神经网络模型在水华预警领域的应用及展望
Application and Prospects of Neural Network Model on Algal Bloom Early-Warning
DOI: 10.12677/WPT.2020.84014, PDF,    科研立项经费支持
作者: 张淑珍：北京市水科学技术研究院，北京；北京市南水北调水质监测中心，北京；王培京：北京市水科学技术研究院，北京；张祎梦：北京市政路桥建材集团有限公司，北京
关键词: 神经网络；水华；预警模型；研究进展；Neural Networks； Algae Bloom； Early-Warning Model； Research Advances
摘要: 从神经网络模型的特点入手，详细介绍了神经网络模型在水华预警中的研究进展。通过梳理神经网络模型在藻类生物量预测和水华风险评估两方面的应用情况，分析其在应用中存在的问题及优化方法，并展望未来研究方向，以期推动和深化水华预警模型研究。
Abstract: At the beginning of this paper, the specific property of neural networks and the significance of its application in algal bloom early-warning were introduced briefly. The research and application status of neural network models in both prediction of algal biomass and algal bloom risk assessment, as well as existing problems and improved methods in the model study were analyzed. The future research direction was prospected in order to promote and deepen the study on algae bloom early-warning model.
文章引用：张淑珍, 王培京, 张祎梦. 神经网络模型在水华预警领域的应用及展望[J]. 水污染及处理, 2020, 8(4): 104-109. https://doi.org/10.12677/WPT.2020.84014

