模糊神经网络在涑水河水质评价中的应用

卢莉莉

（山西省运城水文水资源勘测分局，山西运城044000）

模糊神经网络在涑水河水质评价中的应用

卢莉莉

（山西省运城水文水资源勘测分局，山西运城044000）

本文运用MATLAB对实测数据进行归一化处理，选取硝酸盐氮、高锰酸盐指数等六个评价因子，应用模糊神经网络方法对涑水河蒲州监测断面2010～2014年5年的水质进行了评价。结果显示除了2010年为IV类水质，其余4年均为V类水质，水污染现象较为严重。

涑水河；水质评价；评价因子；模糊神经网络

涑水河为黄河一级支流，位于山西省南部的运城盆地，发源于运城市绛县陈村峪，向西南流经闻喜、夏县、盐湖、临猗、永济5县（市、区），入伍姓湖后于永济市独头村附近注入黄河，全长195km，流域总面积5774km2。涑水河属北方间歇性季节河流。非汛期河道成为排污河道。据有关实测资料分析，平均清水流量0.274亿m3，平均含沙量为7.66kg/m3，年输沙量为21万m3，污水流量一般为1～2m3/s，最大达到5m3/s。按照1956～2000年系列的水资源评价成果，涑水河分区的水资源总量为5.82亿m3，其中，地表水资源量1.83亿m3，地下水资源量4.56亿m3，地表水与地下水重复量为0.57亿m3［1-2］。涑水河现已成为山西省污染最为严重的河流之一。由于上游来水量减少，中下游河道间歇性断流，基本成为接纳沿河两岸工业企业及城镇废污水的排污河，张留庄断面各污染指标全年监测值均超过环境V类标准。

对于河流水质评价方面的研究已有很多，庞振凌［3］等运用层次分析法对南水北调中线水源区的水质进行了评价，结果表明层次分析法在水质评价中有推广的空间；徐明德［4］等对汾河太原区段支流的水质进行了分析评价，结果表明评价对象在枯水期、平水期和丰水期的水质均不达标，多数为劣V

图1 涑水河流域水系概化图

类标准；周燕［5］等在重庆市饮用水原水水质评价中实现了模糊神经网络的仿真模拟，证实该方法的有效性。现阶段对于水质评价的试验方法主要包括数理统计法、水质模型法、人工神经网络法等［6-8］。相比其他方法，人工神经网络法具有很强处理非线性问题能力数据，在水质评价和预测时具有优良容错性和较好的自适应性能力，因此本文采用模糊神经网络对涑水河水质进行分析评价。

1 材料和方法

1.1 数据来源

本文选取水质站基本站蒲州站作为监测站（如图2示），根据2010～2014年5年的实测数据进行评价，在5年监测研究期间，每年3月、5月、8月、10月取样4次，样品采集均按照水质监测规范（地表水环境质量标准）要求进行。根据当地水质特点及污染程度，选取硝酸盐氮、高锰酸盐指数、化学需氧量、五日生化需氧量、总磷、总氮、氟化物、挥发酚、石油类作为评价指标。

图2 山西省运城市2015年水质站网分布图

1.2 模糊神经网络模型

（1）模糊神经网络模型是近几年发展起来的一种新型的网络结构，它具有模糊逻辑系统和神经网络的优点，具有万能逼近器的功能，物理意义明确，收敛速度快。模糊神经网络中没有求和节点，可用来模拟较为复杂的系统，因此得到广泛应用。当输入节点有3个时，其输出为：

