论文摘要
当今社会,水质性缺水日渐突出,保护饮用水水源水质迫在眉睫。富营养化己成为一个全球性的重大水环境问题,全球经济持续高速增长的同时,带来了日益严重的环境污染问题。其中出现了湖泊、水库、河流等水体富营养化日益严重的现象,特别是作为城市饮用水源的水库,水体富营养化过程加快,水质恶化,严重危害人们的健康。万宁水库位于海南省万宁市境内,是1959年修建的大型水库,是一宗以饮用水源为主,兼有灌溉、发电、防洪、养鱼等综合利用的大型水利工程。随着万宁水库整个流域开发活动的加剧,必然带来大量的对其生态环境不利的问题。因此掌握水体富营养化规律,并对其进行准确预测则显得尤为重要。本文在总结和借鉴前人研究成果的基础上,主要就以下几方面进行了研究:①本文对万宁水库的水质现状进行了调查研究、收集资料等工作。用因子分析法筛选和分析收集到的资料,找出了影响水库富营养化的主要因子:水温、总磷、总氮、溶解氧、叶绿素a;绘制出万宁水库主要水质参数的分布规律曲线。②从水库富营养化水平短期预测和营养盐长期预测的角度建立了万宁水库富营养化预测系统。③为了准确、有效的预测预警,进行水库富营养化短期预测,分析现有预测模型的长处与不足,结合前面分析的数据规律选取了最优模型-BP神经网络,用自适应遗传算法对BP神经网络的不足予以修正。通过因子分析分析找出预测指标-叶绿素a、水温、总磷、总氮、溶解氧作为模型输入,下月叶绿素a作为输出建立自适应GABP神经网络数学模型。用Matlab7.0编写程序,采用取水点2000-2005年月平均监测数据对模型进行训练,发现模型拟合度、泛化能力较好:神经网络经865次学习后,误差达到预设精度0.0001,运行总时间仅为36.5770s;拟合值与实测值之间的相关关系系数（R）等于0.999。模型与没经过自适应遗传算法优化的BP神经网络的训练结果比较发现:自适应学习速率BP神经网络经27950次学习后,误差才收敛到0.001857,除了耗费大量的时间,精度仍不满足要求,两者误差相差一个数量级。采用修正后的2006年月均监测数据对训练后的自适应GABP模型进行实际预测,最不利的相对误差仅为-11.4%,只有一个相对误差绝对值大于10%,平均相对误差0.172%,预测精度较高,可作为水库富营养化水平预测的依据。利用自适应GABP的短期预测的精度,对水库富营养化水平预测预警,经过分析,警报点选取为叶绿素a的浓度0.004mg/L,并对超过警报点的预测提出应急措施。④同时还建立了狄龙模型来研究水库营养盐中长期变化趋势,对中长期TN、TP年平均浓度进行预测,发现狄龙模型精度虽然没有富营养化短期预测精度高,但能够满足中长期预测的精度要求;然后利用经典水质模型计算环境容量,在上述中长期预测的基础上得出万宁水库TN、TP的削减计划,最后提出污染防治措施。