定
5.4.3.3 計算水華綜合評價函數(shù)
5.4.3.4 水華綜合評價函數(shù)計算結(jié)果及分析
5.4.4 水華綜合評價模型與灰色預(yù)測相結(jié)合用于水華預(yù)測
5.4.4.1 GM（1，1）、改進的GM（1，1）模型預(yù)測結(jié)果比較
5.4.4.2 預(yù)測結(jié)果分析
5.4.5 小結(jié)
5.5 本章小結(jié)6.1 概述
6.1.1 前向型神經(jīng)網(wǎng)絡(luò)
6.1.2 反饋型神經(jīng)網(wǎng)絡(luò)
6.1.3 兩種類型各自典型網(wǎng)絡(luò)的比較
6.2 基于BP神經(jīng)網(wǎng)絡(luò)的水華短期預(yù)測方法
6.2.1 BP神經(jīng)元模型和網(wǎng)絡(luò)結(jié)構(gòu)
6.2.1.1 BP網(wǎng)絡(luò)結(jié)構(gòu)及其算法
6.2.1.2 BP算法的改進
6.2.2 基于BP神經(jīng)網(wǎng)絡(luò)的水華短期預(yù)測模型建立與仿真
6.2.2.1 主導(dǎo)變量與數(shù)據(jù)預(yù)處理
6.2.2.2 預(yù)測模型的建立與仿真分析
6.2.2.3 不同間隔時間的預(yù)測對比
6.2.2.4 三種改進算法的預(yù)測對比
6.3 基于RBF神經(jīng)網(wǎng)絡(luò)的水華短期預(yù)測方法
6.3.1 RBP神經(jīng)元模型和網(wǎng)絡(luò)結(jié)構(gòu)
6.3.1.1 徑向基（RBF）神經(jīng)元模型
6.3.1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
6.3.1.3 基于不同時間序列輸入量的RBF神經(jīng)網(wǎng)絡(luò)模型分析
6.3.1.4 基于MATLAB工具箱的RBF網(wǎng)絡(luò)設(shè)計
6.3.1.5 小結(jié)
6.3.2 基于RBF的水華短期預(yù)測模型模型建立與仿真
6.3.2.1 RBF預(yù)測模型的建立
6.3.2.2 仿真分析
6.3.2.3 徑向基函數(shù)寬度與網(wǎng)絡(luò)擬合能力分析
6.3.2.4 徑向基函數(shù)寬度與網(wǎng)絡(luò)泛化性能分析
6.3.2.5 短期RBF神經(jīng)網(wǎng)絡(luò)的輸入變量的敏感度分析
6.3.2.6 RBF與BP網(wǎng)絡(luò)水華預(yù)測軟測量模型的比較
6.3.3 小結(jié)6.4 基于Elman神經(jīng)網(wǎng)絡(luò)的水華短期預(yù)測方法
6.4.1 Elman神經(jīng)元模型和網(wǎng)絡(luò)結(jié)構(gòu)
6.4.1.1 Elman網(wǎng)絡(luò)特點
6.4.1.2 Elman神經(jīng)元及函數(shù)
6.4.1.3 Elman的學(xué)習(xí)算法
6.4.1.4 Elman網(wǎng)絡(luò)的改進
6.4.2 基于Elman神經(jīng)網(wǎng)絡(luò)的水華短期預(yù)測模型建立與仿真
6.4.2.1 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立
6.4.2.2 北京市河湖水華短期預(yù)測
6.4.2.3 Elman模型測試及其泛化能力分析
6.4.2.4 Elman網(wǎng)絡(luò)與BP網(wǎng)絡(luò)兩種預(yù)測模型對比
6.5 基于灰色理論與神經(jīng)網(wǎng)絡(luò)的水華預(yù)測模型
6.5.1 灰色系統(tǒng)模型
6.5.1.1 灰色理論概述
6.5.1.2 灰色系統(tǒng)建模原理
6.5.1.3 灰色系統(tǒng)預(yù)測
6.5.1.4 GM（1，1）預(yù)測模型
6.5.2 灰色理論與神經(jīng)網(wǎng)絡(luò)在葉綠素預(yù)測中的應(yīng)用
6.5.2.1 預(yù)測指標(biāo)的確定
6.5.2.2 灰色理論與神經(jīng)網(wǎng)絡(luò)預(yù)測步驟
6.5.2.3 實驗與仿真結(jié)果
6.5.3 灰色系統(tǒng)模型的原理及改進
6.5.3.1 灰色系統(tǒng)的優(yōu)化
6.5.3.2 灰色理論的應(yīng)用
6.6 基于過程神經(jīng)網(wǎng)絡(luò)的水華預(yù)測建模
6.6.1 過程神經(jīng)元網(wǎng)絡(luò)
6.6.1.1 過程神經(jīng)元
6.6.1.2 過程神經(jīng)元網(wǎng)絡(luò)基本模型
6.6.2 基于過程神經(jīng)網(wǎng)絡(luò)的水華預(yù)測方法
