水环境监测评价与水华智能化预测方法及应急治理决策系统
作者：刘载文，王小艺，崔莉凤 著
出版时间：2013年版
内容简介
《水环境监测评价与水华智能化预测方法及应急治理决策系统》系统地提出基于智能信息处理技术的水质评价与水华预测方法，以及水华应急治理决策方法，论述了水环境监测和数据远程传输技术，介绍了水华预警软件系统的实现方案。内容主要包括：通过模拟实验研究藻类生长和繁殖的过程，采用主成分分析法和粗糙集理论分析水华暴发的影响因素，探讨了灰色关联度分析方法和多属性决策理论在水体富营养化评价中的应用，研究基于petri网和Agent的建模仿真技术，分别研究BP、RBF和Elman等人工神经网络建模方法，建立水华发生的短期预测模型，研究基于最小二乘支持向量机（LSSVM）、小波神经网络组合模型（WANN）、灰色？神经混合预测模型的水华中期预测方法，采用基于多元周期平稳时序分析方法对水华形成过程中的特征因素建模和预测，提出了基于模糊？多属性决策理论、最小风险与最优成本综合约束条件下的模糊，贝叶斯决策方法，以及基于环境成本的模糊灰色关联度的水华应急治理决策方法。《水环境监测评价与水华智能化预测方法及应急治理决策系统》可供从事水环境监测、水质评价以及进行水华预测方法研究和应急治理的决策管理人员和工程技术人员参考，也可作为环境工程、自动控制、信息工程、管理工程等专业本科生与研究生的教材或参考书。
目录
1.1 水体富营养化与水华的危害
1.1.1 水体富营养化
1.1.2 水华的概念及与水体富营养化关系
1.1.3 藻类水华产生的主要过程
1.1.4水华的危害
1.2 水体富营养化评价方法
1.2.1 水体富营养化评价标准
1.2.2 富营养化评价模型
1.2.2.1 营养指数法
1.2.2.2 浮游植物生态模型
1.2.2.3 生态动力学模型
1.2.2.4 不确定性分析和回归模型
1.2.2.5 人工神经网络模型
1.3 水华预测建模方法
1.3.1 基于机理生态建模方法
1.3.1.1 回归模型
1.3.1.2 总磷平衡模型
1.3.1.3 生态动力学模型
1.3.1.4 非线性回归模型
1.3.2 基于人工智能的建模方法
1.3.2.1 人工神经网络的预测模型
1.3.2.2 组合智能方法的预测模型
1.4 水环境监测技术及应用
1.5 本章小结2.1 概述
2.2 实验设计与方法
2.2.1 模拟自然条件
2.2.2 藻种的预培养和保存
2.2.3 正交实验条件选择
2.2.4 藻类生长实验
2.2.5 各指标测定方法
2.3 实验结果与分析
2.3.1 藻类生长曲线分析
2.3.1.1 叶绿素a表征藻类生长曲线
2.3.1.2 不同N/P条件下藻类生长曲线
2.3.2 表征指标的相关性分析（DO、pH和chl?a）
2.3.3 ΔDO与ΔpH预测“水华”暴发的研究
2.3.4 藻类生长比增长速率影响因素的研究
2.3.5 藻类生长感官指标分析
2.4 微量元素对藻类生长的影响
2.4.1 微量元素
2.4.2 微量元素作用实验（铁、锰及不同Mn2+浓度对藻类生长的影响）
2.4.3 各指标测定方法和仪器药品
2.4.3.1 指标测定方法
2.4.3.2 实验仪器及药品
2.4.4 微量元素对藻类生长的影响
2.4.4.1 不同Fe3+浓度对藻类生长的影响
2.4.4.2 不同Mn2+浓度对藻类生长的影响
2.4.4.3 不同氮磷比对藻类增长的影响与Fe3+影响的比较
2.5 水力搅动对藻类生长的影响
2.5.1 实验设计与方法
2.5.2 实验结果与分析
2.5.2.1 有无水力搅动对藻类生长影响
2.5.2.2 不同水力搅动强度对藻类生长影响
2.5.3 小结
2.6 “水华”阈值与暴发点的研究
2.6.1 藻类生长趋势分析
2.6.1.1 叶绿素a低浓度（40μg·L-1）条件下与藻密度相关性分析
2.6.2 突变理论与蓝藻暴发点模型构建
2.6.2.1 突变理论与尖点模型
2.6.2.2 蓝藻水华暴发点突变模型的建立
2.6.3 尖点突变模型在湖库蓝藻水华形成机理分析中的应用
2.6.3.1 样本选择
2.6.3.2 蓝藻水华生长综合机理模型仿真
2.6.3.3 小结
2.6.4 “水华”阈值的研究
2.6.4.1 水华暴发感官指标
2.6.4.2 北京长河水系水华评价
2.7 本章小结3.1 概述
3.1.1 营养因素
3.1.2 非营养因素
3.2 水体富营养化评价标准与指标
