作为水生态保护与修复的重要理论,鱼类栖息地健康评价一直是研究重点,但缺少量化综合评价的深入研究。以长江上游中的5处典型深潭生境为例,构建了鱼类栖息地健康状况量化评价体系。研究通过长江上游典型深潭生境健康评价(一级指标)为基...作为水生态保护与修复的重要理论,鱼类栖息地健康评价一直是研究重点,但缺少量化综合评价的深入研究。以长江上游中的5处典型深潭生境为例,构建了鱼类栖息地健康状况量化评价体系。研究通过长江上游典型深潭生境健康评价(一级指标)为基准,分为了栖息地环境和栖息地功能(二级指标),涵盖了水质特性、生物环境、水文环境、鱼类资源状况、栖息地质量5个三级指标以及29个四级指标,基于熵权法构建栖息地健康综合评价数学模型,通过栖息地健康综合指数(Comprehensive Health Indicator,ρ)表征典型栖息地健康状态,并对其健康状况进行综合评价。研究结果表明:长江上游典型深潭生境有1处健康等级评价为Ⅰ级,处于非常健康状态;3处评价为Ⅱ级,处于健康状态;1处评价为Ⅲ级,处于亚健康状态,无不健康或劣汰的点。总体来看,长江上游典型栖息地基本处于健康状态,且表现出较强的空间异质性,该评价结果在一定程度上客观反映了长江上游典型栖息地的健康状况,最后根据评分等级探讨了长江上游鱼类栖息地生态系统中亟需解决的问题,针对性地提出了生境修复的对策与建议。展开更多
含沙量预测对流域泥沙治理、水沙调控以及水质与水环境管理等具有重要意义。长江上游地区幅员广阔,支流众多,水沙来源复杂,对准确预测三峡入库含沙量过程构成了挑战。针对长江上游区间降雨和干支流来水来沙对寸滩站含沙量产生不同程度...含沙量预测对流域泥沙治理、水沙调控以及水质与水环境管理等具有重要意义。长江上游地区幅员广阔,支流众多,水沙来源复杂,对准确预测三峡入库含沙量过程构成了挑战。针对长江上游区间降雨和干支流来水来沙对寸滩站含沙量产生不同程度的影响,提出了一种基于随机森林(Random Forest,RF)与长短时记忆(Long Short Term Memory,LSTM)神经网络结合的日含沙量预测深度学习模型RF-LSTM。首先,该模型利用RF算法筛选出与寸滩站日含沙量相关性强的水沙因子,然后将这些因子作为LSTM神经网络的输入变量,进一步识别出优选水沙因子与寸滩含沙量之间的映射关系,最后以长江上游向家坝至寸滩区间为研究区域,应用该模型对不同预见期下的寸滩站汛期日含沙量进行了预测,结果表明:与LSTM模型相比,RF-LSTM模型能较好地考虑预测因子对含沙量影响的滞后效应,且有效捕获与寸滩站日含沙量相关性强的特征,四种预见期下其在预测精度和性能方面均有较好表现,其中无预见期和预见期1 d时两种模型预测精度均较高,验证期的纳什效率系数均大于0.82,无预见期下RF-LSTM模型的纳什效率系数可达到0.91,相应的均方根误差和平均绝对误差分别较LSTM模型降低了13%和8%,且两种预见期下RF-LSTM模型可以较为准确捕获沙峰及峰现时间;当预见期增加至2 d和3 d时两种模型精度均有明显下降,但RF-LSTM模型计算精度仍优于LSTM模型。研究结果可为长江上游含沙量预测提供参考。展开更多
文摘作为水生态保护与修复的重要理论,鱼类栖息地健康评价一直是研究重点,但缺少量化综合评价的深入研究。以长江上游中的5处典型深潭生境为例,构建了鱼类栖息地健康状况量化评价体系。研究通过长江上游典型深潭生境健康评价(一级指标)为基准,分为了栖息地环境和栖息地功能(二级指标),涵盖了水质特性、生物环境、水文环境、鱼类资源状况、栖息地质量5个三级指标以及29个四级指标,基于熵权法构建栖息地健康综合评价数学模型,通过栖息地健康综合指数(Comprehensive Health Indicator,ρ)表征典型栖息地健康状态,并对其健康状况进行综合评价。研究结果表明:长江上游典型深潭生境有1处健康等级评价为Ⅰ级,处于非常健康状态;3处评价为Ⅱ级,处于健康状态;1处评价为Ⅲ级,处于亚健康状态,无不健康或劣汰的点。总体来看,长江上游典型栖息地基本处于健康状态,且表现出较强的空间异质性,该评价结果在一定程度上客观反映了长江上游典型栖息地的健康状况,最后根据评分等级探讨了长江上游鱼类栖息地生态系统中亟需解决的问题,针对性地提出了生境修复的对策与建议。
文摘含沙量预测对流域泥沙治理、水沙调控以及水质与水环境管理等具有重要意义。长江上游地区幅员广阔,支流众多,水沙来源复杂,对准确预测三峡入库含沙量过程构成了挑战。针对长江上游区间降雨和干支流来水来沙对寸滩站含沙量产生不同程度的影响,提出了一种基于随机森林(Random Forest,RF)与长短时记忆(Long Short Term Memory,LSTM)神经网络结合的日含沙量预测深度学习模型RF-LSTM。首先,该模型利用RF算法筛选出与寸滩站日含沙量相关性强的水沙因子,然后将这些因子作为LSTM神经网络的输入变量,进一步识别出优选水沙因子与寸滩含沙量之间的映射关系,最后以长江上游向家坝至寸滩区间为研究区域,应用该模型对不同预见期下的寸滩站汛期日含沙量进行了预测,结果表明:与LSTM模型相比,RF-LSTM模型能较好地考虑预测因子对含沙量影响的滞后效应,且有效捕获与寸滩站日含沙量相关性强的特征,四种预见期下其在预测精度和性能方面均有较好表现,其中无预见期和预见期1 d时两种模型预测精度均较高,验证期的纳什效率系数均大于0.82,无预见期下RF-LSTM模型的纳什效率系数可达到0.91,相应的均方根误差和平均绝对误差分别较LSTM模型降低了13%和8%,且两种预见期下RF-LSTM模型可以较为准确捕获沙峰及峰现时间;当预见期增加至2 d和3 d时两种模型精度均有明显下降,但RF-LSTM模型计算精度仍优于LSTM模型。研究结果可为长江上游含沙量预测提供参考。
