第39卷
第2期
2016年6月
上海船舶运输科学研究所学报
JOURNAL OF SHANGHAI SHIP AND SHIPPING RESEARCH INSTITUTE
文章编号：1674-5949(2016)02-0072-05
Vol. 39 No. 2 Jun.2016
基于BP神经网络的表层悬浮物浓度预测模型
胡田，李贤哲，于徐华
（中海环境科技（上海）股份有限公司，上海200135)
摘要：悬浮物浓度是海洋沉积动力学领域中的重要参数，对其进行准确预测及定量研究绿潮爆发期间悬浮物所带来的影响具有重要意义，将BP(BackPropagation)神经网络应用于表层悬浮物浓度的预测中；将流速、水深、波高、温度、盐度及风速等影响悬浮物浓度的因素作为BP神经网络的输人单元，通过对苏北近岸海域进行调查，获取用于训练和预测的数据，建立表层悬浮物浓度的BP神经网络预测模型。将预测结果与多因子逐步回归拟合结果进行比较，得到逐步回归预测结果的平均相对误差为24.13%，BP神经网络预测结果的平均相对误差仅为 13.02%.由此可见，BP神经网络预测结果具有更高的精度，可为苏北近岸海域表层悬浮物浓度的准确预测提供更可靠的途径。
关键调：BP神经网络；悬浮物浓度；苏北近岸海域；预测
中图分类号：P73423；TP183
文献标志码：A
ModelingwithBPNeuralNetworkforPredictingSuspended
SolidConcentrationinSurface HUTian，LIXianzhe，YUXuhua
(China Shipping Environment Techlogy (Shanghai) Co., Ltd., Shanghai 200135, China)
Abstract; Accurate prediction of suspended solid concentration is very important to quantitative study on the impact of the sus-pended solids during green tides, The BP neural network model for predicting suspended solid concentration surface is estab-lished and trained by the data acquired from SuBei Coastal Waters, with the input consisting of velocity, water depth, wave height, temperature, salinity and wind speed. Trials indicate that the relative error of the average prediction of the BP neural
network is 13. 02% . in contrast to 24. 13% of that from the multi-factor stepwise regression Key words: BP neural network; suspended solid concentration; Subei coastal waters; prediction
0引言
研究近岸水体的悬浮物浓度及其通量，对认识海岸环境的演化规律，开发和持续利用港口、土地资源具有重要意义]。同时，悬浮物浓度作为决定水质浑浊度的主要因素，直接影响着海洋初级生产力、海水养殖及海洋渔业"。因此，快速、准确地监测悬浮物浓度具有十分重要的理论和实践意义。
传统的沿水深按层次采集水样或用浊度计单点测量获取悬浮物浓度的方法耗资巨大，数据不连续，空间分辨率低3)；遥感方法测量悬浮物浓度具有监测范围广的优点，但其受同步监测资料不充分(}、大气校正不彻底[5]及不同遥感数据不能简单套用相同的模式参数"}等限制，反演精度较低。声学多普勒流速剖面仪（AcousticDopplerCurrentProfilers，ADCP)作为常规的测流仪器，其利用的射体为水中的悬浮生物和悬
收稿日期：2016-04-22
作者简介：胡田（1988一），男，湖南岳阳人，硕士生，主要从事环境影响评价的工作。万方数据