式中，x1，x2，x3是网络输入，i，，是隶属度函数，p0，p1，p2，p3，是系数。

（2）模糊神经网络学习算法

模型神经网络根据网络输出和期望输出的误差来修正系数和隶属函数参数，从而使模糊神经网络输出不断逼近真实输出，其学习修正算法如下所示：

①系数修正

②参数修正

（3）模糊神经网络模型构建

构建模糊神经网络模型进行水质评价主要分为以下三个部分，如图3所示。

图3 模糊神经网络水质评价总体结构

2 结果和讨论

2.1 评价因子分析

本研究选择涑水河蒲州站监测断面2010～2014年5年的实测数据，选取了硝酸盐氮、高锰酸盐指数等作为评价指标。运用MATLAB软件里的mapminmax命令对实测数据进行归一化处理，得到标准化后的矩阵。然后对其结果进行KMO检验和Bartlett检验［9］，结果如表1所示。通过比较各变量间简单相关系数和偏相关系数的大小判断变量间的相关性，相关性强时，偏相关系数远小于简单相关系数，KMO值接近1。若KMO值小于0.5，则说明不适宜作因子分析，反之适合。从表1可以看出KMO值为0.612＞0.5，且Bartlett检验值为119.158，自由度为36，其显著性Sig=0.00＜0.05，达到显著，结果显示适合做因子分析。

表1 KMO和Bar tlett检验结果

通过因子分析，得到因子方差贡献率及各因子得分系数，结果如表2、表3。从表2可以看出，方差累计贡献率达到79.18%，能够代表原评价指标绝大部分的信息。结合表2和表3，可得到各评价指标的权重，如表4。从表4可以看出，总氮、高锰酸盐指数、五日生化需氧量、硝酸盐氮、化学需氧量、挥发酚占到了86.94%，因此选择这六个因子作为评价指标。

表2 方差贡献率

表3 因子得分系数

表4 各因子所占权重

2.2 模糊神经网络在水质评价中的运用

模糊神经网络在水质评价的应用中，采用的训练样本是水质评价中分级标准，采用了等隔均匀分布方式内插标准数据表生成样本的方式来生成样本集，从Ⅰ类到劣Ⅴ类水质相邻等级生成200组数据，共1000组，随机抽取900组作为训练样本，剩余的100组为监测样本。评价等级的划分界限为评价结果小于1.5为Ⅰ类；1.5～2.5之间为Ⅱ类；2.5～3.5之间Ⅲ类；3.5～4.5之间为Ⅳ类；大于4.5为Ⅴ类。

本文采用神经网络评价2010～2014年蒲州站水质，由于评价数据有六项，因此设置网络输入节点数为6，输出节点数为1。根据公式（1）得到神经网络的输出，通过比较输出值与期望值，调整相关系数值，依次训练200次，最终得到网络训练结果如图4左所示，并用监测样本对网络进行监测，结果如图4右所示。

用训练好的神经网络对涑水河2010～2014年的蒲州站水质进行评价，得到评价结果如图5。从图5可以看出，在2010～2014年这五年中，除了2010年水质为IV类水，其余4年均为V类水质，水污染现象还是较为严重。

3 结语

本文应用模糊神经网络对涑水河蒲州水质监测站2010～2014年水质进行评价，得到以下结论。

（1）通过因子评价分析得到各因子所占权重，选取总氮、高锰酸盐指数 五日生化需氧量、硝酸盐氮、化学需氧量、挥发酚为评价因子。

（2）用训练好的神经网络对监测站2010～2014年水质进行评价，结果表明除2010年为为IV类水，其余4年均为V类水质。

图4 模糊神经网络训练模拟过程

图5 模糊神经网络训练模拟过程

［1］孙甲岚，雷晓泽，蒋云律，等.河流生态需水量研究综述［J］.南水北调与水利科技，2002，10（01）：112-114.

［2］李英明，潘军峰.山西河流［M］.北京：科学出版社，2004.

［3］庞振凌，常红军，李玉英，等.层次分析法对南水北调中线水源区的水质评价［J］.生态学报，2008，28（04）：1810-1819.

［4］徐明德，卢建军，李春生.汾河太原城区段支流水质评价［J］.中国给水排水，2010，26（02）：105-108.

［5］周燕，王里奥.模糊神经网络在重庆市饮用水原水水质评价中的应用［J］.三峡环境与生态，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］张志.人工神经网络水质预测模型研究［J］.内蒙古大学学报（自然科学版），2006，37（06）：703-707.

［8］袁宏林，龚令.基于BP神经网络的皂河水质预测方法［J］.安全与环境学报，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

卢莉莉（1977年—），女，工程师。