Documentos de Académico
Documentos de Profesional
Documentos de Cultura
18: 975-983
L. Zhang 1, Zhang GX 1 *, y RR Li 1
ABSTRACTO
Chagan lago sirve como una importante barrera ecológica en el oeste de Jilin. predicciones de calidad del agua de la
serie precisa de Chagan lago son esenciales para el mantenimiento de la seguridad medio acuático. En el presente
estudio, un híbrido autorregresivos integrados de media móvil (ARIMA) y el modelo de base radial función de red neuronal
(RNFBR) se utiliza para predecir y analizar la calidad del agua [nitrógeno total (TN), y fósforo total (TP)] de Chagan Lago .
Los resultados ponen de manifiesto lo siguiente: (1) las concentraciones TN en Chagan Lago aumentaron ligeramente
desde 2006 hasta 2011, aunque las variaciones anuales en TP no fueron significativas. Los niveles de TN y TP fueron
clasificados principalmente como los grados IV y V, (2) el híbrido ARIMA y RNFBR de modelo RMSE valores para los datos
observados y los predichos fueron 0,139 y
0,036 mg L- 1 para TN y TP, respectivamente, lo que indica que el modelo híbrido describe TN y TP variaciones más
exhaustiva y precisa que solo ARIMA y el modelo RNFBR. Los resultados sirven como una base teórica para el
monitoreo ecológico y medioambiental de Chagan Lake y planificación de la construcción del distrito de riego
manual de ayuda y proyecto de agua puede ser por la provincia occidental de Jilin.
palabras clave: ARIMA modelo, Chagan Lake, modelo RNFBR, Total N, Total P.
_____________________________________________________________________________
1 Instituto noreste de Geografía y Agroecología, Academia de Ciencias de China, Changchun, 130102, República Popular de China.
975
________________________________________________________________________ Zhang et al.
bien (Al-Alawi et al., 2008). Por lo tanto, mediante la Lago Chagan. predicciones eficaces para la calidad del
combinación de modelos ARIMA y Ann, las estructuras de agua del lago Chagan siguientes el desarrollo del distrito de
autocorrelación complejos en los datos se pueden modelar riego Songyuan deben llevarse a cabo para garantizar la
con mayor precisión. Chagan Lake, un lago poco profundo seguridad del agua para los fines del desarrollo sostenible y
sodasaline típica en la región semiárida del sudoeste de la salud pública. Este estudio tuvo como objetivo ejecutar
llanura Songnen, noreste de China, sirve como una las tareas siguientes: (1) El análisis de las fluctuaciones de
importante barrera ecológica en el oeste de la provincia de la calidad del agua en el lago Chagan en los últimos años,
Jilin y como el más centrándose en los niveles de Nt y Pt; (2) desarrollan un
modelo ARIMA y RNFBR híbrido para predecir series
importante base de la pesca en Jilin temporales de datos de calidad del agua; y (3) evaluar el
Provincia. Shen y Zhang (2009) llegaron a la conclusión de rendimiento de estos modelos mediante la comparación de
que el desarrollo y la construcción en recinto Chagan lago y los datos observados y pronosticados,
la implementación de proyectos de conservación de agua
como consecuencia la degradación ecológica grave en el
lago. Varios estudios también han identificado TN grave, TP evaluar de este modo la
y (índice de permanganato) DQO Minnesota rendimiento predictivo de El hibrido
ARIMA y RNFBR modelo en relación con el modelo
los niveles de contaminación en el lago (Dai y Tian, ARIMA.
2011). Chagan lago está conectado al río Songhua
por canales de riego, a través del cual el lago recibe
MATERIALES Y MÉTODOS
una gran cantidad de agua del segundo río
Songhua y del drenaje agrícola Qianguo riego de
área, que también se nutren del río (Zhu et al., 2012). Área de estudio y de conjunto de datos
976
Predicción de la calidad del agua por ARIMA-RNFBR Modelo ______________________________
cuenta con una capacidad de almacenamiento total de 5,98 × 10 8 metro 3. serie (y t) que se compone de una estructura de
El clima de la región se clasifica como zona midtemperate. autocorrelación Linear (L t) y una
La temperatura del aire anual media para el área es 4.5ºC, componente no lineal (N t). Es decir,
y el período de congelación local, dura de octubre a la y t = L t + norte t (1)
siguiente mayo. Chagan Lake se encuentra en la zona Había tres pasos para predecir la serie de la calidad del
semiárida del oeste de la provincia de Jilin. Por lo tanto, los agua mediante modelos ARIMA y RNFBR híbridos.
