盧莉莉

（山西省運城水文水資源勘測分局，山西運城044000）

模糊神經(jīng)網(wǎng)絡(luò)在涑水河水質(zhì)評價中的應(yīng)用

盧莉莉

（山西省運城水文水資源勘測分局，山西運城044000）

本文運用MATLAB對實測數(shù)據(jù)進行歸一化處理，選取硝酸鹽氮、高錳酸鹽指數(shù)等六個評價因子，應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)方法對涑水河蒲州監(jiān)測斷面2010～2014年5年的水質(zhì)進行了評價。結(jié)果顯示除了2010年為IV類水質(zhì)，其余4年均為V類水質(zhì)，水污染現(xiàn)象較為嚴重。

涑水河；水質(zhì)評價；評價因子；模糊神經(jīng)網(wǎng)絡(luò)

涑水河為黃河一級支流，位于山西省南部的運城盆地，發(fā)源于運城市絳縣陳村峪，向西南流經(jīng)聞喜、夏縣、鹽湖、臨猗、永濟5縣（市、區(qū)），入伍姓湖后于永濟市獨頭村附近注入黃河，全長195km，流域總面積5774km2。涑水河屬北方間歇性季節(jié)河流。非汛期河道成為排污河道。據(jù)有關(guān)實測資料分析，平均清水流量0.274億m3，平均含沙量為7.66kg/m3，年輸沙量為21萬m3，污水流量一般為1～2m3/s，最大達到5m3/s。按照1956～2000年系列的水資源評價成果，涑水河分區(qū)的水資源總量為5.82億m3，其中，地表水資源量1.83億m3，地下水資源量4.56億m3，地表水與地下水重復(fù)量為0.57億m3［1-2］。涑水河現(xiàn)已成為山西省污染最為嚴重的河流之一。由于上游來水量減少，中下游河道間歇性斷流，基本成為接納沿河兩岸工業(yè)企業(yè)及城鎮(zhèn)廢污水的排污河，張留莊斷面各污染指標全年監(jiān)測值均超過環(huán)境V類標準。

對于河流水質(zhì)評價方面的研究已有很多，龐振凌［3］等運用層次分析法對南水北調(diào)中線水源區(qū)的水質(zhì)進行了評價，結(jié)果表明層次分析法在水質(zhì)評價中有推廣的空間；徐明德［4］等對汾河太原區(qū)段支流的水質(zhì)進行了分析評價，結(jié)果表明評價對象在枯水期、平水期和豐水期的水質(zhì)均不達標，多數(shù)為劣V

圖1 涑水河流域水系概化圖

類標準；周燕［5］等在重慶市飲用水原水水質(zhì)評價中實現(xiàn)了模糊神經(jīng)網(wǎng)絡(luò)的仿真模擬，證實該方法的有效性?，F(xiàn)階段對于水質(zhì)評價的試驗方法主要包括數(shù)理統(tǒng)計法、水質(zhì)模型法、人工神經(jīng)網(wǎng)絡(luò)法等［6-8］。相比其他方法，人工神經(jīng)網(wǎng)絡(luò)法具有很強處理非線性問題能力數(shù)據(jù)，在水質(zhì)評價和預(yù)測時具有優(yōu)良容錯性和較好的自適應(yīng)性能力，因此本文采用模糊神經(jīng)網(wǎng)絡(luò)對涑水河水質(zhì)進行分析評價。

1 材料和方法

1.1 數(shù)據(jù)來源

本文選取水質(zhì)站基本站蒲州站作為監(jiān)測站（如圖2示），根據(jù)2010～2014年5年的實測數(shù)據(jù)進行評價，在5年監(jiān)測研究期間，每年3月、5月、8月、10月取樣4次，樣品采集均按照水質(zhì)監(jiān)測規(guī)范（地表水環(huán)境質(zhì)量標準）要求進行。根據(jù)當?shù)厮|(zhì)特點及污染程度，選取硝酸鹽氮、高錳酸鹽指數(shù)、化學需氧量、五日生化需氧量、總磷、總氮、氟化物、揮發(fā)酚、石油類作為評價指標。