参考文献

[1] 袁冰清, 陆悦斌, 张杰. 神经网络与深度学习基础[J]. 数字通信世界, 2018(5): 32-33.
[2] 徐学良. 人工神经网络的发展及现状[J]. 微电子学, 2017, 47(2): 239-242.
[3] 焦李成, 杨淑媛, 刘芳, 等. 神经网络七十年:回顾与展望[J]. 计算机学报, 2016, 39(8): 1697-1716.
[4] 赵崇文. 人工神经网络综述[J]. 山西电子技术, 2020(3): 94-96.
[5] 郑建军, 钟成华, 邓春光. 试论水华的定义[J]. 水资源保护, 2006(5): 45-47.
[6] 徐宪根, 周游, 黄骏, 等. 蓝藻水华发生机理及预警研究进展[J]. 污染防治技术, 2017, 30(5): 22-24+54.
[7] Lee, T.A., Rollwagen-Bollens, G. and Bollens, S.M. (2015) The Influence of Water Quality Variables on Cyanobacterial Blooms and Phytoplankton Community Composition in a Shallow Temperate Lake. Environmental Monitoring and Assessment, 187, 315. [Google Scholar] [CrossRef] [PubMed]
[8] 黄鹏, 田腾飞, 张文安, 等. 换水周期对直流河道藻类生长的影响[J]. 环境工程, 2018, 36(7): 22-26.
[9] Trombetta, T., Vidussi, F., Mas, S., et al. (2019) Water Temperature Drives Phytoplankton Blooms in Coastal Waters. PLoS ONE, 14, e214933. [Google Scholar] [CrossRef] [PubMed]
[10] 黄佳聪, 高俊峰. 智能算法及其在环境预警中的应用[J]. 环境监控与预警, 2010, 2(3): 5-8+17.
[11] 易仲强. 智能算法在湖库富营养化预测中的应用研究综述[J]. 水电能源科学, 2010, 28(8): 33-36+26.
[12] Boyer, J.N., Kelble, C.R., Ortner, P.B., et al. (2009) Phytoplankton Bloom Status: Chlorophyll a Biomass as an Indicator of Water Quality Condition in the Southern Estuaries of Florida, USA. Ecological Indicators, 9, S56-S67. [Google Scholar] [CrossRef] 
[13] 杜胜蓝, 黄岁樑, 臧常娟, 等. 浮游植物现存量表征指标间相关性研究II: 叶绿素a与藻密度[J]. 水资源与水工程学报, 2011, 22(2): 44-49.
[14] French, M. and Recknagel, F. (1994) Modeling of Algal Blooms in Freshwaters Using Artificial Neural Networks. Computational Mechanics, 2, 87-94.
[15] Park, Y., Cho, K.H., Park, J., et al. (2015) Development of Early-Warning Protocol for Predicting Chlorophyll-a Concentration Using Machine Learning Models in Freshwater and Estuarine Reservoirs, Korea. Science of the Total Environment, 502, 31-41. [Google Scholar] [CrossRef] [PubMed]
[16] Xiao, X., He, J., Huang, H., et al. (2017) A Novel Single-Parameter Approach for Forecasting Algal Blooms. Water Research, 108, 222-231. [Google Scholar] [CrossRef] [PubMed]
[17] Wang, Z., Huang, K., Zhou, P., et al. (2010) A Hybrid Neural Network Model for Cyanobacteria Bloom in Dianchi Lake. Procedia Environmental Sciences, 2, 67-75. [Google Scholar] [CrossRef] 
[18] Wang, H., Zhu, R., Zhang, J., et al. (2018) A Novel and Convenient Method for Early Warning of Algal Cell Density by Chlorophyll Fluorescence Parameters and Its Application in a Highland Lake. Frontiers in Plant Science, 9, 869. [Google Scholar] [CrossRef] [PubMed]
[19] 赵文喜, 周滨, 刘红磊, 等. 基于BP神经网络的海河干流叶绿素浓度短时预测研究[J]. 水利水电技术, 2017, 48(11): 134-140.
[20] Velo-Suarez, L. and Gutierrez-Estrada, J.C. (2007) Artificial Neural Network Approaches to One-Step Weekly Prediction of Dinophysis acuminata Blooms in Huelva (Western Andalucia, Spain). Harmful Algae, 6, 361-371. [Google Scholar] [CrossRef] 
[21] Melesse, A.M., Krishnaswamy, J. and Zhang, K. (2008) Modeling Coastal Eutrophication at Florida Bay Using Neural Networks. Journal of Coastal Research, 2, 190-196. [Google Scholar] [CrossRef] 
[22] Zeng, W., Song, Q., Liu, H., et al. (2010) Research on ANN-Based Pre-Warning Water Bloom Model of LiuHai Lake in Beijing. Procedia Environmental Sciences, 2, 625-635. [Google Scholar] [CrossRef] 
[23] 夏杰, 吴文青, 许海洋. 基于主成分分析的BP神经网络在水华预测中的应用[J]. 世界生态学, 2018, 7(2): 53-60.
[24] 桑文璐, 纪道斌, 朱士江, 等. 基于WNN和SVM模型的香溪河Chl-a浓度预测[J]. 环境科学与技术, 2018, 41(S2): 95-99.
[25] 李杰, 张玲芬. 抚仙湖藻类水华暴发风险的神经网络模型预测[J]. 环境科学导刊, 2015, 34(6): 4-7.
[26] 王巍巍, 武延坤, 朱佳. 基于神经网络的水库藻类预警模型研究[J]. 给水排水, 2015, 51(11): 103-105.
[27] 郑剑锋, 焦继东, 孙力平. 基于神经网络的城市内湖水华预警综合建模方法研究[J]. 中国环境科学, 2017, 37(5): 1872-1878.
[28] 张艳会, 李伟峰, 陈求稳. 太湖蓝藻水华发生风险区划[J]. 湖泊科学, 2015, 27(6): 1133-1139.
[29] 张克鑫, 陆开宏, 朱津永, 等. 基于BP神经网络的藻类水华预测模型研究[J]. 中国环境监测, 2012, 28(3): 53-57.
[30] 王重阳, 马菁华, 吴睿钰, 等. 基于BP神经网络的水华预测模型及其敏感性分析[J]. 信息记录材料, 2018, 19(11): 81-83.
[31] 吴巧媚, 刘载文, 王小艺, 等. 小波神经网络在北京河湖水华预测中的应用[J]. 计算机工程与应用, 2010, 46(12): 233-235.
[32] 王德喜, 王晓凯, 王小艺. 基于灰色–神经网络的城市湖库水华预测研究[J]. 测试技术学报, 2013, 27(4): 349-353.
[33] 熊晶, 黄丹, 沈帆, 等. 湖北省水华预警监测体系的探讨[J]. 环境科学与技术, 2015, 38(S1): 312-315.
[34] 郁建桥, 吕学研. 太湖遥感可测性蓝藻水华发生条件分析[J]. 环境科学与技术, 2015, 38(6): 93-98.
[35] 尹美琳, 张嘉琪, 路春晖, 等. 蓝藻实时监测技术综述[J]. 价值工程, 2019, 38(22): 208-209.
[36] 杨斌, 许继平, 王凌斌, 等. 湖泊藻类水华神经网络预测研究[J]. 工业控制计算机, 2014, 27(4): 52-53.
[37] 石野, 王晓凯, 张春梅. 湖库水质无线远程监测与水华预测方法研究[J]. 测试技术学报, 2019, 33(3): 216-222.

为你推荐