基于BP神經網絡的桃林口水庫水質預測

趙林　戴天驕　陳亮　馮琛雅　劉琦　趙明杰

摘要? 為掌握秦皇島桃林口水庫未來水質變化的狀況，選取總磷（TP）、硝酸鹽氮（NO3-N）、亞硝酸鹽氮（NO2-N）、氨氮（NH3-N）、高錳酸鹽指數(shù)（CODMn）、溶解氧（DO）和五日生化需氧量（BOD5）7項指標2008—2015年8年的實測數(shù)據作為訓練樣本，建立BP神經網絡模型對桃林口水庫出庫站2016、2017年7項水質指標進行預測，結果表明，該BP神經網絡模型預測模擬訓練后的模型預測效果良好，可以運用到桃林口水庫水質指標的預測預警系統(tǒng)中。

關鍵詞? 水質;預測;BP神經網絡;桃林口水庫

中圖分類號? X824??? 文獻標識碼? A

文章編號? 0517-6611（2019）24-0073-05

doi：10.3969/j.issn.0517-6611.2019.24.024

Prediction of Water Quality in Taolinkou Reservoir Based on BP Neural Network Model

ZHAO Lin， DAI Tian-jiao， CHEN Liang et al

（School of Environmental Science and Engineering， Tianjin University， Tianjin 300072）

Abstract? In order to grasp the future water quality changes of Taolinkou Reservoir in Qinhuangdao， the measured parameters in 2008-2015 such as total phosphorus （TP）， nitrate nitrogen （NO3-N）， nitrite nitrogen （NO2-N）， ammonia nitrogen （NH3-N） and permanganate index （CODMn）， dissolved oxygen （DO） and five-day biochemical oxygen demand （BOD5） were selected as training samples， by establishing the BP neural network model for the Taolinkou Reservoir to predict 7 indicators of outbound station from 2016 to 2017. The results showed that the BP neural network model predicted the model after simulation training effectively and can be applied to the early-warning system of water quality index for Taolinkou reservoir.

Key words? Water quality;Prediction;BP neural network;Taolinkou Reservoir

基金項目? 河北省科技項目“水質自動監(jiān)測系統(tǒng)在地表水水庫生態(tài)安全預警中的應用研究”（17273905D）。

作者簡介? 趙林（1961—），男，黑龍江綏化人，教授，博士，從事環(huán)境科學研究。

收稿日期? 2019-05-15

水質預測是對供試水體質量作出預測，是水污染綜合防治的基礎工作。自20世紀中期開始，隨著經濟的快速發(fā)展、城市化進程的加快，水體污染問題受到廣泛的關注，對水環(huán)境質量變化趨勢進行預測分析工作愈加受到重視。常用的水質預測方法主要有水質模型、灰色系統(tǒng)理論、神經網絡等[1-6]。

在人工智能算法的迅猛發(fā)展過程中，19世紀 40 年代，人工神經網絡ANN（artificial neural networks）在水環(huán)境水質預測方面的應用進展迅速。采用人工神經網絡方法對非線性的數(shù)據進行預測時，需要較長系列的實測水質數(shù)據，其預測結果具有很高的精確度，并具有收斂速度快、預測精度較高等優(yōu)點，受到國內外專家學者們的喜愛，成為水質預測的研究重點，滿足于水質預測并被廣泛使用。

在我國，BP神經網絡在水質模擬預測方面的應用已發(fā)展得較為成熟。袁宏林等[7]基于BP神經網絡模型通過皂河上游斷面水質監(jiān)測數(shù)據來預測下游的水質變化，模型中各項水質指標的預測平均誤差均小于6%，預測結果滿足水質預測精度的要求。馬正華等[8]在太湖出入湖河流水質預測研究中建立BP神經網絡模型，將1996—2004年太湖的監(jiān)測數(shù)據作為訓練模型來預測2005年太湖的水質狀況，并對2005年太湖的水質進行評價，研究結果表明太湖水質污染狀況已經有所改善。郭慶春等[9]用MATLAB實現(xiàn)改進BP神經網絡模型，建立了長江水質COD的預測模型，模擬結果表明COD的預測值與實測值的線性相關系數(shù)高達0.991，取得了良好的預測結果。高峰等[10]利用PSO（粒子群算法）優(yōu)化BP神經網絡模型對汾河進行水質預測，預測結果表明優(yōu)化后的模型與傳統(tǒng)的BP神經網絡相比相對誤差可以減小到1.46%，預測結果更加精確。張青等[11]選取pH、溶解氧、銨態(tài)氮、硝態(tài)氮、總磷和總氮作為預測參數(shù)建立BP神經網絡模型對洪湖水質進行預測，并引入傳統(tǒng)的一元線性回歸模型和GM（1，1）灰色預測模型進行對比，最終研究表明BP神經網絡模型預測結果明顯優(yōu)于它們。琚振闖等[12]利用BP神經網絡模擬黃河內蒙古河段水質，利用上游監(jiān)測斷面COD值預測下游監(jiān)測斷面COD值，預測精度較高，平均相對誤差為5.66%。費丹[13]選取溶解氧、高錳酸鹽、生化需氧量、氨氮、總氮和總磷作為水質指標，在大伙房水庫水質預測中建立BP神經網絡模型，各項水質指標的相對誤差小于9%，獲得較好的預測效果。

