海域组合单元水质模型参数反演方法研究

被引：6

作者：

李明昌 ^{[1
,2
]}

梁书秀 ^{[3
]}

孙昭晨 ^{[3
]}

尤学一 ^{[2
]}

周斌 ^{[1
]}

机构：

[1] 交通部天津水运工程科学研究院水路交通环境保护技术实验室

[2] 天津大学环境科学与工程学院

[3] 大连理工大学海岸和近海工程国家重点实验室

来源：

应用基础与工程科学学报 | 2010年 / 03期

关键词：

海域水质模型; 组合单元; 参数反演; 数据驱动模型; 人工神经网络;

D O I：

暂无

中图分类号：

X834 [海洋监测];

学科分类号：

摘要：

参数反演是海域水质模型验证工作的主要难点之一,同时模型模拟海域内参数的统一赋值又降低了其实际的物理意义.本文建立海域组合单元水质模型参数反演的新方法:将研究海域划分为若干单元,敏感参数在各单元中独立赋值.将基于人工神经网络的数据驱动模型同水质模型有机结合,通过水质模型计算多参数匹配设计的工况,构建海域内部观测点的解集;以数据驱动模型归纳建立状态变量(污染物浓度)同多个控制变量(模型参数)之间的非线性关系.将实测资料带入关系中,进行模型参数随地域变化的组合单元优化反演研究.以渤海海域水质模型多参数反演为例,采用"孪生"试验验证参数组合单元反演新方法的可行性,结果表明该方法是有效的.

引用

页码：408 / 418

页数：11

共 6 条

[1] 人工神经网络在潮汐预测中应用研究 [J].

李明昌 ;

梁书秀 ;

孙昭晨 .

大连理工大学学报, 2007, (01) :101-105

[2] 海洋科学中的数据同化方法——意义、结构与发展现状 [J].

马寨璞 ;

井爱芹 .

海岸工程, 2005, (04) :83-99

[3] 海洋生态模型中的伴随同化方法 [J].

徐青 ;

刘玉光 ;

程永存 ;

吕咸青 .

海洋通报, 2005, (06) :58-64

[4] 江河水质监测中不确定性的应用研究 [J].

万咸涛 .

江苏环境科技, 1999, (02) :1-4

[5]

The role of characteristic coefficients of variation in uncertainty and sensitivity analyses, with examples related to the structuring of lake eutrophication models[J] . Ecological Modelling . 2000 (1)

[6] A DATA ASSIMILATION TECHNIQUE APPLIED TO A PREDATOR-PREY MODEL [J].

LAWSON, LM ;

SPITZ, YH ;

HOFMANN, EE ;

LONG, RB .

BULLETIN OF MATHEMATICAL BIOLOGY, 1995, 57 (04) :593-617

← 1 →