圖2 山西省運城市2015年水質(zhì)站網(wǎng)分布圖

1.2 模糊神經(jīng)網(wǎng)絡(luò)模型

（1）模糊神經(jīng)網(wǎng)絡(luò)模型是近幾年發(fā)展起來的一種新型的網(wǎng)絡(luò)結(jié)構(gòu)，它具有模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點，具有萬能逼近器的功能，物理意義明確，收斂速度快。模糊神經(jīng)網(wǎng)絡(luò)中沒有求和節(jié)點，可用來模擬較為復(fù)雜的系統(tǒng)，因此得到廣泛應(yīng)用。當輸入節(jié)點有3個時，其輸出為：

式中，x1，x2，x3是網(wǎng)絡(luò)輸入，i，，是隸屬度函數(shù)，p0，p1，p2，p3，是系數(shù)。

（2）模糊神經(jīng)網(wǎng)絡(luò)學習算法

模型神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)輸出和期望輸出的誤差來修正系數(shù)和隸屬函數(shù)參數(shù)，從而使模糊神經(jīng)網(wǎng)絡(luò)輸出不斷逼近真實輸出，其學習修正算法如下所示：

①系數(shù)修正

②參數(shù)修正

（3）模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型進行水質(zhì)評價主要分為以下三個部分，如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡(luò)水質(zhì)評價總體結(jié)構(gòu)

2 結(jié)果和討論

2.1 評價因子分析

本研究選擇涑水河蒲州站監(jiān)測斷面2010～2014年5年的實測數(shù)據(jù)，選取了硝酸鹽氮、高錳酸鹽指數(shù)等作為評價指標。運用MATLAB軟件里的mapminmax命令對實測數(shù)據(jù)進行歸一化處理，得到標準化后的矩陣。然后對其結(jié)果進行KMO檢驗和Bartlett檢驗［9］，結(jié)果如表1所示。通過比較各變量間簡單相關(guān)系數(shù)和偏相關(guān)系數(shù)的大小判斷變量間的相關(guān)性，相關(guān)性強時，偏相關(guān)系數(shù)遠小于簡單相關(guān)系數(shù)，KMO值接近1。若KMO值小于0.5，則說明不適宜作因子分析，反之適合。從表1可以看出KMO值為0.612＞0.5，且Bartlett檢驗值為119.158，自由度為36，其顯著性Sig=0.00＜0.05，達到顯著，結(jié)果顯示適合做因子分析。

表1 KMO和Bar tlett檢驗結(jié)果

通過因子分析，得到因子方差貢獻率及各因子得分系數(shù)，結(jié)果如表2、表3。從表2可以看出，方差累計貢獻率達到79.18%，能夠代表原評價指標絕大部分的信息。結(jié)合表2和表3，可得到各評價指標的權(quán)重，如表4。從表4可以看出，總氮、高錳酸鹽指數(shù)、五日生化需氧量、硝酸鹽氮、化學需氧量、揮發(fā)酚占到了86.94%，因此選擇這六個因子作為評價指標。

表2 方差貢獻率

表3 因子得分系數(shù)

表4 各因子所占權(quán)重

2.2 模糊神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價中的運用

模糊神經(jīng)網(wǎng)絡(luò)在水質(zhì)評價的應(yīng)用中，采用的訓練樣本是水質(zhì)評價中分級標準，采用了等隔均勻分布方式內(nèi)插標準數(shù)據(jù)表生成樣本的方式來生成樣本集，從Ⅰ類到劣Ⅴ類水質(zhì)相鄰等級生成200組數(shù)據(jù)，共1000組，隨機抽取900組作為訓練樣本，剩余的100組為監(jiān)測樣本。評價等級的劃分界限為評價結(jié)果小于1.5為Ⅰ類；1.5～2.5之間為Ⅱ類；2.5～3.5之間Ⅲ類；3.5～4.5之間為Ⅳ類；大于4.5為Ⅴ類。