該研究將秦皇島市桃林口水庫作為研究區(qū)域，建立神經網絡，以桃林口水庫2008—2015年監(jiān)測的7個水質指標（總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量）數(shù)據作為訓練樣本，預測2016、2017年的水質情況，以此驗證建立的BP神經網絡是否可行，以期為秦皇島市桃林口水庫水質預測預警研究及工作提供新思路。

1? 研究區(qū)

1.1? 桃林口水庫概況

桃林口水庫位于秦皇島市西北部，灤河支流青龍河上，于1998年建成，控制流域面積5 060 km2，總庫容8.59億m3，每年可為秦皇島市提供1.82億m3生活用水，為唐山、秦皇島地區(qū)補充農業(yè)水源5.2億m3。桃林口水庫是一座具有城市供水、農業(yè)灌溉、防洪以及發(fā)電等綜合效益的大型水利樞紐工程[14]，其水質對青龍縣乃至秦皇島市的社會穩(wěn)定和經濟發(fā)展起著舉足輕重的作用。

研究選取桃林口水庫水源站和出庫站2個監(jiān)測斷面水質指標數(shù)據建立BP神經網絡模型，利用水源站的水質指標監(jiān)測值預測出庫站水質指標值。水源站和出庫站的地理位置如圖1所示。

1.2? 研究數(shù)據

樣本集數(shù)據來源于2008—2017年10年對桃林口水庫水質監(jiān)測的資料，對總磷（TP）、硝酸鹽氮（NO3-N）、亞硝酸鹽氮（NO2-N）、氨氮（NH3-N）、高錳酸鹽指數(shù)（CODMn）、溶解氧（DO）和五日生化需氧量（BOD5）7項水質

指標進行預測研究。

2? 神經網絡原理和模型的建立

2.1? 數(shù)據歸一化處理

在BP神經網絡數(shù)據分析之前，通常需要將數(shù)據歸一化，利用歸一化后的數(shù)據進行數(shù)據分析。不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據分析的結果，為了消除指標之間的量綱影響，需要進行數(shù)據歸一化處理，以解決數(shù)據指標之間的可比性，各指標處于同一數(shù)量級，以防某些數(shù)值低的特征被淹沒，一般要求輸入數(shù)據的值最好在0～1。原始數(shù)據經過數(shù)據歸一化處理后，各指標處于同一數(shù)量級，適合進行綜合對比評價，處理方法如下。

訓練數(shù)據的輸入數(shù)據的歸一化：

[iputn，inputps]=mapminmax（input_train）;

訓練數(shù)據的輸出數(shù)據的歸一化：

[outputn，outputps]=mapminmax（output_train）。

2.2? 輸入變量與輸出變量的選擇確定

秦皇島桃林口水庫水源站和出庫站2個監(jiān)測斷面2008年1月—2015年12月總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據變化趨勢分別見圖2。

由圖2水源站和出庫站總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據變化趨勢可知，水源站和出庫站的水質指標監(jiān)測數(shù)據變化趨勢均為非線性函數(shù)，難以用數(shù)學方法建模來逼近只有一個時間變量的非線性函數(shù)，可以利用BP神經網絡來表達這些非線性系統(tǒng)。

該研究樣本數(shù)據集選取2008—2015年桃林口水庫水質監(jiān)測項目中的7項指標（總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據）作為訓練集，2016年和2017年的7項水質指標數(shù)據作為驗證集。將水源站監(jiān)測斷面的總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據作為輸入變量，出庫站監(jiān)測斷面的總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據作為輸出變量，對7項指標進行預測。

