基于两种方法对比的沛沿河水质综合评价

苑腾飞，刘　杰，徐　园

（1.三峡大学土木与建筑学院，湖北 宜昌　443002；2.天津大学建筑工程学院，天津　300072）

基于两种方法对比的沛沿河水质综合评价

苑腾飞1，刘杰1，徐园2

（1.三峡大学土木与建筑学院，湖北 宜昌443002；2.天津大学建筑工程学院，天津300072）

摘 要：沛沿河水质的稳定达标直接关系到南水北调江苏段出境水质的好坏，对其进行水质综合评价尤为重要。根据沛沿河李集桥断面监测数据，分别采用模糊综合评价法、BP神经网络法，对徐州沛沿河进行水质评价。模糊综合评价法的结果显示，2009—2014年水质分别为Ⅳ、Ⅳ、Ⅳ、Ⅳ、Ⅳ、Ⅲ类；BP神经网络法的结果显示，2009—2014年水质分别为Ⅲ、Ⅲ、Ⅳ、Ⅳ、Ⅳ、Ⅲ类。沛沿河的水质逐渐好转，但效果不明显，应当采取进一步措施对其进行治理。分析表明：BP人工神经网络由于其自身的缺点导致评价结果较为乐观，模糊综合评价法能更好地反映水体的实际情况，可更好地为水环境保护提供科学依据。对比两种评价方法的优缺点，建议当评价结果重点体现各个评价因子对水质的影响时，选用模糊综合评价法；当数据量较大且需突出局部影响时，建议采用BP人工神经网络法。

关键词：模糊综合评价法；BP人工神经网络；水质综合评价；沛沿河

1　前言

监测数据显示，我国七大水系的197条河流布设的408个监测断面中，IV类、V类、劣V类水质分别占23%、5%、26%，在27个国家直接控制的重点湖里IV类、V类、劣V类水质分别占4%、19%、48%。徐州地处南水北调东线工程的中部，其水污染的控制对保证南水北调工程水质具有重要意义。客观科学的水质评价对于水资源规划及水污染防治尤为关键。目前，水质评价主要采用的方法有指数评价法、基于模糊理论的评价法、基于灰色系统理论的评价法、基于人工神经网络的评价法、基于统计理论的主成分分析法。模糊综合评价法具有结果清晰、系统性强的特点，能很好地解决模糊、难量化的问题，适合用以解决各种非确定性问题，客观反映水质现状［1，2］。BP人工神经网络是根据误差反传算法而来的，使用广泛［3，4］。笔者以徐州沛沿河为研究对象，选取李集桥断面实测资料，运用模糊综合评价法和BP人工神经网络法进行综合评价，为沛沿河水污染治理提供理论依据。

2　研究方法

2.1模糊综合评价法

2.1.1隶属度函数的确定

因子集和评价集给定后，各污染指标和评价标准之间的模糊关系可以用模糊关系矩阵R表示:

根据模糊关系的定义，rij表示第i种污染因子的水质数值可以被评为第j级水质的可能性，即i对j的隶属度。

2.1.2评价因子权重的计算

评价因子的权重Wi计算公式为:

式中:ui为评价因子实际监测值；vij为《地表水环境质量标准》中分类临界点取值。

对计算得出的Wi进行归一化处理，归一化权重集W的计算公式为:

2.1.3综合隶属度的确定

在确定模糊关系矩阵R和权重集W之后，即可以确定综合隶属度S:

确定综合评价集后，就可以根据最大隶属度原则判断水质的级别。

2.2BP神经网络法

设输入层i节点输出为Ii，输入层i节点与隐含层j节点之间有连接权值为ωji，隐含层j节点的阈值为θj，中间层j节点和输出层k节点之间有连接权值Vkj，输出节点阈值为γk。在信息的正向传播过程中，隐含层与输出层节点都经过Sigmoid激活函数作用，随后输出结果。

（1）参数初始化。开始赋予网络初始状态的各层节点的连接权值ωji、Vkj与θj、γk为（-1，1）之间随机小数。

（2）在输入层输入第1个样本信号。

（3）隐含层节点输出Hj计算。其计算公式为:

