与地表水环境改善密切相关的非点源污染是当前的研究热点，而如何对流域水质进行监测和预测，是研究中亟需解决的难题。通过支持向量机的方法，构建回归模型对水质硝态氮进行模拟和预测，并提出了一种多目标优化的框架，对模型参数和模型的输入变量进行研究。通过所收集的长时间序列的水质监测数据，采用NSGA-Ⅱ算法进行多目标优化计算，结果表明支持向量机有效地模拟和预测了水质硝态氮的浓度值，多目标优化算法具有很强的全局搜索能力和高效的运行效率，多目标优化框架能有效剔除模型的冗余输入变量，获得较优的模型结构和模型参数。

随着社会和经济的迅速发展，水资源匮乏、水污染严重已经成为全球重大问题，其中与地表水环境改善密切相关的非点源污染研究就显得尤为重要。一般认为，非点源污染具有随机性、广泛性、滞后性、模糊性、潜伏性和隐蔽性等特征（阮晓红等，2002），受大气、土壤、植被、水文、地质、地貌、地形及人类活动等众多因素的影响（耿润哲等，2015）。近几十年来，国内外在非点源污染机理、模拟模型以及控制方法等方面进行了大量的研究和实践，取得了长足的进展。由于各种非点源污染物最终要汇入河流等天然水体，通过研究受纳水体的水质变化规律可以反映出非点源污染的影响（李怀恩等，2013）。

流域水质变化对流域管理也非常重要。研究者针对流域水质监测需求提出了一些基于物理概念的水文模型，如HSPF、SWMM、ANSWERS、ARM、CREAMS、SWAT、AGNPS和李怀恩模型等（徐力刚等，2006），但正如Merritt等（2003）指出，这些流域模型可能由于缺少足够的模型参数、缺少时空上的验证数据和高度依赖使用者经验等问题，有可能难以满足流域水质预测的需求（Merritt等，2003）。(www.daowen.com)

支持向量机SVM（Support Vector Machine）是Vapnik等人根据统计学理论首次提出的一种新的通用学习方法（Vapnik等，1995），它的主要思想为将原空间的非线性函数关系映射为高维空间内的线性或近似线性关系，然后采用线性回归的方法进行计算，能够较好地解决小样本、非线性、高维数和局部极小点等实际问题（张学工，2000）。由于支持向量机出色的学习性能，近年来也被引入径流（卢敏等，2005）、地下水预报（王景雷等，2003）、非点源负荷预测（李家科等，2006）。类似于SVM模型的智能分析模型，一般而言，需要根据人工经验法或试错法进行模型结构的确定，同时模型参数优化是其实现精确模拟的关键。国内外学者通过引入多目标优化的思想来克服单目标优化的局限，开展了大量的研究。Vrugt、张刚、张洪刚、王宇晖等将多目标优化算法应用于水文模型参数的优化率定中，并取得了较好的效果（Vrugt等，2003；张刚等，2011；张洪刚等，2004；王宇晖等，2010）。本书针对以上研究中只考虑了模型参数优化而忽视模型结构寻优的问题，采用多目标优化框架同时对模型结构和模型参数进行优化，通过建立支持向量机来回归预测地表水中的硝态氮含量，以期为流域条件下地表水质预测提供理论依据和技术支撑。