2.3? 網絡層數(shù)和隱含層的確定

根據Kolmogorov定理“對于具有一個隱層的3層BP神經網絡，有足夠多的隱節(jié)點數(shù)，就可以實現(xiàn)對任意非線性函數(shù)的逼近”[15]，并且三層BP神經網絡結構可以提高網絡學習速度，而過于復雜的網絡結構意味著過多的參數(shù)和模型精度的降低，所以該研究選擇隱含層數(shù)為1的3層BP神經網絡。

該研究中輸入層和輸出層分別為水源站和出庫站7項指標值（總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量值），輸入層和輸出層神經元數(shù)都為7。

根據Komogorov定理和Hecht-Nielsen理論確定隱含層節(jié)點數(shù)為3～12，通過試錯法，選擇訓練次數(shù)最少并且誤差最小對應的神經元數(shù)，最終確定的隱含層節(jié)點數(shù)為10。故該研究的BP神經網絡的拓撲結構最終確定為7∶10∶7，結構如圖3所示。

2.4? 選擇算法

程序的實現(xiàn)基于MATLAB環(huán)境，對選定的樣本進行學習訓練。建立的BP神經網絡模型的參數(shù)設定如下，訓練函數(shù)采用的是自適應學習率動量因子梯度訓練法，輸入層與隱含層之間的傳遞函數(shù)為對數(shù)S型函數(shù)logsig，隱含層與輸出層之間的傳遞函數(shù)是正切S型函數(shù)tansig。BP神經網絡模型程序的表達式為：

最大迭代次數(shù)：net.trainParam.epochs=5 000;

期待誤差：net.trainParam.goal=0.000 1;

學習速率：net.trainParam.lr=0.000 1;

學習目標：net.trainParam.goal=0.000 04。

3? 模型預測及分析

采用已經訓練好的BP神經網絡模型對桃林口水庫出庫站2016年和2017年的7項指標（總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據）進行預測，水質模型計算結果實測值和BP神經網絡預測值的對比如圖4所示，7項指標（總磷、硝酸鹽氮、亞硝酸鹽氮、氨氮、高錳酸鹽指數(shù)、溶解氧和五日生化需氧量的監(jiān)測數(shù)據）的線性回歸方程如圖5～11所示，訓練及預測檢驗結果如表1所示。

由圖4可知，BP神經網絡模型對于各項水質指標預測值和實測值的重合度是較高的，趨勢一致，偶有偏差，但是從整體上的趨勢可以看到重合度很高，BP神經網絡模型對各項水質指標的擬合結果較為理想。

該研究以5個評價參數(shù)來分別評估該BP神經網絡模型的效能：R2、r、RMSE、NSE和Pearson相關系數(shù)。

RMSE：均方根誤差，是預測值與實測值偏差的平方和與監(jiān)測次數(shù)n比值的平方根，是用來衡量預測值和實測值之間的偏差。

RMSE=（Xi-i）2n（1）

式中，Xi為實測值（mg/L）;i為BP神經網絡模型預測得到的預測值（mg/L）。

NSE：納什效率系數(shù)，一個用于評價模型質量的評價參數(shù)，常用于水文領域模型的效能評價。NSE取值為負無窮至1，NSE接近1，表示模型質量好，模型可信度高;NSE接近0，表示模擬結果接近實測值的平均值水平，即總體結果可信，但過程模擬誤差大;NSE遠遠小于0，則模型是不可信的。

NSE=1-Tt=1（Qt0-Qtm）2Tt=1（Qt0-0）2（2）

式中，Q0為實測值;Qm為BP神經網絡模型預測得到的預測值;Qt為第t時刻的實測值;0為實測值的總平均。

由圖5～11可知，判斷系數(shù)R2均在0.70之上，總磷、硝酸鹽、亞硝酸鹽、氨氮和溶解氧的判斷系數(shù)R2均在0.90以上;相關系數(shù)r均在0.84以上，總磷、硝酸鹽、亞硝酸鹽、氨氮和溶解氧的相關系數(shù)r均在0.98以上，說明模擬值和實測值具有較好的相關性，氨氮和五日生化需氧量的實測值和預測值相關性略低。由表1可知，總磷、亞硝酸鹽、氨氮、溶解氧和五日生化需氧量預測值的RMSE值都小于0.1，硝酸鹽和高錳酸鹽預測值的RMSE值都小于0.2;總磷、硝酸鹽、亞硝酸鹽、高錳酸鹽、溶解氧和五日生化需氧量預測值的NSE值都大于0.99，氨氮預測值的NSE大于0.90，表示模型質量好，模型可信度高;利用SPSS求得各項水質指標實測值和預測值的Pearson相關系數(shù)，結果表明各項指標的實測值和預測值在置信度為0.01時相關性皆是顯著的。

