基于BP神经网络湘江出口水质评价.docVIP

基于BP神经网络湘江出口水质评价 　　摘要依据1999—2011年湘江出口樟树港站水质监测数据，选取溶解氧等10个水质指标，对数据优化后运用BP神经网络模型对其进行水质综合评价与分析，发现湘江出口水质具有明显的季节性与趋势性，近年来水质有所好转.同时对氨氮、溶解氧、总氮3个指标进行了季节性分析，并运用季节性水平模型计算了水质综合指数的季节比，将13年来的数据分3个年段对比分析，发现水质综合指数季节比与湘江降水量季节比、湘江出口水温季节比存在负相关性. 　　关键词BP神经网络；湘江；湘江出口；水质评价 　　中图分类号K928.42；X824 文献标识码A 文章编2013 　　湘江出口水质是湘江流域经济和社会发展的一个重要指示指标，对该流域产业布局、污染控制[12]、湘江综合治理等都具有重要意义.本研究应用BP神经网络模型[3]对湘江出口樟树港断面的水质进行综合评价，并应用??节性水平模型进行时间序列季节性分析[4]，为湘江的开发利用及综合治理提供重要依据. 　　1水质综合评价 　　1.1水质监测数据预处理 　　根据获取的湘江出口樟树港断面1999—2011年水质监测数据，参照G地表水环境质量标准》[5]，再依据对湘江水质的影响程度、指标时间序列的完整性、指标的波动性等因素选取溶解氧、高锰酸盐指数、5日生化需氧量、氨氮、总氮、锌、砷、汞、镉、粪大肠菌群等10个指标作为水质评价因子.根据BP神经网络模型对获取的数据做如下处理：将断面左中右3条垂线表层水样检测数据求算术平均值，再将数据作月平均处理；将溶解氧标准限值和溶解氧监测数据作倒数处理，使所有指标数据为升序；把粪大肠菌群的标准限值与大肠菌群监测数据除以10 000，使指标数据无量纲化. 　　1.2BP神经网络模型建立与训练 　　BP神经网络包括输入层、隐含层、输出层.工作过程分为学习期和工作期，其中，学习期分两个阶段：①正向传递：输入的信息流从输入层，经隐含层到输出层逐层处理并计算出各神经元点的实际输出值.②误差反向传播：计算网络的实际输出与训练样本期望值的误差，若误差未达到允许值，根据此误差确定权重的调整量，从后往前逐层修改各层神经元节点的连接权重.工作期是在学习期进行了大量的样本训练之后开始，该期只有输入信息的正向传播[6]. 　　学习样本的拟合值定义为水质综合指数，为提高网络训练拟合精确度，在输入的各单项水质标准限值之间和输出的水质分类级别之间按线性插值方式内插数据99个，并从中随机抽取5个作为隐含层神经元节点数目测试样本，其余作为训练样本.在水质综合指数运算之前，应先确定隐含层神经元节点数目，本文使用DPS数据处理系统软件计算，用“试错法”反复试算测试对比[8]，在BP神经网络隐含层节点试验中选出误差率最小时的隐层节点数3，其中隐含网络层数为1，最小训练速率为0.1，允许误差为0.000 001，最大训练次数为1 000. 　　1.3水质综合指数计算 　　样本学习训练完成后，输入湘江出口樟树港断面1999—2011年经过处理的溶解氧等10个水质指标监测数据，得到网络输出的水质综合指数如图1，定义水质综合指数类别判定标准为：一级（0，1），二级（1，2），三级（2，3），四级（3，4），五级（4，5）. 　　从图1看出2004—2006年出现过污染高峰期，二次出现5级以上水质；2009年以来湘江出口断面水质有所改善，最大峰值在3级以下，水质趋于好转.对1999—2011年水质综合指数作频率分布分析，得出水质综合指数大多分布在0.5～1.5之间，约占总体的57.7%；3以上的水质综合指数出现次数占整体的14.7%；水质综合指数在5以上次数占整体的1.3%，说明湘江水质总体上还是较好的. 　　2湘江出口水质季节性分析 　　2.1水质单项指数分析 　　氨氮等9个水质指标监测数据与相应的国家地表水质三级标准限值的比值，定义为水质单项指数（溶解氧指数另行定义），反映相对于国家地表水质三级标准限值水质好坏程度.受降雨量、流量以及农业耕作、部份工业企业生产等影响，水质单项指标都有一定的季节性，选取湘江出口樟树港断面3项污染较大且影响因素较为复杂的水质指标进行季节性分析. 　　2.1.2溶解氧（DO）季节性分析水体中溶解氧含量与气象参数、水温、水深及水中溶质（如其他气体、有机物或无机物）的变化有关.为便于比较，定义溶解氧指数为溶解氧国家三级标准限值与溶解氧监测数据的比值.由图3看出，1999—2011年溶解氧指数在不同时间段呈明显上升趋势，这种上升速度明显快于氨氮指数，但溶解氧指数月平均值还在1以下，且一年中溶解氧季节性变化较为平稳，水质没有超过三类水质. 　　2.1.3总氮（TN）季节性分析总