数据缺失条件下基于MLP神经网络的水华风险预警方法研究

针对水华风险预警过程中相关监测指标数据缺失的问题,借鉴多元统计和随机分析构建了一种缺失数据插补方法,用于弥补现场调查数据的不足.基于主成分分析,对水华相关影响指标进行降维,确定水体水华风险预警模型的输入层变量.同时,采用多层感知器(MLP)人工神经网络模型对水华表征指标叶绿素a的浓度进行预测,并引入风险概率的概念,提出了水华风险概率计算公式,完善了水华预警的风险表达.最后以三峡库区典型支流大宁河为案例的研究证明了上述方法的可操作性.研究结果显示,插补数据条件下和未插补数据条件下的大宁河水华风险预警模型决定系数分别为0.9711和0.7769,前者的模型准确性更高,叶绿素a浓度预测效果更好;预测时段内大宁河11 d为水华蓝色预警(无警)级别,水华发生的风险概率为1.99%~18.61%;1 d达到水华橙色预警(中警)级别,水华发生概率为90.48%