论文部分内容阅读
闽江流域内的气候气象、地形地貌、人类活动、工农业生产等具有显著的时空差异,不同时间和空间下,径流量、污染物浓度不同,河流水质具有时空异质性。识别河流水质的时空分布特征和污染源对全面认识河流的水质状况和河流管理具有重要意义。建立水质预测模型可以发现流域水质的变化趋势以及引起水质变化的污染源,为管理部门采取及时有效的治理措施提供依据,是河流管理和污染控制的基础工作。本文根据2014年至2017年闽江流域8项水质指标监测数据,采用多元统计方法和小波分解、遗传算法改进BP神经网络方法,分析闽江流域内水质时空分布特征并解析污染源,构建基于小波分解和遗传算法改进BP神经网络的水质预测模型,得到如下结果:采用多元统计方法识别闽江流域水质时空分布特征和解析污染源。流域水质在时间上可划分为T1时段:4～12月,T2时段:1～3月,T1时段水质较好,氨氮是主要污染物,污染源以农业污染为主。T2时段的主要污染物是氨氮和总磷。流域水质空间上可划分为3个群组,S1组主要位于建溪下游、沙溪、大樟溪、闽江干流,水质最差,污染物以营养盐为主,耗氧有机物次之,污染源为福州、三明、南平市的工业废水、生活污水、农业和禽畜养殖污水。S2组位于沙溪下游、富屯溪,水质最好,污染物主要是面源污染中的营养盐污染,水体自净能力良好。S3位于建溪中上游、富屯溪中上游,污染源主要是农业面源污染。电导率与不透水面呈正相关,与林地呈负相关。氨氮与不透水面和水体呈正相关,与林地呈负相关。总磷和浊度与耕地和裸地呈正相关,与林地呈负相关。针对南平水汾桥站点的水质监测数据时间序列中存在波动性和随机性较强的特征,建立基于小波分解-GABP神经网络的水质预测模型,引入小波分解将原始水质监测数据时间序列分解为多个子序列,利用遗传算法(GA)改进BP神经网络分别建立子预测模型,将各子序列预测值之和作为水质指标的最终预测值。分别建立BP神经网络预测模型、ARIMA预测模型作为对比实验,证明小波分解-GABP水质预测模型的优良性能。该预测模型在福州原厝、顺昌谟武、建瓯蓬墩站点均取得较高的预测精度。结果表明基于小波分解-GABP模型适用于闽江流域水质预测。