基于深度学习的湖库藻类水华预测研究

第32卷第10期2015年10月28日计算机与应用化学ComputersandAppliedChemistryVo1．32，No．10October28．2015基于深度学习的湖库藻类水华预测研究姚俊杨，许继平，王小艺，黄振芳(1．北京工商大学计算机与信息工程学院，北京，1000482．北京市水文总站，北京，100038)摘要：随着经济社会发展，水体富营养化程度日趋严重，藻类水华频发，水体生态安全受到严重威胁，直接影响城市发展建设和居民的正常生活。深入研究藻类水华形成机理，对藻类水华暴发这一非常规突发事件进行有效防治，对促进水环境保护具有重要意义。本文在对藻类水华形成机理深入分析的基础上，考虑常规藻类水华预测方法在样本选择、模型参数设置、预测精度等方面存在的问题，提出基于深度置信网络(DeepBeliefNets，DBNs)的藻类水华预测方法，通过网络结构与参数设计，实现了算法学习与训练。结果表明，该方法对数据信息利用率充分，藻类水华预测精度高，相对其他方法具有明显的优势，为湖库藻类水华预测提供一种新思路。关键词：深度学习；水华预测；人工神经网络中图分类号：TP391．9文献标识码：A文章编号：1001—4160(2015)10．1265．1268D0l：1O．11719／com．app．chem201510261引言近年来，人们的生产生活给湖泊带来了巨大影响，导致水体出现了一系列的生态环境问题，水体富营养化已经成为水环境突出的问题之一并引起了社会广泛重视。藻类水华是水体富营养化的典型表现，水华的暴发破坏了水体中的生物多样性，给人们的生活带来严重影响，严重制约了经济建设和社会发展，藻类水华防治已迫在眉睫。深入研究藻类水华生成过程，对水华暴发这一非常规突发事件进行有效预测，对促进水环境保护和技术进步具有重要意义I。在藻类水华预测研究中，基于数理统计分析和神经网络技术的藻类水华预测得到了广泛的应用。在基于数理统计的藻类水华预测研究方面，国内学者王立等[3l采用多元时间序列分析技术，研究多特征因素的水华预测及因素分析方法，结果表明该方法的水华特征因素预测结果与实测结果更相符、预测平均误差绝对值更小；赵晓东以短期藻类生长相似与基于事例推理方法的假设一致性为基础，将按拉格朗日法划分的流体单元作为藻体生长单元，根据相似预测原理，在同期历史数据中寻找与当前藻类生长相似的历史时段，并将该历史时段的延伸部分作为当前预测结果。由于人工神经网络适用于描述机理不明确的高维非线性系统，所以成为水华预测的主要研究方向之一。刘载文等[6】提出了基于RBF网络的水华预测方法，能有效预测叶绿素的短期变化规律，为水华短期预测开拓了新思路；殷高方等[7将神经网与水体环境因子的高频实测数据相结合，构建了巢湖水华的短期动态预测模型，该模型准确地预测了每次水华发生的时间；吴巧媚等L8在对水华生长规律研究的基础上，运用小波分析对表征水华的叶绿素信号进行降噪处理，建立一种结合小波变换与神经网络相结合的水华预测模型(WANN模型)，将其应用到北京河湖水华预测中；王德喜等【9提出了一种基于改进NGM(1，1，及BP神经网络的藻类水华预测模型，结合了灰色模型建模所需信息量少及神经网络非线性预测优势，解决在监测信息有限条件下的藻类水华预测问题。由于藻类水华形成过程属于复杂的生态反应过程，现有的数理统计方法没有充分挖掘影响藻类生成影响因素间的相互作用关系，对水质监测信息的利用率不高；另外，随着问题复杂程度增加，神经网路预测方法在网络结构选取、参数设置时随意性大，训练时间将大大增加，存在训练过度或不够现象，往往导致模型的泛化能力较差，进而影响到藻类水华预测结果。考虑现有的数理统计及人工神经网络方法存在的不足，本文在对藻类水华形成机理深入分析的基础上，采用深度学习的思想，提出基于深度置信网络(DeepBeliefNets，DBNs)的藻类水华预测方法。本方法以水华的各种影响因子为输入，以水华表征指标叶绿素a为输出构建了藻类水华预测模型，通过中国科学院南京地理与湖泊研究所数据共享平台提供的江苏省太湖流域2008年6月～9月丰水期的水质监测数据进行模型训练。结果表明，该方法对数据信息利用率充分，藻类水华预测精度高，为湖库藻类水华预测提供一种新思路。收稿日期：2014—11．28；修回日期：2015—10．08基金项目：国家自然科-~(51179002)；北京市教育委员会市属高校科技创新能力提升计划项目(PXM2014．014213．000033)：北京市属高等学校高层次人才引进与培养计划项IZl(CIT&TCD201404031)；北京工商大学研究生科研创新基金项目作者简介：姚俊杨(1992-)，女，山东，硕士研究生，E．mail：yjyawxb@163．tom联系人：许继平(1979一)，