6.6.2.1 基于函數(shù)正交基的PNN預(yù)測算法
6.6.2.2 PNN算法改進
6.6.2.3 水華預(yù)測過程神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)
6.6.3 過程神經(jīng)網(wǎng)絡(luò)在水華預(yù)測中的應(yīng)用
6.6.4 本節(jié)小結(jié)
6.7 本章小結(jié)7.1 基于支持向量機的水華中期預(yù)測方法
7.1.1 回歸型支持向量機
7.1.1.1 支持向量機的核
7.1.1.2 非線性回歸算法
7.1.1.3 常用的核函數(shù)
7.1.2 基于最小二乘支持向量機的水華中期預(yù)測模型建立與仿真
7.1.2.1 最小二乘支持向量機算法
7.1.2.2 最小二乘支持向量機參數(shù)選擇
7.1.2.3 LSSVM建模
7.1.2.4 模型參數(shù)選擇
7.1.2.5 LSSVM中期預(yù)測及結(jié)果分析
7.1.2.6 支持向量機模型與神經(jīng)網(wǎng)絡(luò)模型對比
7.1.2.7 最小二乘支持向量機在北京市河湖水華中期預(yù)測中的應(yīng)用
7.2 基于小波神經(jīng)網(wǎng)絡(luò)的水華中期預(yù)測方法
7.2.1 小波分析
7.2.1.1 一維連續(xù)小波變換
7.2.1.2 離散小波變換
7.2.1.3 多分辨率分析
7.2.1.4 快速小波變換
7.2.2 基于WANN網(wǎng)絡(luò)的水華中期預(yù)測模型建立與仿真
7.2.2.1 WANN網(wǎng)絡(luò)構(gòu)建
7.2.2.2 離散小波變換
7.2.2.3 隱層神經(jīng)元個數(shù)的選擇
7.2.2.4 實驗結(jié)果與分析
7.2.2.5 WANN與BP預(yù)測結(jié)果比較
7.3 基于灰色理論與神經(jīng)網(wǎng)絡(luò)的水華長期預(yù)測方法
7.3.1 灰色理論與神經(jīng)網(wǎng)絡(luò)在水華預(yù)測中的應(yīng)用
7.3.1.1 WPGM（1，1）?BP神經(jīng)網(wǎng)絡(luò)模型
7.3.1.2 改進的灰色WPGM（1，1）?BP神經(jīng)網(wǎng)絡(luò)模型
7.3.1.3 灰色?神經(jīng)網(wǎng)絡(luò)水華預(yù)測模型建立步驟
7.3.2 基于灰色?神經(jīng)網(wǎng)絡(luò)的水華長期預(yù)測模型建立與仿真
7.4 本章小結(jié)
8.1 引言8.2 水華時序預(yù)測
8.2.1 監(jiān)測數(shù)據(jù)采集及預(yù)處理
8.2.2 特征因素篩選
8.2.3 特征因素時序建模
8.2.3.1 確定特征因素時序結(jié)構(gòu)
8.2.3.2 建立特征因素時序周期項模型
8.2.3.3 建立特征因素時序隨機項模型
8.2.3.4 建立特征因素多元周期平穩(wěn)時序模型
8.2.4 特征因素時序預(yù)測
8.2.4.1 特征因素多重潛周期多元自回歸混合模型預(yù)測
8.2.4.2 多重潛周期多元自回歸混合模型灰色預(yù)測
8.3 水華特征因素分析
8.3.1 預(yù)測誤差計算
8.3.2 因素分析
8.4 水華時序預(yù)測及因素分析實例
8.4.1 水華時序預(yù)測
8.4.1.1 特征因素監(jiān)測數(shù)據(jù)采集及預(yù)處理
8.4.1.2 特征因素篩選
8.4.1.3 特征因素時序建模
8.4.1.4 水華特征因素多元時序預(yù)測
8.4.2 水華特征因素分析
8.4.2.1 預(yù)測誤差計算
8.4.2.2 因素分析
8.4.3 特征因素預(yù)測結(jié)果比較
8.5 本章小結(jié)9.1 水華主要治理方法與應(yīng)急處理決策方法
9.1.1 水華主要治理方法
9.1.2 應(yīng)急處理決策方法
9.2 水華治理決策指標(biāo)體系構(gòu)建
9.2.1 指標(biāo)體系構(gòu)建原則
9.2.2 水華治理決策指標(biāo)體系構(gòu)建
9.3 模糊?多屬性決策理論及其水華應(yīng)急治理決策中的應(yīng)用
9.3.1 決策理論與原理
9.3.2 多屬性決策方法
9.3.3 模糊?多屬性決策理論應(yīng)用的基本步驟
9.3.3.1 建立決策矩陣及規(guī)范化
9.3.3.2 屬性權(quán)重的獲取
9.3.3.3 水華應(yīng)急治理決策實現(xiàn)
9.3.4 基于多屬性理論的湖庫藻類水華應(yīng)急決策方法的實現(xiàn)
9.3.5 基于模糊?多屬性理論的北京湖庫水華應(yīng)急決策方法應(yīng)用