3.2.1 水体富营养化评价标准
3.2.2 水体富营养化评价指标
3.2.2.1 水体指标
3.2.2.2 表征指标
3.2.2.3 感官指标
3.3 水体富营养化评价模型
3.3.1 评分模型
3.3.2 营养指数模型
3.3.2.1 卡森指数法（TSI）
3.3.2.2 修正的卡森指数法
3.3.2.3 综合营养状态指数法
3.3.2.4 改进的综合营养指数法
3.3.3 灰色理论评价模型
3.4 多属性决策的水体富营养化评价
3.4.1 多属性决策理论
3.4.2 优化权重获取模型
3.4.3 算法步骤
3.5 灰色关联分析评价方法
3.5.1 灰色关联因素和关联算子集
3.5.2 灰色关联公理与灰色关联度
3.5.2.1 广义灰色关联度
3.5.2.2 灰色相对关联度
3.5.2.3 灰色综合关联度
3.5.3 灰色关联分析法的步骤
3.5.4 改进的灰色关联分析
3.5.5 改进的灰色关联分析在水体富营养化评价的应用
3.5.5.1 水体富营养化评价步骤
3.5.5.2 评价结果比较
3.6 水体富营养化评价方法应用
3.6.1 综合营养指数的评价方法
3.6.1.1 水体评价数据的确定
3.6.1.2 水体评价结果比较
3.6.2 几种评价方法应用比较
3.6.3 富营养化评价结果
3.7 本章小结4.1 基于Petri网的湖库水华形成过程建模
4.1.1 模糊理论
4.1.1.1 模糊理论概述
4.1.1.2 模糊集理论基本概念
4.1.2 Petri网
4.1.2.1 Petri网概述
4.1.2.2 Petri网算法
4.1.3 模糊理论与Petri网在叶绿素预测中的应用
4.2 基于多Agent的湖库水华机理建模
4.2.1 Agent技术和ABM的研究现状
4.2.2 影响水华形成过程的因素分析
4.2.3 水华形成过程Agent系统内部机理策略
4.2.3.1 概述
4.2.3.2 水体内部生化反应建模
4.2.3.3 生长模型参数动态率定
4.2.3.4 小结
4.2.4 水华形成过程Agent仿真与建模
4.2.4.1 基于Agent的水华指标行为建模
4.2.4.2 水华形成机理模型动态仿真
4.2.4.3 仿真系统运行与实现
4.3 本章小结5.1 水华暴发的影响因素
5.1.1 化学因素
5.1.2 物理因素
5.1.3 生物因素
5.2 水华暴发主要因素实验
5.2.1 实验设计与方法
5.2.1.1 藻种的预培养和保存
5.2.1.2 实验因素及水平的选择
5.2.1.3 正交实验各组条件选择
5.2.1.4 正交实验方法及具体步骤
5.2.2 实验结果与分析
5.3 水华预测指标体系构建
5.3.1 粗糙集确定水华预测指标
5.3.1.1 粗糙集理论
5.3.1.2 基于粗糙集理论的水华预测指标选取
5.3.2 主成分分析法确定水华预测指标
5.3.2.1 主成分分析法
5.3.2.2 基于主成分分析法的水华预测指标选取
5.3.3 水华预测模型的输入输出变量确定
5.3.4 水华预测指标体系
5.3.5 小结
5.4 水华综合评价模型及在预测中的应用
5.4.1 综合评价模型理论
5.4.1.1 非线性极小值原理
5.4.1.2 灰色预测理论
5.4.1.3 改进的GM（1，1）模型
5.4.2 藻类生长模型研究
5.4.2.1 藻类生长模型的建立
5.4.2.2 模型中参数的率定结果
5.4.2.3 结果验证及分析
5.4.3 水华综合评价模型
5.4.3.1 水华综合评价函数的构建
5.4.3.2 模型中各参数的确定
5.4.3.3 计算水华综合评价函数
5.4.3.4 水华综合评价函数计算结果及分析
5.4.4 水华综合评价模型与灰色预测相结合用于水华预测
5.4.4.1 GM（1，1）、改进的GM（1，1）模型预测结果比较
5.4.4.2 预测结果分析
5.4.5 小结
5.5 本章小结6.1 概述
6.1.1 前向型神经网络
6.1.2 反馈型神经网络
6.1.3 两种类型各自典型网络的比较
6.2 基于BP神经网络的水华短期预测方法
6.2.1 BP神经元模型和网络结构
6.2.1.1 BP网络结构及其算法
6.2.1.2 BP算法的改进
6.2.2 基于BP神经网络的水华短期预测模型建立与仿真
6.2.2.1 主导变量与数据预处理
6.2.2.2 预测模型的建立与仿真分析
6.2.2.3 不同间隔时间的预测对比
6.2.2.4 三种改进算法的预测对比
