預測-綜合指標評價模型在河流健康評價中的應用
----以江蘇省骨干河流健康評價為例

徐 昕，陳青生，董 壯，賈東遠

(1．河海大學水利水電學院，南京 210098；2.教育部陸地-水域交界帶仿真實驗室，南京 210098)

0 引 言

河流生態系統是指河流水體的生態系統，是陸地與海洋聯系的紐帶，在生物圈的物質循環中起著重要作用。近年來大量水利工程的建設，嚴重影響著天然河流的水文地貌條件，并對河流及其周邊生態環境造成巨大影響，隨著生活條件的不斷改善和對河流健康重要性認識的提高，人們對河流綜合功能的實現提出了越來越高的要求，為了實現經濟社會可持續發展、人與自然和諧共處，以及充分發揮河流的生態、經濟、娛樂等價值，研究如何對河流健康進行評價具有重要的理論和現實意義。

當前河流健康的研究工作主要著眼于評價方法的研究。眾多研究人員提出制定評價準則和標準的迫切性，以開展河流健康的評價工作，遺憾的是至今還沒有對評價標準和評價方法有一個理想的、統一的共識[1]，其中評價方法大致分成兩個方面，一方面分類依據主要體現在人的主觀能動性和客觀事實性，即主觀分析法和客觀分析法，主觀分析法主要包括：層次分析法、理性區間法、模糊層次分析法等，客觀分析法主要包括：熵值法、主成分分析法、人工神經網絡算法等；另一方面主要體現在評價原理的不同，即預測模型法和多指標綜合評價法；預測模型法主要對在原始資料缺失的情況下對河流的健康體系進行預測評價，代表性的是神經網絡算法；多指標綜合評價法即綜合評價，多采用層次分析、模糊層次分析法、德爾菲法等。由于神經網絡算法可以最大程度地挖掘和探索原始數據信息，鑒于河流健康評價的復雜性和廣泛性，可以掌握和利用的原始數據畢竟有限，神經網絡算法采用內插法構造網絡訓練樣本，將河流健康分級評價標準值作為“預測”樣本進行“預測”，對已有的原始數據作為訓練的樣本進行多次訓練，以此尋求原始數據中隱藏的各評價因子的貢獻度大小，通過對與河流健康相關的多個單一指標的原始數據進行收斂計算，即可輸出河流總體健康的評價數值。訓練函數對數據具有一定的敏感性和記憶性，通過訓練后獲得訓練函數，在取得其他河流的實際原始數據后，即可代入趨于穩定后的訓練函數，以此對江蘇省整體河流的健康狀況進行預測評價，但是神經網絡算法會出現不穩定性，并且當前用于預測的神經網絡函數較多，無法真正辨別適應于江蘇省河流健康的訓練函數。多指標綜合評價通過綜合分析，依據專家咨詢意見確立評價指標權重，計算過程簡便且穩定，但是不同于預測模型法的是，多指標綜合評價方法由于人的主觀臆斷性易產生系統偏差。本文嘗試結合預測模型法和多指標綜合評價法，提出了預測-綜合指標評價模型，此評價模型由3種預測模型和3種多指標綜合評價方法組成，即先應用此模型對具有流域代表性的部分骨干河流的健康進行探索性評價，通過比對預測模型法和多指標綜合評價的結果，選取與多指標綜合評價結果相似度最高的預測函數作為最適用于江蘇省河流的預測訓練函數，最后應用此精簡后的模型對江蘇省整體河流的健康狀況進行評價和預測，并取得了良好的效果。

1 江蘇省河流健康評價模型

江蘇境內河流縱橫，湖泊眾多，其中主要河流727條，大于0.5 km2的湖泊共計137個，水域面積占全省國土面積的16.91%。得天獨厚的江河湖泊資源，是江蘇最大的自然資源和發展優勢[2]。隨著城鎮化、工業化進程的快速推進，河流生態環境問題日趨突出，尤其是太湖藍藻集中爆發而引發的無錫供水危機，深刻地警示我們，加強河湖管理，維護河湖健康生命，保障水資源可持續利用，儼然已經成為全社會一項重要而又緊迫的任務。