9.3.6 小結(jié)
9.4 基于帶有約束條件的模糊?貝葉斯決策水華應(yīng)急治理決策方法
9.4.1 貝葉斯決策理論
9.4.1.1 決策理論與原理
9.4.1.2 貝葉斯決策方法
9.4.2 基于綜合約束的貝葉斯決策理論在水華應(yīng)急治理中的應(yīng)用
9.4.2.1 綜合約束條件構(gòu)建
9.4.2.2 概率的模糊化處理
9.4.3 基于模糊?貝葉斯理論的水華應(yīng)急治理決策實現(xiàn)
9.4.4 小結(jié)
9.5 基于環(huán)境成本的模糊灰色關(guān)聯(lián)度的多目標(biāo)決策方法
9.5.1 環(huán)境成本多目標(biāo)決策模型建立方法
9.5.2 分層矩陣構(gòu)建
9.5.3 參考方案確定
9.5.4 灰色關(guān)聯(lián)度理論
9.5.4.1 灰色關(guān)聯(lián)度理論
9.5.4.2 灰色關(guān)聯(lián)度計算
9.5.5 水華應(yīng)急治理模糊?灰色關(guān)聯(lián)度方法
9.5.5.1 決策層次及規(guī)范化
9.5.5.2 水華應(yīng)急治理決策仿真
9.5.6 小結(jié)
9.6 基于貝葉斯決策理論的水華治理決策方法
9.6.1 貝葉斯決策理論基礎(chǔ)
9.6.2 基于貝葉斯決策理論的水華治理決策方法
9.6.2.1 水華治理決策多指標(biāo)體系的確立
9.6.2.2 水華治理決策模型
9.6.2.3 水華治理貝葉斯決策方法
9.6.3 本節(jié)小結(jié)
9.7 本章小結(jié)10.1 系統(tǒng)設(shè)計與實現(xiàn)
10.1.1 系統(tǒng)結(jié)構(gòu)
10.1.2 水質(zhì)信息采集終端設(shè)計
10.2 監(jiān)控系統(tǒng)體系結(jié)構(gòu)與工作原理
10.2.1 監(jiān)測系統(tǒng)總體框架
10.2.2 GPRS技術(shù)與特點
10.2.3 監(jiān)測系統(tǒng)GPRS的組網(wǎng)方式
10.2.4 系統(tǒng)配置
10.2.5 系統(tǒng)工作原理
10.2.6 數(shù)據(jù)傳輸通信原理
10.2.7 遠(yuǎn)程監(jiān)測站工作方式
10.2.8 通信協(xié)議的設(shè)計
10.3 遠(yuǎn)程監(jiān)測軟件
10.3.1 遠(yuǎn)程端與數(shù)據(jù)中心軟件
10.3.2 實時數(shù)據(jù)采集程序
10.3.3 軟件平臺與結(jié)構(gòu)
10.3.4 軟件實現(xiàn)技術(shù)
10.3.4.1 Windows Sockets網(wǎng)絡(luò)接口技術(shù)
10.3.4.2 VB調(diào)用MATLAB的ActiveX技術(shù)
10.3.4.3 MATLAB的COM?Builder技術(shù)
10.3.4.4 MATLAB與Access數(shù)據(jù)庫的連接
10.3.4.5 VB與Access數(shù)據(jù)庫的連接
10.3.4.6 VB的數(shù)據(jù)傳輸技術(shù)
10.4 水華智能預(yù)測與預(yù)警應(yīng)用系統(tǒng)
10.4.1 水質(zhì)評價及水華預(yù)警系統(tǒng)（應(yīng)用系統(tǒng)一）
10.4.1.1 系統(tǒng)的主操作界面
10.4.1.2 數(shù)據(jù)采集模塊
10.4.1.3 數(shù)據(jù)查詢模塊
10.4.1.4 水質(zhì)評價模塊
10.4.1.5 水華預(yù)警模塊
10.4.2 葉綠素與溶解氧預(yù)測軟件系統(tǒng)（應(yīng)用系統(tǒng)二）
10.4.2.1 葉綠素預(yù)測子系統(tǒng)
10.4.2.2 溶解氧預(yù)測子系統(tǒng)
10.4.3 湖庫水質(zhì)監(jiān)測與水華應(yīng)急治理決策系統(tǒng)（應(yīng)用系統(tǒng)三）
10.4.3.1 系統(tǒng)框架
10.4.3.2 系統(tǒng)實現(xiàn)
10.4.3.3 系統(tǒng)算法實現(xiàn)
10.4.4 太湖水質(zhì)遠(yuǎn)程監(jiān)測與信息管理系統(tǒng)（應(yīng)用系統(tǒng)四）
10.4.4.1 GPRS遠(yuǎn)程無線傳輸技術(shù)
10.4.4.2 基于GPRS的水質(zhì)遠(yuǎn)程監(jiān)測接口設(shè)計
10.4.4.3 系統(tǒng)架構(gòu)與主要功能
10.4.4.4 軟件結(jié)構(gòu)
10.4.4.5 系統(tǒng)軟件功能與界面
10.5 本章小結(jié)