6.3 基于RBF神经网络的水华短期预测方法
6.3.1 RBP神经元模型和网络结构
6.3.1.1 径向基（RBF）神经元模型
6.3.1.2 RBF神经网络结构
6.3.1.3 基于不同时间序列输入量的RBF神经网络模型分析
6.3.1.4 基于MATLAB工具箱的RBF网络设计
6.3.1.5 小结
6.3.2 基于RBF的水华短期预测模型模型建立与仿真
6.3.2.1 RBF预测模型的建立
6.3.2.2 仿真分析
6.3.2.3 径向基函数宽度与网络拟合能力分析
6.3.2.4 径向基函数宽度与网络泛化性能分析
6.3.2.5 短期RBF神经网络的输入变量的敏感度分析
6.3.2.6 RBF与BP网络水华预测软测量模型的比较
6.3.3 小结6.4 基于Elman神经网络的水华短期预测方法
6.4.1 Elman神经元模型和网络结构
6.4.1.1 Elman网络特点
6.4.1.2 Elman神经元及函数
6.4.1.3 Elman的学习算法
6.4.1.4 Elman网络的改进
6.4.2 基于Elman神经网络的水华短期预测模型建立与仿真
6.4.2.1 Elman神经网络预测模型的建立
6.4.2.2 北京市河湖水华短期预测
6.4.2.3 Elman模型测试及其泛化能力分析
6.4.2.4 Elman网络与BP网络两种预测模型对比
6.5 基于灰色理论与神经网络的水华预测模型
6.5.1 灰色系统模型
6.5.1.1 灰色理论概述
6.5.1.2 灰色系统建模原理
6.5.1.3 灰色系统预测
6.5.1.4 GM（1，1）预测模型
6.5.2 灰色理论与神经网络在叶绿素预测中的应用
6.5.2.1 预测指标的确定
6.5.2.2 灰色理论与神经网络预测步骤
6.5.2.3 实验与仿真结果
6.5.3 灰色系统模型的原理及改进
6.5.3.1 灰色系统的优化
6.5.3.2 灰色理论的应用
6.6 基于过程神经网络的水华预测建模
6.6.1 过程神经元网络
6.6.1.1 过程神经元
6.6.1.2 过程神经元网络基本模型
6.6.2 基于过程神经网络的水华预测方法
6.6.2.1 基于函数正交基的PNN预测算法
6.6.2.2 PNN算法改进
6.6.2.3 水华预测过程神经网络算法实现
6.6.3 过程神经网络在水华预测中的应用
6.6.4 本节小结
6.7 本章小结7.1 基于支持向量机的水华中期预测方法
7.1.1 回归型支持向量机
7.1.1.1 支持向量机的核
7.1.1.2 非线性回归算法
7.1.1.3 常用的核函数
7.1.2 基于最小二乘支持向量机的水华中期预测模型建立与仿真
7.1.2.1 最小二乘支持向量机算法
7.1.2.2 最小二乘支持向量机参数选择
7.1.2.3 LSSVM建模
7.1.2.4 模型参数选择
7.1.2.5 LSSVM中期预测及结果分析
7.1.2.6 支持向量机模型与神经网络模型对比
7.1.2.7 最小二乘支持向量机在北京市河湖水华中期预测中的应用
7.2 基于小波神经网络的水华中期预测方法
7.2.1 小波分析
7.2.1.1 一维连续小波变换
7.2.1.2 离散小波变换
7.2.1.3 多分辨率分析
7.2.1.4 快速小波变换
7.2.2 基于WANN网络的水华中期预测模型建立与仿真
7.2.2.1 WANN网络构建
7.2.2.2 离散小波变换
7.2.2.3 隐层神经元个数的选择
7.2.2.4 实验结果与分析
7.2.2.5 WANN与BP预测结果比较
7.3 基于灰色理论与神经网络的水华长期预测方法
7.3.1 灰色理论与神经网络在水华预测中的应用
7.3.1.1 WPGM（1，1）?BP神经网络模型
7.3.1.2 改进的灰色WPGM（1，1）?BP神经网络模型
7.3.1.3 灰色?神经网络水华预测模型建立步骤
7.3.2 基于灰色?神经网络的水华长期预测模型建立与仿真
7.4 本章小结
8.1 引言8.2 水华时序预测
8.2.1 监测数据采集及预处理
8.2.2 特征因素筛选
8.2.3 特征因素时序建模
8.2.3.1 确定特征因素时序结构
8.2.3.2 建立特征因素时序周期项模型
8.2.3.3 建立特征因素时序随机项模型
8.2.3.4 建立特征因素多元周期平稳时序模型
8.2.4 特征因素时序预测
8.2.4.1 特征因素多重潜周期多元自回归混合模型预测
8.2.4.2 多重潜周期多元自回归混合模型灰色预测
