（环境工程专业论文）神经网络在巢湖水质评价预测中的应用.pdf

神经网络在巢湖水质评价预测中的应用 摘要 本文主要研究了神经网络在巢湖水质评价预测中的应用。 在水质评价方面，根据巢湖营养状况评价的实际需要，选取t p 、t n 、c o d m 。 和温度作为巢湖营养状态评价的指标，确定了巢湖营养状况评价的标准，建立 了人工神经网络模型和神经网络一隶属度组合模型，利用评价模型对巢湖六个 点位2 0 0 0 年春到2 0 0 2 年冬的水质营养状况进行了评价，得到六个点位三年内 每一个季节的营养状况，从中我们可以得出这样的结论：从整体上看，巢湖西 半湖属富营养类型，东半湖属中富营养类型，全湖为中富营养到富营养化过渡 状况。 在水质预测方面，确立了叶绿素a 与富营养化程度之间的关系，选取水温 和叶绿素a 为影响因子，通过神经网络预测了巢湖富营养化状况( 叶绿素a 的 浓度) 的下一个月的变化趋势，并通过神经网络插值的方法生成足够的样本， 预测了巢湖富营养化状况( 叶绿素a 的浓度) 的下一周的变化趋势。结果表明， 水温和叶绿素a 是影响叶绿素a 短时间内变化的最主要因素，以这两者作为输 入变量建立的网络简单快捷，说明人工神经网络模型能有效合理的预测巢湖富 营养化短时期内的变化趋势。 最后，文章还建立了一种g m ( 1 ，1 ) 一神经网络组合模型，并通过对巢湖的 监测数据的计算证明这种模型能有效提高湖泊水质灰色预测的预测精度。 关键词：巢湖人工神经网络评价预测 t h e a p p l i c a t i o no f a r t i f i c i a ln e u r a ln e t w o r k o nw a t e r q u a l i t y e v a l u a t i o na n dp r e d i c t i o ni nc h a ol a k e a b s t r a c t i nt h i sp a p e r , t h ea u t h o rs t u d i e so nt h ea p p l i c a t i o no fa r t i f i c i a ln e u r a ln e t w o r k o nw a t e rq u a l i t ye v a l u a t i o na n dp r e d i c t i o ni nc h a ol a k e o nw a r eq u a l i t ye v a l u a t i o n ，a c c o r d i n gt ot h en e e do fe v a l u a t i n gt h en u t r i t i o u s l e v e l so fc h a ol a k e ，t p ，t n ，c o d m na n dw a t e rt e m p e r a t u r ea r eu s e da st h e e v a l u a t i o ni n d e x e s ，t h es t a n d a r d so ft h en u t r i t i o u sl e v e l se v a l u a t i o na r ec o n f i r m e d ， b a c k - p r o p a g a t i o n ( b p ) n e t w o r km o d e la n db a c k - p r o p a g a t i o nn e t w o r ki ns e r i e sw i t h d e g r e eo fm e m b e r s h i p ( b p d m ) m o d e la r ed e v e l o p e d ，u s i n gt h em o d e l s ，ae v a l u a t i o n w a si m p l e m e n t e df o r6p o i n t si nc h a ol a k ef r o ms p r i n g ，y e a r2 0 0 0t ow i n t e r ，y e a r 2 0 0 2 b yt h ee v a l u a t i o n ，t h en u t r i t i o u ss t a t e si ne v e r ys e a s o nd u r i n gt h et h r e e y e a r so ft h e6p o i n t sa r eg e t t e d ，a n dw ec a nc o n c l u d et h a ta saw h o l e ，t h el a k e b e l o n g st om e d i u mt oe u t r o p h i c a t i o nl e v e l ，w i t ht h ew e s t e r np a r to fe u t r o p h i c a t i o n l e v e la n dt h ee a s t e r np a r to fm e d i u ml e v e l o nw a t e rq u a l i t yp r e d i c t i o n ，t h er e l a t i o nb e t w e e nt h ec o n c e n t r a t i o no fc h l aa n d t h e e u t r o p h i c a t i o n s t a t e si s e s t a b l i s h e d ，a s t h er e f l e c t i o n i n d e x e s ，t h e w a t e r t e m p e r a t u r ea n dt h ec o n c e n t r a t i o no fc h l - aa r ei d e n t i f i e d u s i n gn e u r a ln e t w o r k m o d e l ，t h et r e n do fe u t r o p h i