五组数据中，平均相对误差不到。而对于叶绿素与氨氮模型的实际运行效果比较差，而且可以明显发现模型预测值比实际监测值变化缓慢，这可能与后期缺少对污水口和芦苇生长区的监测有关。或者也有可能是当时外界条件比较适宜，敬业湖中水生植物利用氨氮的速率加快和藻类的生长速度加快所致。但是，从整体上而言，这三个模型的预测结果的变化趋势与实际情况具有很好的致性，在实际生活中仍具有定的使用价值。所以，模型作为种简单易用，应用广泛的水质模型，对水质的监测模拟水环境的管理规划具有较好的指导作用。基于水质模型的水质变化趋势本论文中主要利用水质模型模拟了四个景观湖中敬业湖的叶绿素氨氮与溶解氧三个指标。分别得到了这三个指标在这期间的变化曲线。然而由于研究的时间区间比较短，比较适合短期的预测。所以在本论文中只预测与月份各种外界条件比较类似的月份中敬业湖水质变化。从图可知，水质模型模拟的月份的叶绿素变化基本上维持在之间。但是月份的值明显比月份大，这可能是由于在月份有些比较喜欢较低温度的藻类例如新月菱形硅藻，其生长的温度范围为,最适为大量生长所引起的。而月份，从月份整体的趋势和月号的模拟值和实际值可以发现，叶绿素有上升的趋势。这可能是随着气温的逐渐升高，适合藻类生长的外界条件越来越好，藻类大量生长所致。预计在未来的月份中叶绿素的值还会有增加的趋势。从图可知，水质模型模拟的月份的氨氮值有逐渐下降的趋势，并且模拟值与实际监测值能较好的贴合。而月份更是水生植物大量生长的季节，而水生植物的生长需要利用水中的氮元素。所以，水中氨氮含量的下降也是在情理之中，符合实际情况。考虑到现在水体中氨氮浓度已经很低，基本上在月号只有左右，预计在未来的月份水中氨氮的浓度会有小幅的下降，并稳定在个较低值附近。从图可知，水质模型模拟的月份的溶解氧波动幅度较大。但是整体上还是有上升的趋势。水中的溶解氧有很多因素共同决定，其中浮游植物的光合作用对其值影响较大。般来说，光合作用越强，现场测定的值也会越高。而从图得到，叶绿素的含量由逐渐上升的趋势，而叶绿素能表征水中浮游植物，主要是藻类的生物量。所以，值有上升的趋势也是符合预期的。预计在月份，随着藻类的大量生长，水中的溶解氧会有所增加。整体上来说，水质模型模拟的三个变量，都与水中的藻类的生物量有关，而藻类的生物量又与水体的富营养化有关。随着气温的逐渐上升和适宜的外界条件，以叶绿素表征的藻类生物量会有逐渐上升的趋势，其结果就是水中氨氮含量有下降的趋势，水中的溶解氧会有上升的趋势。第六章神经网络的水质模型虽然机理性的水质模型考虑了影响水质变化的物理化学和生物因素，并得到了广泛的认可与完善，但是由于水环境中存在不确定性与复杂性，使水质变化呈现基于定的变化规律的不确定变化特征。这种不确定性包括水质数据资料的不足复杂生化反应机理的认知不足实际污染物的排放和水文情况变化的不确定性等情况。同时，机理性的模型往往都比较复杂，所需要的数据也比较多，这些因素往往会限制机理性模型在实际中的应用。同时，伴随着数学理论的不断创新与发展，非机理性的水质模型也开始不断发展，其中包括水体水质的回归模型概率统计模型灰色预测模型人工神经网络模型和模糊数学理论的水质模型等。本论文中采用误差反向传递的人工神经网络来建立水质模型。神经网络简介神经网络是由大量的人工神经元广泛地连接而成，用以模仿人脑神经网络的复杂网络系统。它对具有不确定性和高度非线性的问题具有良好的适应性。将神经网络用于水质模型，只要有足够的数据，就能充分利用神经网络强大的自学习能力来对水质的变化建模，并且模型具有很高的准确性。神经网络，即误差反向传递的神经网络，具体网络结构如图图神经网络模型结构神经网络的水质模型的建立本论文以景观湖中的敬业湖的主体水作为建模对象，建立化学需氧量误差反传输入向量期望输出向量输入层输出层隐含层隐含层溶解氧总氮总磷和叶绿素这个水质指标的时间序列模型。设各个水质指标的时间序列为其中为水质指标的数目。则预测指标的模型可以简单描述为式中为非线性作用函数水质指标的时间序列模型就是要寻找非线性作用函数的过程。已经得到证明，对于网络中间层的神经元如果具有任意阶导数，则中间层可以设置任意数量的神经元，那么层的神经网络模型就可以以任意精度逼近任何连续函数。因此，只要神经网络结构的参数选取合理，那么使用神经网络就可以精确的反应非线性关系。从这个层面上来说，神经网络建模预测与控制主要应用的是神经网络函数的逼近功能。本论文中将年月号到月号由于数据样本太小，在原来月号基础上，增加了月号月号和月号三组监测的敬业湖的主体水中化学需氧量溶解氧总氮总磷和叶绿素这个水质指标的时间序列作为样本供神经网络建模。由于神经网络隐含层的神经元采用型变换函数，输出层则采用线性变换函数，所以在利用监测的水质指标对神经网络进行学习之前，需要对学习的样本进行归化，使得各个要素落在,之间。对于归化的方程，输入的时间为，其中为各个监测时间距离月号第天监测的时间间隔。对于总磷浓度，其值直处在之间，无需处理。而对于总氮只需要缩小倍，叶绿素与溶解氧只需要缩小就可满足要求。而对于神经网络结构中的各个参数确定则利用学习时间较短精度与收敛性较好的算法。对于神经网络隐含层的节点数则根据以下公式确定式中为隐含层的节点数为输入层的节点数为输出层的节点数为之间的个随机数本模型中将敬业湖水质监测样本的数据分为训练集检验集两个部分。用训练集来训练与拟合神经网络，用检验集来对训练结果进行检验，以考核训练结果或者说模型的好坏。本模型中将月号至月号的归化的数据作为神经网络的训练集，用月号至月号的实际监测值作为神经网络模型的检验集。利用中的神经网络工具箱进行调试，发现在，即隐含层的节点数为的时候，模型收敛性最好。模型结果与实际监测值之间的比较如图至图。时间模型值监测值图神经网络模型的拟合与检验图时间模型值监测值图神经网络模型的拟合与检验图时间模型值监测值图神经网络模型的拟合与检验图模型拟合模型检验模型拟合模型检验模型拟合模型检验模型检验时间模型值监测值图神经网络模型的拟合与检验图时间叶绿素模型值监测值图神经网络叶绿素模型的拟合与检验图从图至图可知，用神经网络对样本的训练拟合后，除了化学需氧量的相关系数除去月号的异常值比较小之外，其他指标与实际监测值都有良好的拟合性，其中总氮与叶绿素的拟合效果最好，相关系数均在以上。所以，整体而言，用神经网络对这个水质指标建立模型的拟合结果还是可以令人满意的。神经网络水质模型的检验利用训练好的神经网络的水质模型来对敬业湖月号至月号的和叶绿素进行预测，并与实际监测值比较和用相对误差来检验神经网络水质模型的效果。相对误差检验的具体结果见表。模型拟合模型拟合模型检验表神经网络水质模型相对误差的检验月号月号月号月号月号预测值监测值相对误差平均相对误差预测值监测值相对误差平均相对误差预测值监测值相对误差平均相对误差预测值监测值相对误差