根據《湖泊健康評估指標、標準與方法(試點工作用)》、《環境影響評價技術導則與標準》等已有的國家、行業、地方或國際標準，首先應構建河流健康評價指標體系，鑒于河流健康評價的多樣性與復雜性，利用層次分析建立梯級層次結構評價指標體系，如表1，目標層為江蘇省河流健康評價，準則層分為自然屬性和社會效益兩個方面，指標層包含11個詳細指標：河岸帶狀況(RS)、河流連通阻隔(RFC)、生態流量滿足程度(EF)、河流水質綜合指數(WQ)、岸坡植被結構完整性(SVS)、河流生物多樣性(AL)、防洪工程達標率(FLD)、岸線利用管理(SUM)、公眾滿意度(PP)、供水水量保證率(WSG)、水功能區水質達標率(WFZ)，各指標分別反映河流多層次和深層次的作用效益。

表1 江蘇省河流健康評價體系Tab.1 River Health Assessment System in Jiangsu Province

2 預測-綜合指標評價方法簡介

鑒于當前越來越繁多的評價方法，可能導致河流健康評價出現“多端寡要、好謀無決”的分極現象，所以研究出一種或者多種準確而客觀的方法系統越來越顯示其重要性和迫切性。盡管神經網絡算法受評價指標的標準取值和上下限值的影響，會出現不穩定性，但可以最大限度地克服人的主觀性；綜合指標評價方法的優點在于計算過程非常穩定，但河流健康評價因“河”而異、因“時”而異[3]，綜合指標評價法在不同河流的不同時段，均需依賴于專家的問卷意見，存在一定的主觀性和局限性。預測-綜合指標評價模型融合了神經網絡算法和綜合指標評價法的各自優勢，即配置綜合指標評價模型的校驗，預測模型會逐步趨向穩定；存在預測模型的計算，綜合指標評價模型會更為客觀準確。

在預測模型上選用BP神經網絡、徑向基神經網絡(RBF)、廣義回歸神經網絡(GRNN)3類神經元算法；在綜合指標評價模型上選用層次分析法(AHP)、網絡分析法(ANP)、模糊層次分析法(F-AHP)3類，模型運行過程如圖1所示，即先用3種神經網絡算法對河流健康進行初步評價，選取最合適該流域健康的預測評價模型，然后使用3種綜合指標評價方法進行校驗，兩者結論進行比較，留用與綜合指標評價方法數值相接近的算法，作為該流域或者區域的預測評價模型，最后對總體以及全部河流進行整體評價。這樣就可以最大限度地發揮預測模型的靈活性和通用性，與流域的基本特點和變化規律有很大程度的吻合。

圖1 預測-綜合指標評價模型流程圖Fig.1 Prediction - Comprehensive index assessment model flowchart

由于前人對層次分析法和BP神經網絡算法已有較為詳盡的研究，本文僅對其余4種子方法進行簡要介紹。

2.1 徑向基函數神經網絡(RBF)

RBF神經網絡又稱為徑向基函數神經網絡，是一類常用的三層前饋網絡，多用于函數逼近及分類[4]，常用的RBF網絡為n-h-m結構，即網絡具有n次輸入(輸入層)，h個隱節點(隱藏層)，m次輸出(輸出層)，計算的模型如圖2所示。

圖2 徑向基神經網絡模型結構Fig.2 The structure diagram of RBF

2.2 廣義回歸神經網絡(GRNN)

廣義回歸線性網絡(General regression neural network，GRNN)是由德國人Donald Specht于1991年首先提出的新型神經網絡算法[5]，由輸入層、模式層、求和層及輸出層4個層次網絡組成計算模型如圖3所示。

GRNN的主要優勢在于學習迅速，在樣本數量巨大的時候達到快速逼近，尤其在處理實時環境下的稀疏數據效果顯著。當前，該神經網絡在系統辨識和預測控制等方面得到了嘗試性的應用。GRNN神經網絡的創建需要將所有數據劃分為輸入向量、輸出向量、訓練數據和測試數據[6]。

圖3 廣義回歸神經網絡模型結構Fig.3 The structure diagram of GRNN

2.3 模糊層次分析法(F-AHP)