niveles anuales de escorrentía son bajos, y profundidades
medias de escorrentía de 5-10 mm han sido registrados 1) El modelo ARIMA (Box et al., 1994) se utilizó
durante varios años (Zhu et al., 2012). El segundo Songhua, para predecir y t, y deja L tdenotar la
Huolin, Tao'er y Nenjiang ríos son afluentes del lago
resultados de predicción. los mi t era los residuales entre
Chagan, y la precipitación natural y las aguas subterráneas
el modelo ARIMA y serie.
sirven como fuentes de agua auxiliares para el lago. El
segundo río Songhua (compuesta principalmente de mi t = y t - ˆ Lt (2)
drenaje de las tierras agrícolas del distrito de riego 2) La mi t fue considerado como la entrada de modelo
Qianguo) primero desemboca en el lago Xinmiao a través RNFBR (Moody y Darken, 1989), entonces el modelo
de un canal y luego en Chagan lago. El río sirve como la RNFBR podría expresarse como sigue:
principal fuente de agua para los lagos de la región (Duan et
al., 2008). mi t = f (e t- 1, mi t- 2, . ..., mi Tennesse) + ε t (3)
Dónde, F es un no lineal función
determinado por la red y neural _ ε t es el error
aleatorio.
En este trabajo, los parámetros de calidad del agua Nt y Pt Los resultados de salida de RNFBR se definió como
son examinados. Los datos mensuales para estos parámetros
N.t
para el período de 2006-2011 se utilizaron para el análisis. La
calidad del agua se obtuvieron de “La Segunda río Songhua 3) Los dos modelos se combinaron para el
Proyecto de Desviación de grabación” (A y con baño propio, pronóstico, y la predicción de resultados de modelos
híbridos ARIMA RNFBR se expresaron como:
2003) de la Oficina de Hidrología de la provincia de Jilin,
noreste Instituto de Geografía y Agroecología, Academia yˆ t = ˆ L t + ˆnorte
t
China de Ciencias. Las propiedades estadísticas de los
(4)
datos de series de tiempo la calidad del agua y las normas
Por lo tanto, los resultados de calidad de agua
Tabla 1. propiedades estadísticas de los parámetros de calidad del agua y las normas de calidad ambiental para las aguas
superficiales, China (GB3838-2002).
977
________________________________________________________________________ Zhang et al.
predicción de
La calidad del agua modelo ARIMA modelo RNFBR
residuos
predicción del
resultados de la Resultados de la
predicción
978
Predicción de la calidad del agua por ARIMA-RNFBR Modelo ______________________________
979
________________________________________________________________________ Zhang et al.
(una) (si)
Figura 5. Comparación de los datos de predicción y los resultados observados generados usando el ARIMA, RNFBR
y modelos híbridos ARIMA-RNFBR: (a) TP, (b) TN.
980
Predicción de la calidad del agua por ARIMA-RNFBR Modelo ______________________________
TN y TP tendencias de variación, es decir, los Error Porcentaje (MAPE) (Makridakis et al., 1986).
componentes lineales de los valores TN y TP. El error
de predicción TN del modelo ARIMA fue La Tabla 2 presenta el error Root Mean Square
abrumadoramente mayor para enero a abril que para (RMSE) y absoluta media
los otros meses, mientras que se produjo el error de Error Porcentaje (MAPE) resultados para los datos de
predicción máximo TP en abril. Los resultados del TN y TP observadas y predichas en 2011 de la
análisis elemental muestran que esto es atribuible a ARIMA, RNFBR, y modelos híbridos ARIMA-RNFBR.
TN significativa y las variaciones de concentración de valores RMSE del modelo RNFBR para los datos
TP que ocurre en enero a abril observados y los predichos fueron 0,378 y 0,141 mg L- 1
durante el período 2006-2010. para TN y TP, respectivamente. del modelo ARIMA RMSE valores
Además, dado que las fuentes de contaminación TN varían para los datos observados y los predichos fueron 0,324 y
0,104 mg L- 1
durante los meses de invierno, las variaciones periódicas
durante este período no son obvias. fluctuaciones TP se para TN y TP, respectivamente. E híbridos del modelo RMSE
encuentran en abril pueden ser atribuibles a la contaminación valores para los datos observados y los predichos fueron
0,139 y 0,036 mg L- 1
de fuentes no puntuales lanzado a través de la nieve derretida.
