生态环境评价指标和模型.ppt

生态环境评价指标及模型;1.1 地表水质量评价指标体系的建立 ;指标体系递阶结构图如右： ;地表水质量评价指标的评价标准采用GB3838一2002《地表水环境质量标准》。各指标的水质标准表： ;1.2 地表水质量评价的方法 ;赋权综合评价法 1）指标值的无量纲化 评价指标体现了指标对其描述现象的影响程度，但由于各个指标因素的物理意义彼此不同，单位不同，对评价对象的作用趋势也不一致，有的属于正指标，有的属于逆指标，还有的属于适度指标。 各个指标之间不具有可比性，为了统一度量范围，便于指标之间进行比较，应针对不同评价指标，根据他们的数值特性对其进行适当的无量纲化。数据无量纲化的过程，实际是分级打分的过程。在划出某一指标的给分范围后，根据统计数据，给指标打分。 ;2）指标值权重的确定 权重的确定与指标的选取是同等重要的，因为指标体系中各指标对矿区水体质量影响的程度是不一样的。有的影响大一些，有的影响小一些，因此在构建指标体系的同时，必须考虑各指标对系统的影响大小，即权重。权重确定的准确程度，直接影响指标体系的功能和质量。 专家直接赋权法 这种方法是目前比较常用的方法。由于专家对分析对象中各种因子有一个全面而深刻的认识，能够根据评价区域的污染特点，评价的目的、范围、等级和规模给出各种评价因子的相对重要性，从而最终确定权重。这种方法的优点是能够紧密结合评价区域的实际情况，利用专家的智慧，综合平衡各种因素，给出一个恰当合理的权值。 ;权重的再分配 在指标体系建立的原则中，我们已经指出，该指标体系本着全面性的原则而建立的，因此，指标选取的数量相对较多，一般的监测机构可能不能将指标全部监测，在这种情况下，可采取权重的再分配。即将未监测指标的权重，按照监测指标权重的比例，重新分配给监测指标，实现权重的再分配。 ;3）评价模型——赋权综合评价模型 在完成了对指标的无量纲化和确定了指标的权重之后，利用下式计算赋权综合评价值R。 其中：R赋权综合评价值。 为任一评价指标i的无量纲化所得数值，其值位于（0，l）之间。 为任一评价指标i的权重。 m为评价指标的个数。 根据计算出的R值，对照综合值R的分级标准，确定评价级别。 ;4）评价准则 根据计算出的R值，将地表水质量分为五级，分级标准如下表： ;2 另外两种评价方法;应用 AHP 解决问题，大体可以分为四个步骤：第一，建立问题的递阶层次结构；第二，构造两两比较判断矩阵；第三，由判断矩阵计算被比较元素相对权重；第四，计算各层元素的组合权重。 层次分析法对人们的思维过程进行了加工整理，提出了一套系统分析问题的方法，为科学管理和决策提供了较有说服力的依据。但层次分析法也有其局限性，主要表现在：（1）它在很大程度上依赖于人们的经验，主观因素的影响很大，它至多只能排除思维过程中的严重非一致性，却无法排除决策者个人可能存在的严重片面性。（2）比较、判断过程较为粗糙，不能用于精度要求较高的决策问题。AHP 至多只能算是一种半定量（或定性与定量结合）的方法。同时在应用层次分析法研究问题时常常遇到的两个方面的棘手的问题：第一，如何根据实际情况抽象出较为贴切的层次结构；第二，如何将某些定性的量作比较接近实际定量化处理。;2 BP（Back-Propagation）反向传播神经网络原理 神经是大脑的细胞，其主要功能是收集、处理和分发电信号。人类大脑采用联通的神经元来处理接收到的信号，神经网络模拟了这一思维过程。神经网络不是通过分步算法或复杂的逻辑程序来求解的，而是通过调整网络中连接神经元的权重，采用非算法、非结构的形式来实现的。神经网络已用于对各种遥感数据进行分类，而且有很多实例表明其分类结果优于一些传统的统计方法。 这些成功可以归因于两大优点：1）不要求数据呈正态分布；2）自适应性模拟具有特定拓扑结构的复杂非线性模式的能力。 ;常用的BP神经网络模型由输入层、隐含层（又称中间层，一层或多层）和输出层组成（如下图所示）。相邻之间的神经元由权重系数相互连接，同一层内的神经元之间是平行的、无连接关系。输入信号从输入层节点，依次传过各隐含层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。网络的学习训练过程是基于多层前馈网络算法，该学习过程由正向传播和反向训练组成。 正向传播时，输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之后，再传向输出层，当数据到达输出层时，再把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向训练过程。反向训练时，又把误差信号按误差最大的方向沿原来正向传播的通路反向传回，同时对各层的各个神经元间的权值和阈值进行修改，从而使误差信号趋于最小，满足预先设定的限差要求。 ;炳揣菊怎甭震烤奠莆幅态吧硕裴肚苯速皱匈盟笨儿耍颈僳歪咨流总经胺挖