水環(huán)境監(jiān)測評價與水華智能化預測方法及應急治理決策系統(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)化關系
1.1.3 藻類水華產生的主要過程
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)化評價標準
1.2.2 富營養(yǎng)化評價模型
1.2.2.1 營養(yǎng)指數法
1.2.2.2 浮游植物生態(tài)模型
1.2.2.3 生態(tài)動力學模型
1.2.2.4 不確定性分析和回歸模型
1.2.2.5 人工神經網絡模型
1.3 水華預測建模方法
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 人工神經網絡的預測模型
1.3.2.2 組合智能方法的預測模型
1.4 水環(huán)境監(jiān)測技術及應用
1.5 本章小結2.1 概述
2.2 實驗設計與方法
2.2.1 模擬自然條件
2.2.2 藻種的預培養(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 各指標測定方法
2.3 實驗結果與分析
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 表征指標的相關性分析（DO、pH和chl?a）
2.3.3 ΔDO與ΔpH預測“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 各指標測定方法和儀器藥品
2.4.3.1 指標測定方法
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Fe3+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 實驗設計與方法
2.5.2 實驗結果與分析
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
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性分析
2.6.2 突變理論與藍藻暴發(fā)點模型構建
2.6.2.1 突變理論與尖點模型
2.6.2.2 藍藻水華暴發(fā)點突變模型的建立
2.6.3 尖點突變模型在湖庫藍藻水華形成機理分析中的應用
2.6.3.1 樣本選擇
2.6.3.2 藍藻水華生長綜合機理模型仿真
2.6.3.3 小結
2.6.4 “水華”閾值的研究
2.6.4.1 水華暴發(fā)感官指標
2.6.4.2 北京長河水系水華評價
2.7 本章小結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)化評價標準與指標
3.2.1 水體富營養(yǎng)化評價標準
3.2.2 水體富營養(yǎng)化評價指標
3.2.2.1 水體指標
3.2.2.2 表征指標
3.2.2.3 感官指標
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)指數模型
3.3.2.1 卡森指數法（TSI）
3.3.2.2 修正的卡森指數法
3.3.2.3 綜合營養(yǎng)狀態(tài)指數法
3.3.2.4 改進的綜合營養(yǎng)指數法
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)化權重獲取模型
3.4.3 算法步驟
3.5 灰色關聯分析評價方法
3.5.1 灰色關聯因素和關聯算子集
3.5.2 灰色關聯公理與灰色關聯度
3.5.2.1 廣義灰色關聯度
3.5.2.2 灰色相對關聯度
3.5.2.3 灰色綜合關聯度
3.5.3 灰色關聯分析法的步驟
3.5.4 改進的灰色關聯分析
3.5.5 改進的灰色關聯分析在水體富營養(yǎng)化評價的應用
3.5.5.1 水體富營養(yǎng)化評價步驟
3.5.5.2 評價結果比較
3.6 水體富營養(yǎng)化評價方法應用
3.6.1 綜合營養(yǎng)指數的評價方法
3.6.1.1 水體評價數據的確定
3.6.1.2 水體評價結果比較
3.6.2 幾種評價方法應用比較
3.6.3 富營養(yǎng)化評價結果
3.7 本章小結4.1 基于Petri網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
4.1.2.1 Petri網概述
4.1.2.2 Petri網算法
4.1.3 模糊理論與Petri網在葉綠素預測中的應用
4.2 基于多Agent的湖庫水華機理建模
4.2.1 Agent技術和ABM的研究現狀
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)內部機理策略
4.2.3.1 概述
4.2.3.2 水體內部生化反應建模
4.2.3.3 生長模型參數動態(tài)率定
4.2.3.4 小結
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
4.3 本章小結5.1 水華暴發(fā)的影響因素
5.1.1 化學因素
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 實驗設計與方法