Aunque el modelo híbrido producido predicciones superiores a para TN y TP, respectivamente. Por lo tanto, el modelo híbrido
las del ARIMA, errores significativos aparecieron entre enero y muestra los mejores resultados de la predicción, y RNFBR lo
abril. El análisis de series temporales sólo se considera la peor. Desde el MAPE Los resultados, además, la observaron y
influencia de los datos históricos sobre las tendencias futuras y estadísticas de errores producidos ARIMApredicted MAPE
no consideró directamente los efectos de varios factores sobre
la serie de tiempo. Por lo tanto, el análisis de series temporales valores de 18,194 y 27,299% para TN y TP,
depende en gran medida en los datos históricos. Si las respectivamente. El modelo híbrido
condiciones ambientales cambian significativamente, generado MAPE valores de 7,017 y
14,528% para TN y TP, respectivamente. los
RMSE y MAPE valores para el modelo híbrido eran,
la influencia de por lo tanto, inferiores a los del modelo ARIMA y el
varios factores sobre las series de tiempo va a cambiar, y el modelo RNFBR, lo que sugiere que la capacidad de
modelo de series de tiempo harán predicciones exactas. predicción del modelo híbrido es superior a la del
análisis de series de tiempo, por lo tanto, no pueden responder modelo ARIMA y el modelo RNFBR. El modelo híbrido
a los efectos de las perturbaciones repentinas. de la serie de tiempo TN y TP para Chagan Lago
simula eficazmente.
RMSE MAPE
parámetros
ARIMA RNFBR ARIMA- híbrido ARIMA RNFBR ARIMA- híbrido
RNFBR RNFBR
TN (mg L- 1) 0,324 0,378 0,139 18.194 34.633 7.017
TP (mg L- 1) 0,104 0,141 0,036 27.299 126.957 14.528
981
________________________________________________________________________ Zhang et al.
precisa, produciendo TN y TP RMSE valores que control. Prentice Hall, Englewood Cliffs, NJ.
ecológico y medioambiental de Chagan lago y como guía concentración de clorofila a y trófico Unidos Continental
para Lakes en el noreste de China de Landsat TM de
para la planificación de la construcción del distrito de riego y
datos y campo espectral mediciones. En t. J. remoto
proyecto de agua en el oeste de la provincia de Jilin.
Sens., 29: 767-
786.
9. GB3838-2002 de la RP China 2002.
Norma de calidad ambiental para la superficie del agua.
China: Medio Ambiente Ciencias.
AGRADECIMIENTOS
Ministerio de Protección del Medio Ambiente de la República
Popular de China, China.
Este trabajo fue apoyado por la Fundación Nacional 10. Karmakar, S. y Mujumdar, PP 2006.
de Ciencias Naturales de China (Grant No.41371108 y Gris Modelo de Optimización Difusa para la Gestión de la
No.41301086), el Calidad del Agua de un sistema fluvial. Adv. Resour agua., 29: 1088-1105.
982
______________________________ Predicción de la calidad del agua por ARIMA-RNFBR Modelo
17. Predicción Zhang, GP 2003. Time Series Músculo de pescado Siete especies de Chagan Lake,
El uso de un híbrido ARIMA y modelo de red neuronal. Neurocomput., noreste de China. Environ.Monit. Evaluar., 184: 1299-1310.
50: 159-175.
18. Zhu, LL, Yan, BX, · Wang, LX y Pan,
X. 2012. concentración de mercurio en el
تجزيه و پيش بيني كيفيت آب با استفاده از مدل هيبريد سري زماني و مدل شبكه
عصبي
چكيده
در پژوهش درياچه چاگان در غرب منطقه جيلين به عنوان يك مانع اكولوژيكي مهم عمل مي كند و براي حفظ
امنيت محيط آبي اين درياچه پيش بيني درست سري زماني كيفيت آب ضرورت دارد.
درياچه چاگان از حاضر ,براي پيش بيني و آزمون كيفيت آب ] نيتروژن كل
) (TENNESSEو فسفر كل [ )(TP
Funcion de base radial ( و مدل شبكه عصبي تابع مبتني بر شعاع ) media:ARIMA
Tennesse Redهاي( (1استفاده شد .نتايج حاكي از موارد زير بود ) :
غلظت Neuronal (RNFBR
( 2در رده كالس چهار و پنج طبقه بندي شدند ) , Tennesseو TP
TPمعني دار نبودند .همچنين ,مقادير
ميلي گرم در ليتر بود كه حاكي از آن بود كه RNFBRبو 139/0ه ترتيب برابر
036/0 ARIMAو
يا مدل ARIMA را درست تر و كامل تر از زماني كه TP Tennesseو
مدل هيبريدي مزبور تغييرات
به تنهايي استفاده شوند توضيح مي دهد .اين نتايج به عنوان پايه نظري براي پايش RNFBR
برنامه ريزي ساخت پروژه هاي آب براي استان جيلين غربي كمك كند .
983