式中:ωji为输入层与输出层连接权值；Ii为输入层输出值；θj为隐含层阈值。

（4）输出层节点输出Ok计算。其计算公式为:

式中:Vkj为中间层与输出层连接权值；γk为输出节点阈值。

（5）输出层的输出误差δk计算。其计算公式为:

式中:Tk为样本期望输出；Ok为样本经网络学习后的实际输出。

（6）隐含层误差σj计算。其计算公式为:

（7）输出层节点阈值γk和连接权Vkj的修正。其计算公式分别为:

式中:α、β为学习参数，一般取0.2～0.5，下同。

（8）连接权值ωji和隐含层阈值θj的修正。其计算公式分别为:

式中:ω'ji为修正后的连接权值；θ'j为修正后的隐含层阈值。

（9）取下一样本为输入信号，重复学习过程。当所有样本学习完毕，计算样本均方误差E。其计算公式为:

当E满足精度λ时，则学习结束；否则更新学习次数，重复上述步骤，直至精度满足要求。

笔者采用比例压缩法，归一化公式为:

式中:Tmax，Tmin分别为水质数据的最大值和最小值；Xmax，Xmax分别为目标数据的最大值和最小值，这里取Tmax=0.9，Tmin=0.1。

3　沛沿河水质评价

采用沛沿河李集桥断面2009—2014年水质监测结果，选取溶解氧（DO）、五日生化需氧量（BOD5）、化学需氧量（COD）、氨氮、总磷、砷、六价铬7项指标（见表1），分别采用模糊综合评价法和BP人工神经网络法对沛沿河水质进行评价。

表1　沛沿河李集桥断面2009—2014年水质监测结果mg/L

3.1　模糊综合评价结果及分析

此次评价选取的因子有7个，故因子集为U= ｛DO，BOD5，COD，氨氮，总磷，砷，铬｝，相对应的评价集为V=｛v1，v2，v3，v4，v5，v6，v7｝。结合式（2）先计算指标权重，再运用式（3）进行归一化处理，最后采用式（4）计算综合隶属度，计算结果见表2。

表2　综合隶属度计算结果

选取表2中各个年份隶属度最大值对应的类别作为该年水质的类别，得到结果见表3。

表3　经模糊综合评价法评价的各年份水质类别

结果分析如下:从2009、2010年的水质监测数据看，大多数指标较乐观，但COD情况较差属Ⅳ类，运用模糊综合评价法确定2009、2010年为Ⅳ类水符合单因子评价情况；从2011、2013年的水质监测数据看，只有总磷1项指标属Ⅳ类，经过综合隶属度计算后确定其为Ⅳ类水；2012年氨氮1项指标导致其属于Ⅳ类水。2014年指标最差的COD、氨氮和总磷均属Ⅲ类，其他指标较优，因此总体上属Ⅲ类水。从总的趋势来看，沛沿河水质在逐渐变好，但是变化幅度较慢，个别指标较差严重影响水质，需要针对具体问题采取措施。

3.2BP人工神经网络评价结果

3.2.1网络层数的确定

（1）输入层。输入层神经元等于水质评价因子数量，本研究选取溶解氧、五日生化需氧量、化学需氧量、氨氮、总磷、砷、六价铬7个指标作为沛沿河水质评价因子，因此输入层神经元数为7。

（2）输出层。输出层为水质评价的结果。根据《地表水环境质量标准》（GB3838-2002），将地表水环境质量分为五类，本研究依次用0.1、0.3、0.5、0.7、0.9表示，输出层选用1个神经元。

（3）隐含层节点数。经计算，确定隐含层节点数为4。

设计网络模型结构，如图1所示。

图1　设计网络模型结构

3.2.2学习训练

本研究应用MATLAB数值计算软件中Neural Networks Toolbox提供的L-M算法进行训练。期望（这里指人为规定的误差精度，该算法中术语）指定为10-7，经过13次训练后满足误差要求。权值及阈值见表4，BP神经网络法各年份对应输出值及水质类别见表5。