荷蘭學者VanLaarhoven WP在1983年首次將模糊數學應用與層次分析法相結合，提出了模糊層次分析法[7]，集層次結構、模糊數學、權衡比較于一體，在科學決策問題上卓有成效。

2.4 網絡分析法(ANP)

ANP(Analytic Network Process)，又稱網絡層次分析法，是Satty T.L.教授于1994年提出的，基于層次分析法(Analytic Hierarchy Process，AHP)發展而成的一種應用系統分析全面解決問題的方法[8]。ANP應用網絡結構替代層次結構，充分考慮各因素之間的相互影響和依存關系，與系統工程和科學決策的問題特點相符，所以ANP具有越來越廣闊的前景。

3 方法應用

本文首先評價江蘇省16條骨干河流的健康狀況，即中運河、里運河、通榆河、蘇北灌溉總渠、大沙河、北六塘河、新洋港、長江干流、新通揚運河、秦淮河、句容河、九圩港、江南運河、望虞河、張家港、大滆運河(按排序先后進行計算)，作為參比。

對于預測模型法，本文首先將評價指標進行標準化，令數據處于[0～1]范圍內，利于神經網絡對數據的快速學習，以每一指標的極限值插值得到100個訓練樣本，在每次進行評價之前，均進行3 000次學習訓練，訓練結束后，再導入河流健康指標的實際值進行模擬，即可使訓練函數對江蘇省骨干河流的原始數據存在一定的敏感性和記憶性，得出評價結論。

對于多指標綜合評價方法，本文首先建立相應的層次結構和網絡結構，AHP和F-AHP均通過MATLAB程序實現[9,10]，而ANP則借助超級決策軟件[11](Super Decisions)實現。綜合兩者評價結果形成比對表2。

表2 江蘇省骨干河流評價分值比對表Tab.2 The comparison chart of Backbone rivers evaluation scores in Jiangsu Province

預測模型法與綜合指標評價法對應的評價分值比對圖如圖4所示。

圖4 各研究子方法對應的評價分值比對圖Fig.4 The comparison figure each evaluation methods corresponding score

由圖4可知在多指標綜合評價模型的3類方法中，ANP和F-AHP的分值接近，AHP的分值誤差過大，故采用ANP和F-AHP的分值作為校驗標準，與預測模型法進行比較，通過比對分值，BP算法與多指標綜合評價方法的整體結論相差甚遠，而 RBF和GRNN算法與F-AHP和ANP的評價分值相近，故采用RBF和GRNN算法均可作為江蘇省河流健康的預測模型，由此，精簡后的模型由RBF、GRNN、F-AHP及ANP4類子方法組成，F-AHP和ANP作為校核標準方法，而RBF和GRNN作為計算標準，需要注意的是，在開始進行其他河流的評價前，必須對RBF和GRNN進行學習訓練，使預測模型趨于穩定。秦淮河和張家港處于“不健康”水平，枝源派本，秦淮河大部分在南京市境內，是南京市最大的地區性河流，隨著城市規模和逐步擴大，人類活動嚴重影響著天然河流的水文地貌條件，并對河流及其周邊生態環境造成巨大影響，水域面積和城市周邊綠地覆蓋率逐年減少，導致河流健康水平嚴重惡化；張家港的主要河流功能為排澇、供水以及航運，存在的主要問題為水功能區水質達標率和岸坡硬質化程度高。但總體而言，江蘇省骨干河流的健康狀況較為良好。

4 江蘇省河流健康狀況

河流健康評價采用分級評分法，劃分等級標準，河流健康初步分為4級，即：健康、亞健康、不健康及病態。河流健康等級如表3。

表3 河流健康評估分級表Tab.3 River Health Assessment Scale (INES)

通過對上文所述的骨干河流建立的訓練函數，并查閱大量文獻，缺漏或者無法確立的評價指標值通過變化特征插值來獲取統計，再將RBF和GRNN預測模型應用于整個江蘇省其他河流的健康評價，并取得了良好的效果，證明預測-綜合指標評價具有很強的實用性和準確性。