5.2.1.1 藻種的預培養(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 實驗結果與分析
5.3 水華預測指標體系構建
5.3.1 粗糙集確定水華預測指標
5.3.1.1 粗糙集理論
5.3.1.2 基于粗糙集理論的水華預測指標選取
5.3.2 主成分分析法確定水華預測指標
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測指標選取
5.3.3 水華預測模型的輸入輸出變量確定
5.3.4 水華預測指標體系
5.3.5 小結
5.4 水華綜合評價模型及在預測中的應用
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 模型中參數的率定結果
5.4.2.3 結果驗證及分析
5.4.3 水華綜合評價模型
5.4.3.1 水華綜合評價函數的構建
5.4.3.2 模型中各參數的確定
5.4.3.3 計算水華綜合評價函數
5.4.3.4 水華綜合評價函數計算結果及分析
5.4.4 水華綜合評價模型與灰色預測相結合用于水華預測
5.4.4.1 GM（1，1）、改進的GM（1，1）模型預測結果比較
5.4.4.2 預測結果分析
5.4.5 小結
5.5 本章小結6.1 概述
6.1.1 前向型神經網絡
6.1.2 反饋型神經網絡
6.1.3 兩種類型各自典型網絡的比較
6.2 基于BP神經網絡的水華短期預測方法
6.2.1 BP神經元模型和網絡結構
6.2.1.1 BP網絡結構及其算法
6.2.1.2 BP算法的改進
6.2.2 基于BP神經網絡的水華短期預測模型建立與仿真
6.2.2.1 主導變量與數據預處理
6.2.2.2 預測模型的建立與仿真分析
6.2.2.3 不同間隔時間的預測對比
6.2.2.4 三種改進算法的預測對比
6.3 基于RBF神經網絡的水華短期預測方法
6.3.1 RBP神經元模型和網絡結構
6.3.1.1 徑向基（RBF）神經元模型
6.3.1.2 RBF神經網絡結構
6.3.1.3 基于不同時間序列輸入量的RBF神經網絡模型分析
6.3.1.4 基于MATLAB工具箱的RBF網絡設計
6.3.1.5 小結
6.3.2 基于RBF的水華短期預測模型模型建立與仿真
6.3.2.1 RBF預測模型的建立
6.3.2.2 仿真分析
6.3.2.3 徑向基函數寬度與網絡擬合能力分析
6.3.2.4 徑向基函數寬度與網絡泛化性能分析
6.3.2.5 短期RBF神經網絡的輸入變量的敏感度分析
6.3.2.6 RBF與BP網絡水華預測軟測量模型的比較
6.3.3 小結6.4 基于Elman神經網絡的水華短期預測方法
6.4.1 Elman神經元模型和網絡結構
6.4.1.1 Elman網絡特點
6.4.1.2 Elman神經元及函數
6.4.1.3 Elman的學習算法
6.4.1.4 Elman網絡的改進
6.4.2 基于Elman神經網絡的水華短期預測模型建立與仿真
6.4.2.1 Elman神經網絡預測模型的建立
6.4.2.2 北京市河湖水華短期預測
6.4.2.3 Elman模型測試及其泛化能力分析
6.4.2.4 Elman網絡與BP網絡兩種預測模型對比
6.5 基于灰色理論與神經網絡的水華預測模型
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)預測
6.5.1.4 GM（1，1）預測模型
6.5.2 灰色理論與神經網絡在葉綠素預測中的應用
6.5.2.1 預測指標的確定
6.5.2.2 灰色理論與神經網絡預測步驟
6.5.2.3 實驗與仿真結果
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 灰色理論的應用
6.6 基于過程神經網絡的水華預測建模
6.6.1 過程神經元網絡
6.6.1.1 過程神經元
6.6.1.2 過程神經元網絡基本模型
6.6.2 基于過程神經網絡的水華預測方法
6.6.2.1 基于函數正交基的PNN預測算法
6.6.2.2 PNN算法改進
6.6.2.3 水華預測過程神經網絡算法實現
6.6.3 過程神經網絡在水華預測中的應用
6.6.4 本節(jié)小結
6.7 本章小結7.1 基于支持向量機的水華中期預測方法
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
7.1.2 基于最小二乘支持向量機的水華中期預測模型建立與仿真
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選擇
7.1.2.3 LSSVM建模
7.1.2.4 模型參數選擇
7.1.2.5 LSSVM中期預測及結果分析
7.1.2.6 支持向量機模型與神經網絡模型對比
7.1.2.7 最小二乘支持向量機在北京市河湖水華中期預測中的應用
7.2 基于小波神經網絡的水華中期預測方法
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網絡的水華中期預測模型建立與仿真
7.2.2.1 WANN網絡構建
7.2.2.2 離散小波變換
7.2.2.3 隱層神經元個數的選擇
7.2.2.4 實驗結果與分析
7.2.2.5 WANN與BP預測結果比較
7.3 基于灰色理論與神經網絡的水華長期預測方法
7.3.1 灰色理論與神經網絡在水華預測中的應用
7.3.1.1 WPGM（1，1）?BP神經網絡模型
