遺傳程序設(shè)計(jì)(GP)是一種計(jì)算方法，它使用達(dá)爾文自然選擇理論的原理來解決問題，而不是直接地編程。GP通過多次迭代和交叉進(jìn)行符號回歸來進(jìn)行程序歸納。GP可能不絕對地被歸類為DD模型，因?yàn)樗ǔ１挥米髌渌惴ǖ膬?yōu)化模型(例如邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)等)，最近這種技術(shù)被應(yīng)用于幾個(gè)湖泊的有害藍(lán)藻水華預(yù)測。因此，在這個(gè)SLR中被歸類為一種獨(dú)特的DD建模技術(shù)。有研究將混合進(jìn)化算法(HEA)應(yīng)用于澳大利亞的Wivenhoe水庫，預(yù)測一周內(nèi)的有害藍(lán)藻水華。與之相比，這種模型中的預(yù)測規(guī)則是比較全面的，因?yàn)樗Y(jié)合了涉及藍(lán)藻動態(tài)的物理、化學(xué)和生物理論。有研究用HEA模擬了巴西熱帶貧-中營養(yǎng)水平Lajes水庫中三種超微型藍(lán)藻的優(yōu)勢度，該模型預(yù)測了7天內(nèi)的超微型藍(lán)細(xì)菌豐度。預(yù)測性能根據(jù)種類和取樣位置而變化。還有研究利用HEA預(yù)測10至30天內(nèi)的兩個(gè)湖泊藍(lán)藻優(yōu)勢物種的細(xì)胞濃度，采用原了位熒光測量和常規(guī)細(xì)胞計(jì)數(shù)測量。盡管峰值的大小通常被低估，但是水華時(shí)間通常是正確的，且能夠正確地預(yù)報(bào)有害藍(lán)藻水華。決策樹決策樹(DTs)是識別數(shù)據(jù)的閾值和共同屬性的線性或非線性推理模型。這些模型對數(shù)據(jù)集進(jìn)行分類，并從具體的例子中提取通用規(guī)則。這種機(jī)器學(xué)習(xí)技術(shù)也被應(yīng)用于各種情景中的有害藍(lán)藻水華預(yù)測。有研究建立了一個(gè)DT推理模型來預(yù)測布魯塞爾42個(gè)淺水和混合城市池塘的有害藍(lán)藻水華。當(dāng)異形胞或非異形胞藍(lán)藻的關(guān)鍵生物體積閾值與環(huán)境變量(如篇pH、透明度)發(fā)生關(guān)系時(shí)，該模型能夠成功地進(jìn)行預(yù)測。有作者比較了DT方法、回歸概率方法的性能。他們觀察到兩種建模技術(shù)之間的結(jié)果是類似的。回歸與概率方法相結(jié)合使得結(jié)果更準(zhǔn)確，因?yàn)檫@種方法重新計(jì)算了情景變化的概率，并具有在年度、季節(jié)尺度預(yù)測的能力。相反，DT方法能夠快速有效地交叉驗(yàn)證結(jié)果。比較這兩種技術(shù)，或許可以來交叉驗(yàn)證每個(gè)模型的結(jié)果。m99新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

m99新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司

　　貝葉斯網(wǎng)絡(luò)貝葉斯網(wǎng)絡(luò)(BNS)是一種概率建模方法，它包括多個(gè)變量之間的線性、非線性、組合和隨機(jī)預(yù)測關(guān)系。它們是評估事件發(fā)生概率的工具，可以解釋模型輸出中潛在的不確定性。有研究為加拿大西伊利湖開發(fā)了一個(gè)BN方法，評估了磷的還原情景及其對有害藍(lán)藻水華發(fā)生的影響。也有研究將BN方法應(yīng)用于韓國Paldang湖，根據(jù)環(huán)境條件的多個(gè)閾值評估有害藍(lán)藻水華的風(fēng)險(xiǎn)水平。還將風(fēng)險(xiǎn)等級轉(zhuǎn)換成預(yù)警水平，有助于水資源的管理。有學(xué)者在澳大利亞的Grahamstown大壩使用BN模型預(yù)測魚腥藻(長孢藻)的未來情景。這種方法能夠?qū)碜援?dāng)?shù)毓┧O(shè)施的專家知識涵蓋在模型中。這項(xiàng)研究的重點(diǎn)是要對未來的管理和運(yùn)營過程保持透明，包括監(jiān)測策略和抽水取水等實(shí)踐。m99新型光催化網(wǎng)_水庫治理_河道治理_水生態(tài)修復(fù)_水環(huán)境治理與修復(fù)_江蘇雙良環(huán)境科技有限公司