湖库藻类水华形成机理建模与预测方法研究

针对传统数学建模方法难以准确反映藻类水华形成过程中存在的非线性、不确定性及动态性等特征，本项目结合化工实验、人工智能及数学建模方法，研究湖库藻类水华的形成机理与预测问题。内容包括：采用正交试验结合粗糙集理论研究引起藻类水华形成的关键因素，为藻类水华形成机理与预测研究提供所需参量；将Petri网与模糊数学、神经网络结合，构建湖库藻类水华形成过程仿真模型，反映各关键因素在藻类水华形成中的作用机理；在此基础上，研究藻类水华形成过程中藻类生长机理模型，采用进化算法对数学机理模型参数进行优化率定，以揭示藻类的增长变化规律；同时研究藻类水华的预测方法，在初步建立灰色预测模型基础上，通过设计神经网络的结构及算法实现对预测模型残差的非线性补偿，提高藻类水华的预测精度。本项目属于交叉学科的研究课题，该研究成果将为解决湖库藻类水华形成机理与预测问题提供新的思路，为有效防御与控制湖库藻类水华提供重要参考依据。

本项目结合化工实验、人工智能及数学建模方法对藻类水华形成机理与预测问题展开研究。在湖库藻类水华形成机理研究方面，通过正交试验结合粗糙集理论对蓝藻水华形成的关键影响因素及其相关性进行分析；在此基础上，构建了基于模糊-Petri 网的藻类水华形成过程机理模型，反应了藻类水华形成各阶段的基本状态；构建了藻类水华形成过程的多Agent仿真系统，增强了对藻类生长过程规律的深入把握；同时，构建了基于复杂网络统的蓝藻水华形成机理模型，通过设计复杂网络统计特征参数G，很好地反映了蓝藻水华形成过程特征；另外，考虑蓝藻水华形成过程影响因子的数量和种类易发生改变特性，构建了蓝藻水华形成的混合机理模型，克服了单一机理模型的缺陷；最后，针对蓝藻水华暴发点的突变特征，构建了描述蓝藻水华暴发阶段的尖点突变模型，将遗传算法与突变模型结合得到蓝藻水华形成过程中藻类生长的多阶段综合机理模型，提高了模型的适用范围。在藻类水华预测研究方面，针对藻类水华形成过程的非线性特征，分别建立了基于支持向量机、BP、RBF神经网络及灰色-神经网络的水华预测模型，实现了蓝藻水华的短、中期预测；为提高水质信息的利用率，构建了基于Bagging 集成学习的水华预测模型；同时，考虑蓝藻水华影响因素多元时序在自然界中呈现的趋势性、随机性、周期性特征，研究了时间序列与智能补偿的蓝藻水华预测方法，为水华预测提供了新思路；最后，考虑海量数据建模需要，研究了蓝藻水华预测的深度学习方法，并验证了其有效性和优越性。此外，作为项目拓展研究内容，探索了藻类水华治理决策的多层次、多目标模型，为下一步研究藻类水华治理问题提供了新途径。总之，本项目的研究为湖库藻类水华预防与治理提供了理论参考与依据。