基于遗传－神经网络的实时水质预测模

基于高频水质在线监测数据，结合遗传算法和神经网络模型，建立基于遗传－神经网络（Ｉｍｐｒｏｖｅｄ　Ｇｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ－Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，ＩＧＡ－ＢＰＮＮ）的河流水质预测模型，实现对河流水质的实时预测预警。将该方法应用于美国波托马克河流中，对其水质参数浊度（ＴＵＲＢ）和电导率（ＳＣ）进行实时预测，并对预测结果进行性能分析，以验证基于ＩＧＡ－ＢＰＮＮ的河流水质预测模型的准确性与可靠性。与ＢＰＮＮ模型的水质预测结果进行对比分析，结果表明：ＩＧＡ－ＢＰＮＮ模型对水质参数ＴＵＲＢ和ＳＣ有更准确的预测效果。同时，ＩＧＡ－ＢＰＮＮ模型对正常平稳条件下的水质参数ＴＵＲＢ和ＳＣ预测结果的区间覆盖率ＰＩＣＰ分别为９９．８１％和１００％，预测结果具有一定的可靠性。ＩＧＡ－ＢＰＮＮ水质预测模型可以有效地识别长时间的水质异常或瞬时显著的水质变化情况，可实现对河流水质的风险预警，最终可为河流突发水污染的应急处置措施的制定提供科学依据。