结果分析如下:BP神经网络计算结果显示2009—2014年沛沿河的水质为Ⅲ、Ⅲ、Ⅳ、Ⅳ、Ⅳ、Ⅲ类，与模糊评价法所得结果有些许出入。以2009年为例，模糊评价法COD指标属于劣Ⅳ类，而BP神经网络法却为Ⅲ类，这是由于人工神经网络在网络训练时只是采用标准值，没有特殊考虑污染较严重的指标，导致评价结果过于乐观。

表4　　权值及阈值

表5　BP神经网络法各年份对应输出值及水质类别

4　结果对比及建议

经分析比较得出，模糊综合评价法能更好地反映水体的实际情况，可更好地为水环境保护提供科学依据。BP神经网络由于其自身存在的非线性优化、过拟合、遗忘旧样本等缺点导致评价结果较为乐观，其评价结果有待于进一步优化。此外，从评价结果看，沛沿河水污染情况在2009—2014年间有所好转，但改善趋势并不明显，需进一步加强治理。

结合两种评价方法的优缺点，建议当评价结果重点体现各个评价因子对水质的综合影响时，选用模糊综合评价法；当数据量较大且需突出局部影响时，建议采用BP人工神经网络法。

参考文献

［1］刘沛灵.三岔湖水质评价及污染物防治对策研究［D］.成都:四川师范大学，2012.

［2］万金保，李媛媛.模糊综合评价法在鄱阳湖水质评价中的应用［J］.上海环境科学，2007（5）:215-218.

［3］李晶.基于人工神经网络的黄河宁夏段水质评价研究［D］.银川:宁夏大学，2013.

［4］陈怡.基于BP神经网络的成都市中心城区三河水质评价研究［D］.成都:西南交通大学，2012.

中图分类号：X824

文献标识码：A

文章编号：1004-7328（2016）02-0053-04

DOI:10.3969/j.issn.1004-7328.2016.02.018

收稿日期：2016—01—15

基金项目：国家自然科学基金面上项目（51579138）；湖北省自然科学基金资助项目（2014CFB673）；三峡大学拔尖人才计划项目（KJ2014H012）

作者简介：苑腾飞（1991—），男，硕士研究生，主要研究方向为边坡稳定性分析方面。

Comprehensive Assessment of Peiyan River Water Quality Based on
the Comparison of Two Methods

YUAN Teng-fei1，LIU Jie1，XU Yuan2
（1.Civil Engineering and Architecture Faculty of Three Gorges University，Yichang 443002，China；2.School of Civil Engineering of Tianjin University，Tianjin 300072，China）

Abstract：The water quality of Peiyan River directly influences the exit water of Jiangsu section.Thus water quality comprehensive evaluation is particularly important.According to monitoring data of Peiyan River Li Jiqiao section，the water quality of Peiyan River is evaluated with fuzzy comprehensive evaluation method and BP Neural network method.The result of fuzzy comprehensive evaluation method shows that water quality are respectivelyⅣ，Ⅳ，Ⅳ，Ⅳ，Ⅳ，Ⅲfrom 2009 to 2014；the result of BP Neural network method shows that water quality are respectivelyⅢ，Ⅲ，Ⅳ，Ⅳ，Ⅳ，Ⅲfrom 2009 to 2014.The quality of the water is gradually improving，but the effect is not obvious.Further measurements should be taken to control the pollution.Analysis shows that due to its own shortcomings，the result of BP Neural network method lead to be more optimistic.While the result of fuzzy comprehensive evaluation method can better reflect the actual situation of water body，and provide scientific basis for water environment protection.Comparing the advantages and disadvantages of the two kinds of evaluation method，suggest that when the evaluation results need to reflect each evaluation factor's influence on water quality，fuzzy comprehensive evaluation method should be chosen；when the amount of data is large and local influence is outstanding，BP Neural network method is better.

Key words：fuzzy comprehensive evaluation method；BP neural network method；comprehensive evaluation of water quality；Peiyan River