排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
针对藻类生长具有高度非线性特征和实际采样样本间隔稀疏的问题,采用了混沌理论对采样序列的混沌特征量进行估计。采用C-C方法估计时间序列的嵌入维和延迟时间,采用G-P算法对关联维进行估计,并采用小数据量法估计最大Lyapunov指数,最终可实现对最长可预测时长的估计。以易北河为例,对易北河水体叶绿素a 1997年至2001年间各年的观测序列进行了混沌分析,分析结果表明,各年的叶绿素a观测序列均具有低维混沌特性,关联维D=2.75—4.02,各年的叶绿素a序列的最长预测时间变化范围为8.01—18.94d,平均为13.98d(约2周)。采用同样方法对5a易北河连续日径流量时间序列分析表明,该径流量也具有低维混沌特性(最大Lyapunov指数λ1=0.0125),径流量的最长预测时间估计约为80d。气候因素的混沌特性对藻类生长表现出的混沌特征的影响可能要大于径流量等水文因素的影响。 相似文献
2.
藻类水华发生过程具有复杂性、非线性、时变性等特点,其准确预测一直是一个国际性难题.以天津市于桥水库为研究对象,根据2000年1月至2003年12月常规监测的水生生态数据(采样周期为10 d),提出了一种结合时序方法的可自优化RBF神经网络智能预测模型,对判断藻类水华的重要指标叶绿素a浓度进行预测.研究了训练样本量及RBF神经网络扩展速度SPREAD值的可自优化性能,以及该模型用于于桥水库叶绿素a浓度的短期变化趋势预测的可行性.结果表明,预测性能指标随SPREAD值及样本量不同发生变化,该预测模型能自动寻到最优SPREAD值,并发现至少需要约两年的训练样本量才能达到较好预测效果.当样本量为105,SPREAD值为10时,预测效果最好,精度较高,预测值与实测值的相关系数R达到0.982.该方法对水库的藻类水华预警有一定的参考价值. 相似文献
1