5項評價參數(shù)R2、r、RMSE、NSE和Pearson相關系數(shù)的計算結果都表明該BP神經網絡模型的各項指標的預測結果完全符合水質預測的要求。這說明該文建立的BP神經網絡水質預測模型可以對桃林口水庫水質進行有效預測。

4? 結論

該文選取秦皇島市桃林口水庫2008—2017年水源站7項水質指標數(shù)據作為輸入變量，出庫站7項水質指標作為輸出變量。利用2008—2015年8年的水質數(shù)據作為訓練樣本，建立BP神經網絡模型，預測模擬2016、2017年出庫站水質情況。

將2016年和2017年出庫站水質指標的預測值和實測值對比，判斷系數(shù)R2均在0.70以上，相關系數(shù)r均在0.84以上，RMSE值都小于0.2，NSE均大于0.9，Pearson相關系

數(shù)均大于0.84。結果表示，經BP神經網絡模型預測模擬訓練后的模型預測效果良好。由此可知該文建立的基于BP神經網絡的桃林口水庫水質預測模型可以用于對桃林口水庫水源站水質7項指標進行預測，在實際應用的過程中，可以用于桃林口水庫水質指標變化的預警系統(tǒng)中，但BP神經網絡模型模擬預測仍有不足之處，由于模型受到本身復雜程度等方面的限制，無法對水質變化的原因進行有效分析，有待日后對其和水質指標變化的因素等進行進一步的研究。

參考文獻

[1]MA X X，SHANG X，WANG L C，et al.Innovative approach for the development of a water quality identification index—a case study from the Wen-Rui Tang River watershed，China[J].Desalination and water treatment，2015，555（5）：1400-1410.

[2]孫兆兵，王保良，冀海峰，等.基于概率組合的水質預測方法[J].中國環(huán)境科學，2011，31（10）：1657-1662.

[3]袁從貴.最小二乘支持向量回歸及其在水質預測中的應用研究[D].廣州：廣東工業(yè)大學，2012.

[4]劉雙印.基于計算智能的水產養(yǎng)殖水質預測預警方法研究[D].北京：中國農業(yè)大學，2014.

[5]李如忠.水質預測理論模式研究進展與趨勢分析[J].合肥工業(yè)大學學報（自然科學版），2006，29（1）：26-30.

[6]梁楠.基于人工神經網絡的水質預測及 MATLAB 實現(xiàn)[D].西安：長安大學，2007.

[7]袁宏林，龔令，張瓊華，等.基于BP神經網絡的皂河水質預測方法[J].安全與環(huán)境學報，2013，13（2）：106-110.

[8]馬正華，王騰，楊彥，等.BP神經網絡模型在太湖出入湖河流水質預測中的應用[J].計算機應用與軟件，2013，30（11）：172-175.

[9]郭慶春，郝源，李雪，等.BP神經網絡在長江水質COD預測中的應用[J].計算機技術與發(fā)展，2014，24（4）：235-238，242.

[10]高峰，馮民權，滕素芬.基于PSO優(yōu)化BP神經網絡的水質預測研究[J].安全與環(huán)境學報，2015，15（4）：338-341.

[11]張青，王學雷，張婷，等.基于BP神經網絡的洪湖水質指標預測研究[J].濕地科學，2016，14（2）：212-218.

[12]琚振闖，王曉，弓艷霞.基于BP神經網絡的黃河水質預測研究[J].青海大學學報，2017，35（3）：88-92，102.

[13]費丹.大伙房水庫水質的BP神經網絡模擬預測[J].水資源開發(fā)與管理，2018（2）：30-33.

[14]何長寬，宋寶生.桃林口水庫一期工程對秦皇島市城市用水的作用[J].河北水利水電技術，1999（1）：24-25.

[15]HECHT-NIELSEN R.Kolmogrovs mapping neural network existence theorem[C]//Proceedings of the international conference on Neural Networks.New York：IEEE Press，1987.