| 基于CEWI指数与BP神经网络的永定河北京段水质评价与预测 |
| 摘要点击 1825 全文点击 65 投稿时间：2025-03-06 修订日期：2025-04-27 |
| 查看HTML全文
查看全文 查看/发表评论 下载PDF阅读器 |
| 中文关键词 永定河 多类群生物综合评价 综合生态水质指数（CEWI） 水质评价 BP神经网络 |
| 英文关键词 Yongding River comprehensive evaluation of multitaxa organisms comprehensive ecological water quality index (CEWI) water quality assessment BP neural network |
| DOI 10.13227/j.hjkx.202503067 |
| 作者 | 单位 | E-mail | | 张保航 | 中国水利水电科学研究院, 北京 100038
中国水利水电科学研究院流域水循环与水安全全国重点实验室, 北京 100038 | zhangbaohang1225@163.com | | 张敏 | 中国水利水电科学研究院, 北京 100038
中国水利水电科学研究院流域水循环与水安全全国重点实验室, 北京 100038 | zhangmin@iwhr.com | | 渠晓东 | 中国水利水电科学研究院, 北京 100038
中国水利水电科学研究院流域水循环与水安全全国重点实验室, 北京 100038 | | | 彭文启 | 中国水利水电科学研究院, 北京 100038
中国水利水电科学研究院流域水循环与水安全全国重点实验室, 北京 100038 | | | 张海萍 | 中国水利水电科学研究院, 北京 100038
中国水利水电科学研究院流域水循环与水安全全国重点实验室, 北京 100038 | | | 张宇航 | 中国水利水电科学研究院, 北京 100038 | |
|
| 中文摘要 |
| 水生生物群落是水生态系统健康评价的重要指示因子，但其采集与鉴定过程存在技术复杂和成本高等问题，制约了评价效率. 研究提出一种基于深度学习的水质评价指数预测模型，旨在提升评价时效性与普适性. 2020年秋至2021年夏，于永定河北京段布设16个监测点位，开展4次水生态调查，共鉴定大型底栖动物118种、浮游动物159种和浮游植物107种，分别以昆虫纲、轮虫和蓝藻门作为优势类群. 通过整合多类群生物多样性构建综合生态水质指数（CEWI），评价结果显示永定河北京段水质整体为β-中度污染. 典型对应分析（CCA）表明，水温（WT）、pH、流速（CV）、水深（WD）和溶解氧（DO）为影响生物群落结构的关键环境因子. 基于BP神经网络构建的CEWI指数预测模型，其整体R2达0.978，均方误差（MSE）为0.106，平均绝对误差（MAE）为0.262，验证了模型的有效性. 研究通过“环境因子-生物响应-模型预测”框架，可为永定河流域生态修复提供了数据支撑与方法创新，具有显著的实践价值与区域指导意义. |
| 英文摘要 |
| Aquatic communities serve as critical indicators for evaluating the health of aquatic ecosystems. However, challenges such as technical complexity and high costs in the collection and identification of aquatic organisms hinder assessment efficiency. This study proposes a deep learning-based predictive model for water quality indices to enhance evaluation timeliness and universality. From autumn 2020 to summer 2021, four aquatic ecological surveys were conducted at 16 monitoring points in the Beijing section of the Yongding River, identifying 118 macroinvertebrate species, 159 zooplankton species, and 107 phytoplankton species. By integrating multi-group biodiversity, the comprehensive ecological water quality index (CEWI) was constructed, revealing an overall water quality status of β-moderate pollution in the study area. Canonical Correspondence Analysis (CCA) identified water temperature (WT), pH, flow velocity (CV), water depth (WD), and dissolved oxygen (DO) as key environmental drivers of community structure. A BP neural network model was developed to predict the CEWI index, achieving an overall R2 of 0.978, a Mean Square Error (MSE) of 0.106, and a Mean Absolute Error (MAE) of 0.262, thereby validating the model's effectiveness. Through the "environmental factor-biological response-model prediction" framework, this study provides data-driven insights and methodological innovations for ecological restoration in the Yongding River Basin, demonstrating significant practical value and regional guidance significance. |
|
|
|