本文采用神經(jīng)網(wǎng)絡(luò)評價2010～2014年蒲州站水質(zhì)，由于評價數(shù)據(jù)有六項，因此設(shè)置網(wǎng)絡(luò)輸入節(jié)點數(shù)為6，輸出節(jié)點數(shù)為1。根據(jù)公式（1）得到神經(jīng)網(wǎng)絡(luò)的輸出，通過比較輸出值與期望值，調(diào)整相關(guān)系數(shù)值，依次訓練200次，最終得到網(wǎng)絡(luò)訓練結(jié)果如圖4左所示，并用監(jiān)測樣本對網(wǎng)絡(luò)進行監(jiān)測，結(jié)果如圖4右所示。

用訓練好的神經(jīng)網(wǎng)絡(luò)對涑水河2010～2014年的蒲州站水質(zhì)進行評價，得到評價結(jié)果如圖5。從圖5可以看出，在2010～2014年這五年中，除了2010年水質(zhì)為IV類水，其余4年均為V類水質(zhì)，水污染現(xiàn)象還是較為嚴重。

3 結(jié)語

本文應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)對涑水河蒲州水質(zhì)監(jiān)測站2010～2014年水質(zhì)進行評價，得到以下結(jié)論。

（1）通過因子評價分析得到各因子所占權(quán)重，選取總氮、高錳酸鹽指數(shù) 五日生化需氧量、硝酸鹽氮、化學需氧量、揮發(fā)酚為評價因子。

（2）用訓練好的神經(jīng)網(wǎng)絡(luò)對監(jiān)測站2010～2014年水質(zhì)進行評價，結(jié)果表明除2010年為為IV類水，其余4年均為V類水質(zhì)。

圖4 模糊神經(jīng)網(wǎng)絡(luò)訓練模擬過程

圖5 模糊神經(jīng)網(wǎng)絡(luò)訓練模擬過程

［1］孫甲嵐，雷曉澤，蔣云律，等.河流生態(tài)需水量研究綜述［J］.南水北調(diào)與水利科技，2002，10（01）：112-114.

［2］李英明，潘軍峰.山西河流［M］.北京：科學出版社，2004.

［3］龐振凌，常紅軍，李玉英，等.層次分析法對南水北調(diào)中線水源區(qū)的水質(zhì)評價［J］.生態(tài)學報，2008，28（04）：1810-1819.

［4］徐明德，盧建軍，李春生.汾河太原城區(qū)段支流水質(zhì)評價［J］.中國給水排水，2010，26（02）：105-108.

［5］周燕，王里奧.模糊神經(jīng)網(wǎng)絡(luò)在重慶市飲用水原水水質(zhì)評價中的應(yīng)用［J］.三峽環(huán)境與生態(tài)，2010，3（01）：33-35.

［6］OH H M，AHN C Y，LEE JW，al.Community patterning and identification of predom inant factors in algalbloom in Daechung Reservoir（Korea）using artificial neural networks［J］.Ecol Model，2007（203）：109-118.

［7］張志.人工神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測模型研究［J］.內(nèi)蒙古大學學報（自然科學版），2006，37（06）：703-707.

［8］袁宏林，龔令.基于BP神經(jīng)網(wǎng)絡(luò)的皂河水質(zhì)預(yù)測方法［J］.安全與環(huán)境學報，2013，4（02）：106-110.

［9］KOSKO B.Neural Networks and Fuzzy Systems：A Dyhamical Systems Approach to Machine Intelligence［M］.NJ：Prentice Hall Inc，

1992.

TU4

A

1008-1305（2017）01-0142-04

DO I:10.3969/j.issn.1008-1305.2017.01.043

2015-05-05

盧莉莉（1977年—），女，工程師。