8.3 水华特征因素分析
8.3.1 预测误差计算
8.3.2 因素分析
8.4 水华时序预测及因素分析实例
8.4.1 水华时序预测
8.4.1.1 特征因素监测数据采集及预处理
8.4.1.2 特征因素筛选
8.4.1.3 特征因素时序建模
8.4.1.4 水华特征因素多元时序预测
8.4.2 水华特征因素分析
8.4.2.1 预测误差计算
8.4.2.2 因素分析
8.4.3 特征因素预测结果比较
8.5 本章小结9.1 水华主要治理方法与应急处理决策方法
9.1.1 水华主要治理方法
9.1.2 应急处理决策方法
9.2 水华治理决策指标体系构建
9.2.1 指标体系构建原则
9.2.2 水华治理决策指标体系构建
9.3 模糊?多属性决策理论及其水华应急治理决策中的应用
9.3.1 决策理论与原理
9.3.2 多属性决策方法
9.3.3 模糊?多属性决策理论应用的基本步骤
9.3.3.1 建立决策矩阵及规范化
9.3.3.2 属性权重的获取
9.3.3.3 水华应急治理决策实现
9.3.4 基于多属性理论的湖库藻类水华应急决策方法的实现
9.3.5 基于模糊?多属性理论的北京湖库水华应急决策方法应用
9.3.6 小结
9.4 基于带有约束条件的模糊?贝叶斯决策水华应急治理决策方法
9.4.1 贝叶斯决策理论
9.4.1.1 决策理论与原理
9.4.1.2 贝叶斯决策方法
9.4.2 基于综合约束的贝叶斯决策理论在水华应急治理中的应用
9.4.2.1 综合约束条件构建
9.4.2.2 概率的模糊化处理
9.4.3 基于模糊?贝叶斯理论的水华应急治理决策实现
9.4.4 小结
9.5 基于环境成本的模糊灰色关联度的多目标决策方法
9.5.1 环境成本多目标决策模型建立方法
9.5.2 分层矩阵构建
9.5.3 参考方案确定
9.5.4 灰色关联度理论
9.5.4.1 灰色关联度理论
9.5.4.2 灰色关联度计算
9.5.5 水华应急治理模糊?灰色关联度方法
9.5.5.1 决策层次及规范化
9.5.5.2 水华应急治理决策仿真
9.5.6 小结
9.6 基于贝叶斯决策理论的水华治理决策方法
9.6.1 贝叶斯决策理论基础
9.6.2 基于贝叶斯决策理论的水华治理决策方法
9.6.2.1 水华治理决策多指标体系的确立
9.6.2.2 水华治理决策模型
9.6.2.3 水华治理贝叶斯决策方法
9.6.3 本节小结
9.7 本章小结10.1 系统设计与实现
10.1.1 系统结构
10.1.2 水质信息采集终端设计
10.2 监控系统体系结构与工作原理
10.2.1 监测系统总体框架
10.2.2 GPRS技术与特点
10.2.3 监测系统GPRS的组网方式
10.2.4 系统配置
10.2.5 系统工作原理
10.2.6 数据传输通信原理
10.2.7 远程监测站工作方式
10.2.8 通信协议的设计
10.3 远程监测软件
10.3.1 远程端与数据中心软件
10.3.2 实时数据采集程序
10.3.3 软件平台与结构
10.3.4 软件实现技术
10.3.4.1 Windows Sockets网络接口技术
10.3.4.2 VB调用MATLAB的ActiveX技术
10.3.4.3 MATLAB的COM?Builder技术
10.3.4.4 MATLAB与Access数据库的连接
10.3.4.5 VB与Access数据库的连接
10.3.4.6 VB的数据传输技术
10.4 水华智能预测与预警应用系统
10.4.1 水质评价及水华预警系统（应用系统一）
10.4.1.1 系统的主操作界面
10.4.1.2 数据采集模块
10.4.1.3 数据查询模块
10.4.1.4 水质评价模块
10.4.1.5 水华预警模块
10.4.2 叶绿素与溶解氧预测软件系统（应用系统二）
10.4.2.1 叶绿素预测子系统
10.4.2.2 溶解氧预测子系统
10.4.3 湖库水质监测与水华应急治理决策系统（应用系统三）
10.4.3.1 系统框架
10.4.3.2 系统实现
10.4.3.3 系统算法实现
10.4.4 太湖水质远程监测与信息管理系统（应用系统四）
10.4.4.1 GPRS远程无线传输技术
10.4.4.2 基于GPRS的水质远程监测接口设计
10.4.4.3 系统架构与主要功能
10.4.4.4 软件结构
10.4.4.5 系统软件功能与界面
10.5 本章小结
