基于人工神經網絡的巢湖流域水體總磷和總氮預測

曹泓 儲政勇 李臻

摘 要：本文提出了一種基于人工神經網絡的巢湖流域水體總磷和總氮的預測模型，可以預測出水體中總磷和總氮的濃度，有利于巢湖流域水體富營養化的治理，節省了水質監測的成本;該模型使用易于測量且和總磷、總氮密切相關的水質指標作為輸入，利用巢湖流域歷史水質數據進行人工神經網絡的訓練、測試和驗證。結果表明，人工神經網絡可以有效的預測水體的總磷和總氮濃度。

關鍵詞：人工神經網絡;總磷;總氮;水質預測

1 概述

巢湖是我國第5大淡水湖，隨著周邊經濟發展和人口的增長，水體出現富營養化，總磷和總氮等指標達到劣V類標準。[1]在對水體的富營養化進行評價時，總磷和總氮是重要的水質指標，目前通常的測定方法有分光光度法和離子色譜法等，需要經過采樣、實驗室處理和結果分析等步驟，存在著分析時間長、需要消耗試劑以及產生二次污染等缺點。但是水體中的溫度、濁度、電導率、PH和溶解氧等參數，通過在線水質檢測儀，很容易進行測量。人工神經網絡是一種常用的非線性模式識別建模方法，可以在輸入變量和輸出變量之間建立非線性的映射模型，而且在映射過程中能夠并行分布處理和自適應學習，在人工智能和模式識別等領域都得到了廣泛的應用。本研究利用水體中檢測成本低且方便的參數，通過人工神經網絡建立水體總磷和總氮預測模型，為巢湖流域的水體富營養化監測和治理提供了新的方法和依據。

2 基于人工神經網絡的水體總磷和總氮預測

基于人工神經網絡的水體總磷和總氮預測，包含4個部分，數據采集、輸入變量選擇、數據預處理、人工神經網絡模型訓練等。[2]

步驟（1）數據采集，從巢湖管理局環境保護監測站獲取了巢湖流域2018年1月至2019年3月份的水質數據650條，監測指標包括了《國家地表水環境質量標準》（GB3838-2002）規定的24項基本監測項目，代表了水體的化學、物理和生物特性。

步驟（2）輸入變量選擇，水體的物理、化學和生物特性是相互影響、相互關聯的，因此，需要篩選出合適的水質參數作為模型的輸入變量，[3]使用以下兩個標準作為篩選的主要依據：第一是計算水質參數和總磷、總氮在統計學上的相關系數，相關系數表示輸出參數和輸入參數的相關性;第二是從檢測方法上來說，選取比總磷和總氮更容易檢測的指標。通過初步篩選對水質參數進行排名，然后利用人工神經網絡模型對輸入變量進行再次篩選，當訓練模型產生的決定系數（R2）大于0.7時，相應的水質參數作為模型的輸入變量。

步驟（3）數據預處理，人工神經網絡的輸入數據在分析之前，需要將數據標準化，利用標準化后的數據進行分析，輸入變量處于同一數量級，使網絡能夠快速收斂。

步驟（4）人工神經網絡模型訓練，本研究使用前向反饋神經網絡進行訓練，需要確定輸入層、輸出層、隱含層和連接權重，輸入層的節點數由輸入變量決定，輸出層的節點數由需要預測的水質指標總氮和總磷確定，通常隱含層的節點數只能借助學者給出的經驗公式并進行多次試驗得以確定，本研究利用“進退法”算法快速確定隱含層節點數;[4]為了滿足建模的需要，將數據集劃分為訓練集、驗證集和測試集，其中訓練集占總數的1/2，驗證集和測試集分別占1/4，使用Matlab工具箱進行建模;常用的模型評價指標包括決定系數（R2）、建模均方根誤差（RMSEC）和預測均方根誤差（RMSEP）。預測模型的R2較大并且RMSE值較小表明預測效果好，反之表示模型的預測效果較差。

3 結論

本文提出了一種基于人工神經網絡的巢湖流域水體總磷和總氮的預測模型，可以預測出水體中總磷和總氮的濃度，有利于巢湖流域水體富營養化的治理，節省了水質監測的成本。

參考文獻：

[1]龔文娟.巢湖流域縣河污染物來源特征分析.安徽農業科學，2019（08）：73-76.

[2]曹泓.紫外可見光譜的水產養殖水體有機物濃度快速檢測研究.光譜學與光譜分析，2014.34（11）：3015-3019.

[3]Ruben，G.and A.Y.Boakye.Prediction of Total Phosphorus Using an Artificial Neural Network.2016.

[4]孫弋清.基于進退法的神經網絡隱含層節點數的確定方法.現代商貿工業，2018.39（35）：197-199.