江蘇省整體河流健康狀況分布情況如圖5所示。

圖5 江蘇省整體河流健康狀況分布圖Fig.5 The health of the whole river in Jiangsu Province Distribution

以GRNN為例，所得結果顯示，江蘇省整體河流健康狀況達到“健康”級別的河流占38%，達到“亞健康”級別的河流占56%，“不健康”級別的河流占6%，總體上江蘇省河流處于“亞健康”(Ⅱ等)及以上狀態，“亞健康”狀態屬于“健康”和“不健康”的過渡狀態，過渡狀況下的河流的健康變化顯著、轉變敏感，在此時期，加強河湖管理、維護河湖健康生命顯得尤為重要。

5 結論與展望

(1)本文提出預測-綜合指標評價模型，分別將F-AHP、ANP、AHP、BP、RBF、GRNN共6種方法作為其構成要素。首先對江蘇境內16條骨干河流的健康進行了探索性評價，通過分值比對、優勝劣汰，選用 F-AHP、ANP、RBF、GRNN這4種方法納入預測-綜合指標評價體系來評價江蘇省整體河流的健康狀況，結果與實際情況較為接近；而AHP和BP的評價分數與其他4種方法相比相差過大，不能準確地評價河流健康，建議在江蘇省河流健康評價系統中予以淘汰。

(2)從評價方法上看，基于預測模型法的RBF和GRNN神經網絡評價結論幾乎一致，說明兩種神經網絡算法均可用于江蘇省河流健康評價，進行河流健康預測的目的在于克服資料缺失和人為主觀性，只要取得通過訓練后趨于穩定的訓練預測函數，并存在和部分存在其他河流的健康評價指標原始值，通過代入即可對其他整體河流健康狀況進行預測。尤其是在以后江蘇省內中小河流評價可以以此作為預測評價模型，建立預警系統。盡管較多研究成果提出GRNN神經網絡具有收斂速度快、預測精度高和魯棒性良好等優點，但河流健康評價應當同時考慮地方經濟發展水平的差異、流域自然環境的特點以及季節氣候的變換，因地制宜地選取河流生態修復評價的標準以及權重，即河流生態修復評價應因“河”而異、因“時”而異，所以尋求最適用于江蘇省河流及流域特點的預測模型也是關鍵性的因素，由此可知，通過多指標綜合評價的結論來篩選和檢驗預測評價方法的適用性和準確性具有重要的理論和現實意義。

預測-綜合指標評價最大程度上克服了人的主觀臆斷性，并可以準確而客觀地預測河流健康狀況，不失為河流健康評價的一類新方法。在以后的研究，應嘗試將更多方法持續納入預測-綜合指標評價模型中，以提升模型的適用性和靈活性。鑒于江蘇省整體河流健康狀況不容樂觀，因此加強河流管理至關重要，維護河流青春活力刻不容緩。

□

[1] 吳阿娜，車 越，徐啟新，等.上海地區河流健康評價方法探討[J].生態與農村環境學報，2007,23(4)：90-94.

[2] 江蘇省主要河流健康狀況報告[R].2012.

[3] 孫雪嵐，胡春宏.關于河流健康內涵與評價方法的綜合評述[J].泥沙研究,2007，(5)：74-80.

[4] 喬俊飛，韓紅桂.RBF神經網絡的結構動態優化設計[J].自動化學報，2010,36(6)：865-872.

[5] 崔東文.RBF與GRNN神經網絡模型在河流健康評價中的應用----以文山州區域中小河流健康評價為例[J].中國農村水利水電，2012,(3)：56-61.

[6] 張婭莉,喇果彥. GRNN神經網絡在信息分析預測中的應用[J].數據采集與處理，2009,24(10)：100-103.

[7] P J M Van Laarhoven WP. A fuzzy extension of Satty's priority theory[J].Fuzzy Sets and Systems.1983,3(11)：199-227.

[8] Satty T L. Fundamentals of decision marking and priority theory with the analytic hierarchy process[M]. Princeton:RWS Publications,1994:35-127.

[9] 張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2009.

[10] MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.

[11] 周振民，劉海瀅，張 青.基于ANP的河流健康評估指標體系研究[J].中國農村水利水電，2011，(9)：57-60.