模糊神經網絡在涑水河水質評價中的應用

盧莉莉

（山西省運城水文水資源勘測分局，山西運城044000）

模糊神經網絡在涑水河水質評價中的應用

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對實測數據進行歸一化處理，選取硝酸鹽氮、高錳酸鹽指數等六個評價因子，應用模糊神經網絡方法對涑水河蒲州監測斷面2010～2014年5年的水質進行了評價。結果顯示除了2010年為IV類水質，其余4年均為V類水質，水污染現象較為嚴重。

涑水河；水質評價；評價因子；模糊神經網絡

涑水河為黃河一級支流，位于山西省南部的運城盆地，發源于運城市絳縣陳村峪，向西南流經聞喜、夏縣、鹽湖、臨猗、永濟5縣（市、區），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河流。非汛期河道成為排污河道。據有關實測資料分析，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量為0.57億m3［1-2］。涑水河現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企業及城鎮廢污水的排污河，張留莊斷面各污染指標全年監測值均超過環境V類標準。

對于河流水質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中線水源區的水質進行了評價，結果表明層次分析法在水質評價中有推廣的空間；徐明德［4］等對汾河太原區段支流的水質進行了分析評價，結果表明評價對象在枯水期、平水期和豐水期的水質均不達標，多數為劣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評價中實現了模糊神經網絡的仿真模擬，證實該方法的有效性。現階段對于水質評價的試驗方法主要包括數理統計法、水質模型法、人工神經網絡法等［6-8］。相比其他方法，人工神經網絡法具有很強處理非線性問題能力數據，在水質評價和預測時具有優良容錯性和較好的自適應性能力，因此本文采用模糊神經網絡對涑水河水質進行分析評價。

1 材料和方法

1.1 數據來源

本文選取水質站基本站蒲州站作為監測站（如圖2示），根據2010～2014年5年的實測數據進行評價，在5年監測研究期間，每年3月、5月、8月、10月取樣4次，樣品采集均按照水質監測規范（地表水環境質量標準）要求進行。根據當地水質特點及污染程度，選取硝酸鹽氮、高錳酸鹽指數、化學需氧量、五日生化需氧量、總磷、總氮、氟化物、揮發酚、石油類作為評價指標。

圖2 山西省運城市2015年水質站網分布圖

1.2 模糊神經網絡模型

（1）模糊神經網絡模型是近幾年發展起來的一種新型的網絡結構，它具有模糊邏輯系統和神經網絡的優點，具有萬能逼近器的功能，物理意義明確，收斂速度快。模糊神經網絡中沒有求和節點，可用來模擬較為復雜的系統，因此得到廣泛應用。當輸入節點有3個時，其輸出為：

式中，x1，x2，x3是網絡輸入，i，，是隸屬度函數，p0，p1，p2，p3，是系數。

（2）模糊神經網絡學習算法

模型神經網絡根據網絡輸出和期望輸出的誤差來修正系數和隸屬函數參數，從而使模糊神經網絡輸出不斷逼近真實輸出，其學習修正算法如下所示：

①系數修正

②參數修正

（3）模糊神經網絡模型構建

構建模糊神經網絡模型進行水質評價主要分為以下三個部分，如圖3所示。

圖3 模糊神經網絡水質評價總體結構

2 結果和討論

2.1 評價因子分析

本研究選擇涑水河蒲州站監測斷面2010～2014年5年的實測數據，選取了硝酸鹽氮、高錳酸鹽指數等作為評價指標。運用MATLAB軟件里的mapminmax命令對實測數據進行歸一化處理，得到標準化后的矩陣。然后對其結果進行KMO檢驗和Bartlett檢驗［9］，結果如表1所示。通過比較各變量間簡單相關系數和偏相關系數的大小判斷變量間的相關性，相關性強時，偏相關系數遠小于簡單相關系數，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，結果顯示適合做因子分析。

表1 KMO和Bar tlett檢驗結果

通過因子分析，得到因子方差貢獻率及各因子得分系數，結果如表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。結合表2和表3，可得到各評價指標的權重，如表4。從表4可以看出，總氮、高錳酸鹽指數、五日生化需氧量、硝酸鹽氮、化學需氧量、揮發酚占到了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

表4 各因子所占權重

2.2 模糊神經網絡在水質評價中的運用

模糊神經網絡在水質評價的應用中，采用的訓練樣本是水質評價中分級標準，采用了等隔均勻分布方式內插標準數據表生成樣本的方式來生成樣本集，從Ⅰ類到劣Ⅴ類水質相鄰等級生成200組數據，共1000組，隨機抽取900組作為訓練樣本，剩余的100組為監測樣本。評價等級的劃分界限為評價結果小于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。

本文采用神經網絡評價2010～2014年蒲州站水質，由于評價數據有六項，因此設置網絡輸入節點數為6，輸出節點數為1。根據公式（1）得到神經網絡的輸出，通過比較輸出值與期望值，調整相關系數值，依次訓練200次，最終得到網絡訓練結果如圖4左所示，并用監測樣本對網絡進行監測，結果如圖4右所示。

用訓練好的神經網絡對涑水河2010～2014年的蒲州站水質進行評價，得到評價結果如圖5。從圖5可以看出，在2010～2014年這五年中，除了2010年水質為IV類水，其余4年均為V類水質，水污染現象還是較為嚴重。

3 結語

本文應用模糊神經網絡對涑水河蒲州水質監測站2010～2014年水質進行評價，得到以下結論。

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

（2）用訓練好的神經網絡對監測站2010～2014年水質進行評價，結果表明除2010年為為IV類水，其余4年均為V類水質。

圖4 模糊神經網絡訓練模擬過程

圖5 模糊神經網絡訓練模擬過程

［1］孫甲嵐，雷曉澤，蔣云律，等.河流生態需水量研究綜述［J］.南水北調與水利科技，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中線水源區的水質評價［J］.生態學報，2008，28（04）：1810-1819.

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

［5］周燕，王里奧.模糊神經網絡在重慶市飲用水原水水質評價中的應用［J］.三峽環境與生態，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.人工神經網絡水質預測模型研究［J］.內蒙古大學學報（自然科學版），2006，37（06）：703-707.

［8］袁宏林，龔令.基于BP神經網絡的皂河水質預測方法［J］.安全與環境學報，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。