水质预测与评价是合理开展水环境规划和防治必不可少的工作,而对水质进行监测,采集水质污染物参数的浓度数据是水质预测工作的基础。目前对水环境进行监测主要是以固定釆样和实验室分析的方式为主,但是这种监测手段工作量大且监测成本高。本文利用移动曝气设备在线监测系统对水质实时监控,相较于传统的监测手段,可以节省成本,提高监测效率。利用四分位数法和多项式曲线拟合法对水质传感器采集到的历史数据进行异常值剔除和修正,使用经过预处理的数据建立LM-BP神经网络预测模型对COD、氨氮、总氮、总磷四种水质参数指标浓度数据进行预测,并且对水质污染程度进行评价。本课题研究对推动水质在线监测技术的发展有积极作用,对促进BP神经网络模型在水质预测中的广泛应用有重要意义。本文主要从以下四个方面对移动曝气设备在线监测的湖泊水质进行研究:1.对通过移动曝气设备自动监测采集到的水质污染物参数的浓度数据与实验室同时同地采样得到的数据进行可靠性对比分析,包括数据合格率分析、数据显著性检验以及数据相关性分析,以验证数据的获取是否准确可靠。2.采用四分位数法对异常数据进行初次识别,再使用多项式曲线拟合法对异常值进行二次识别并修正,为后期预测模型的建立提供基础条件。3.构建BP神经网络水质预测模型,初步确定神经网络的拓扑结构,划分数据集,对训练集进行迭代训练,得到使网络性能更好的超参数作为水质预测模型仿真的初始条件,并对测试集的预测结果反归一化并输出。4.分析BP神经网络水质预测模型的预测结果,将其与不经过数据预处理的BP神经网络预测模型以及使用多元线性回归模型预测的预测结果进行对比,对水质污染程度进行评价分析。本文构造的BP神经网络预测模型在水质预测中表现出较高的预测精度,这与移动曝气设备在线数据采集、前期的数据预处理、剔除异常值以及与BP神经网络的网络结构、超参数的选择有直接关系,可以用于对湖泊水质的预测研究中。