基于贝叶斯最大熵的新型水质时空模拟模型研究

The study on the spatiotemporal distribution of water quality is a basic task for scientific and efficient water management. How to integrate uncertain information to reduce the cost and improve water quality simulation precision is the focus and nodus of research at present. First, the study will model the relationship between water quality parameter and its spatiotemporal sites, and obtain prior information from statistical moments, historical data and physical laws. Through maximizing the entropy function based on prior information, the prior probability density function will be achieved. Then, soft data was gained from the empirical modeling results, measurement error and high-skewed data. Through integrating hard data, soft data and prior probability density function based on Bayesian rules, posterior probability density function will be achieved. Next, Multiple kinds of estimation will be gained based on posterior probability density function. Last, uncertainty assessment of simulation results based on Bayesian Maximum Entropy (BME) will be conducted. Comparisons between modeling results based on BME and those based on other traditional techniques will also be performed. The study will explore a new way which can not only reduce the cost of data availability , but also improve prediction precision, and promote the development of water quality spatiotemporal simulation model.

水质时空分布趋势的研究是科学、有效地进行水环境管理的基础工作。如何通过融合不确定性信息提高水质时空模拟的精度并且降低数据获取的成本是目前研究的热点和难点。本研究首先以时空随机场理论为基础对研究变量和时空位置之间进行建模，以统计动差、历史数据和自然规律为先验信息并建立基于这些先验信息的熵函数，求取熵函数最大时的先验概率密度函数；然后，从经验模型的模拟结果、测量误差和高偏值三种途径获取软数据，整合先验概率密度函数、硬数据和软数据，并基于贝叶斯规则计算出后验概率密度函数；接下来，以后验概率密度函数为基础对水质参数进行多种类型的时空预测；最后，对预测结果进行不确定性评价，并将模拟结果和基于传统方法的预测结果进行比较。该课题的研究，探索出了一条既能降低数据获取成本又能提高预测精度的新方法，促进了水质时空模拟模型的进一步发展。

水质预测是有效进行水环境管理的前提。水环境是一个复杂的系统，各种水质含量受到多种自然和人为因素的影响，因此如何提高水质预测精度面临着很大挑战。本研究通过融合多种不确定性信息，即软数据，试图达到降低成本同时又能提高预测精度的目的。项目首先用ARIMA /RBF-NN模型对36个月小时间尺度的TN、TP和CODMn，进行了预测，初步探明了混合模型在对主要受内生变量影响的TN和TP预测方面优于单个模型，但由于这三个小时间尺度变量的不确定信息不明确，并未对其进行BME预测，该法为今后融合进BME方法打下了一定基础；然后分别用ARIMA和BME法对较大时间尺度的6组TP、NH3和CODMn进行了预测，除了1组NH3数据用间隔型软数据外，其它5组均用概率密度函数型软数据，MSE、SB、SDSD和LCS4个评价指标显示ARIMA法和BME法的预测能力基本相当；基于富营养化经验模型，从TP或TN与chlorophyll-a的回归模型中获取服从正态分布的概率型软数据，并用于对平西湖chlorophyll-a的时空预测，基于时空协方差模型的BME预测能力优于传统的克里格法；最后，用Landsat遥感影像作为辅助数据，通过分析蓝光、绿光、红光和近红外四个波段的水体表面光谱反射率与chlorophyll-a的关系进而获取概率型软数据，结果显示预测结果优于普通kriging的预测值。本项目研究结果显示，BME对时间序列数据的并未明显优于传统方法，但在时空预测方面的表现优于传统的kriging法。该研究发现了BME在使用时的限制性和不足之处，为今后有选择性的使用该方法指明了方向。 .最后，基于本项目指导本科生完成了一篇毕业论文，指导学生参加学术竞赛获得了国家级三等奖和省级一等奖，GIS应用技能大赛获得国家级二等奖。