7.3.1.2 改進的灰色WPGM（1，1）?BP神經網絡模型
7.3.1.3 灰色?神經網絡水華預測模型建立步驟
7.3.2 基于灰色?神經網絡的水華長期預測模型建立與仿真
7.4 本章小結
8.1 引言8.2 水華時序預測
8.2.1 監(jiān)測數據采集及預處理
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構
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 特征因素時序預測
8.2.4.1 特征因素多重潛周期多元自回歸混合模型預測
8.2.4.2 多重潛周期多元自回歸混合模型灰色預測
8.3 水華特征因素分析
8.3.1 預測誤差計算
8.3.2 因素分析
8.4 水華時序預測及因素分析實例
8.4.1 水華時序預測
8.4.1.1 特征因素監(jiān)測數據采集及預處理
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測
8.4.2 水華特征因素分析
8.4.2.1 預測誤差計算
8.4.2.2 因素分析
8.4.3 特征因素預測結果比較
8.5 本章小結9.1 水華主要治理方法與應急處理決策方法
9.1.1 水華主要治理方法
9.1.2 應急處理決策方法
9.2 水華治理決策指標體系構建
9.2.1 指標體系構建原則
9.2.2 水華治理決策指標體系構建
9.3 模糊?多屬性決策理論及其水華應急治理決策中的應用
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 屬性權重的獲取
9.3.3.3 水華應急治理決策實現
9.3.4 基于多屬性理論的湖庫藻類水華應急決策方法的實現
9.3.5 基于模糊?多屬性理論的北京湖庫水華應急決策方法應用
9.3.6 小結
9.4 基于帶有約束條件的模糊?貝葉斯決策水華應急治理決策方法
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急治理中的應用
9.4.2.1 綜合約束條件構建
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急治理決策實現
9.4.4 小結
9.5 基于環(huán)境成本的模糊灰色關聯度的多目標決策方法
9.5.1 環(huán)境成本多目標決策模型建立方法
9.5.2 分層矩陣構建
9.5.3 參考方案確定
9.5.4 灰色關聯度理論
9.5.4.1 灰色關聯度理論
9.5.4.2 灰色關聯度計算
9.5.5 水華應急治理模糊?灰色關聯度方法
9.5.5.1 決策層次及規(guī)范化
9.5.5.2 水華應急治理決策仿真
9.5.6 小結
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
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
9.7 本章小結10.1 系統(tǒng)設計與實現
10.1.1 系統(tǒng)結構
10.1.2 水質信息采集終端設計
10.2 監(jiān)控系統(tǒng)體系結構與工作原理
10.2.1 監(jiān)測系統(tǒng)總體框架
10.2.2 GPRS技術與特點
10.2.3 監(jiān)測系統(tǒng)GPRS的組網方式
10.2.4 系統(tǒng)配置
10.2.5 系統(tǒng)工作原理
10.2.6 數據傳輸通信原理
10.2.7 遠程監(jiān)測站工作方式
10.2.8 通信協(xié)議的設計
10.3 遠程監(jiān)測軟件
10.3.1 遠程端與數據中心軟件
10.3.2 實時數據采集程序
10.3.3 軟件平臺與結構
10.3.4 軟件實現技術
10.3.4.1 Windows Sockets網絡接口技術
10.3.4.2 VB調用MATLAB的ActiveX技術
10.3.4.3 MATLAB的COM?Builder技術
10.3.4.4 MATLAB與Access數據庫的連接
10.3.4.5 VB與Access數據庫的連接
10.3.4.6 VB的數據傳輸技術
10.4 水華智能預測與預警應用系統(tǒng)
10.4.1 水質評價及水華預警系統(tǒng)（應用系統(tǒng)一）
10.4.1.1 系統(tǒng)的主操作界面
10.4.1.2 數據采集模塊
10.4.1.3 數據查詢模塊
10.4.1.4 水質評價模塊
10.4.1.5 水華預警模塊
10.4.2 葉綠素與溶解氧預測軟件系統(tǒng)（應用系統(tǒng)二）
10.4.2.1 葉綠素預測子系統(tǒng)
10.4.2.2 溶解氧預測子系統(tǒng)
10.4.3 湖庫水質監(jiān)測與水華應急治理決策系統(tǒng)（應用系統(tǒng)三）
10.4.3.1 系統(tǒng)框架
10.4.3.2 系統(tǒng)實現
10.4.3.3 系統(tǒng)算法實現
10.4.4 太湖水質遠程監(jiān)測與信息管理系統(tǒng)（應用系統(tǒng)四）
10.4.4.1 GPRS遠程無線傳輸技術
10.4.4.2 基于GPRS的水質遠程監(jiān)測接口設計
10.4.4.3 系統(tǒng)架構與主要功能
10.4.4.4 軟件結構
10.4.4.5 系統(tǒng)軟件功能與界面
10.5 本章小結