c a t i o no ft h en e x tm o n t hi s p r e d i c t e d g a i n i n g s u f f i c i e n ts a m p l e sw i t hn e u r a ln e t w o r ki n s e r t e dm e t h o d ，t h et r e n do fe u t r o p h i c a t i o n o ft h en e x tw e e ki sp r e d i c t e d t h er e s u l t ss h o w st h a tw a t e rt e m p e r a t u r ea n dc h l - a e f f e c tt h ec o n c e n t r a t i o no fc h l - ao fn e x tw e e kv e r yw e l l t h en e t w o r ku s i n gt h e ma s i n p u tv a r i a b l e si ss i m p l ea n dp r o m p t u s i n gn e u r a ln e t w o r k ，t h es h o r tt e r mt r e n do f e u t r o p h i c a t i o ne f f e c t i v e l yc a nb ep r e d i c t e d f i n a l l y ，ag m ( 1 ，1 ) m o d e li n s e r i e sw i t hn e u r a ln e t w o r ki sd e v e l o p e d ，b y c a l c u l a t e sw i t ht h em o n i t o r i n gd a t ao fc h a ol a k e ，w ec a np r o v et h a tt h em o d e lw i l l m a k et h eg r e ym o d e lp r e d i c t i o na c c u r a t e l y k e yw o r d s ：c h a ol a k e ，n e u r a ln e t w o r k ，e v a l u a t i o n ，p r e d i c t i o n 插图清单 图1 1 人工神经元模型图4 图2 1 巢湖流域位置图1 0 图2 2 巢湖流域水系图1 2 图3 1 巢湖营养状况评价的网络拓扑结构2 2 图3 2 网络数据管理器界面2 3 图3 3 水质评价b p 网络训练误差变化图2 3 图3 4b p 一隶属度模型总体输出分布图3 1 图4 1 水质预测神经网络训练误差变化图3 8 图4 2 南淝河入湖口叶绿素a 月值预测值与实际值的比较3 8 图4 3 南淝河入湖口叶绿素a 周值预测值与实际值的比较4 2 图4 4 西半湖湖心叶绿素a 周值预测值与实际值的比较4 3 图4 5 东半湖湖心叶绿素a 周值预测值与实际值的比较4 3 图5 1 修正灰色预测的神经网络误差变化图4 9 表格清单 表1 - 1 贫、富营养湖泊特征区别。3 表1 2 传统计算与人工神经网络计算的比较5 表3 1 巢湖营养状况评价因子的极端浓度值( 2 0 0 3 年) 2 0 表3 - - 2 巢湖营养状况评价标准2 0 表3 3b p 网络的学习样本和期望输出 2 1 表3 4 南淝河入湖口评价结果表2 3 表3 5 十五里河入湖口评价结果表2 4 表3 6 新河入湖口评价结果表 表3 7 兆河入湖口评价结果表2 5 表3 8 西半湖湖心评价结果表2 5 表3 9 东半湖湖心评价结果表2 6 表3 1 0b p 网络一隶属度模型的学习样本和期望输出2 8 表3 1 1b p 网络一隶属度模型的检测2 8 表3 1 2 南淝河入湖口b p 网络一隶属度评价结果表2 8 表3 1 3 十五里河入湖口b p 网络一隶属度评价结果表2 9 表3 一1 4 新河入湖口b p 网络一隶属度评价结果表 2 9 表3 1 5 兆河入湖口b p 网络一隶属度评价结果表3 0 表3 1 6 西半湖湖心b p 网络隶属度评价结果表，3 0 表3 1 7 东半湖湖心b p 网络一隶属度评价结果表3 0 表4 1 巢湖富营养化叶绿素临界值统计表3 4 表4 2 巢湖富营养化评价分级和标准。3 4 表4 3 南淝河入湖口历年监测数据3 6 表4 4 南淝河入湖口叶绿素a 月值预测结果一 3 8 表4 5 西半湖湖心叶绿素a 月值预测结果3 9 表4 6 东半湖湖心叶绿素a 月值预测结果3 9 表4 7 南淝河入湖口叶绿素a 周值预测结果4 0 表4 8 西半湖湖心叶绿素a 周值预测结果4 1 表4 9 东半湖湖心叶绿素a 周值预测结果4 1 表5 12 0 0 1 年1 月一1 0 月西半湖湖心总磷监测数据。4 8 表5 2 灰色模型预测值与实际值对照表4 9 表5 3 预测效果对照表4 9 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据 我所知，除了文中特别加以标志和致谢的地方外，论文中不包含其他人已经发表或撰写过的 研究成果，也不包含为获得金i 墨至些盍堂 或其他敦育机构的学位或证书而使用过的材 料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢 意。 学位论文作者签字婆瞎 签字冁胖6 月f 日 学位论文版权使用授权书 本学位论文作者完全了解金壁王些盔堂有关保留、使用学位论文的规定，有权保留 并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅或借阅。本人授权金 壁王些去堂可以将学位论文的全部或部分论文内容编入有关数据库进行检索，可以采用影 印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文者签名： 蜱有 翮躲姐斜 签字日期：a 石1 年6 月f f 日签字日期：2 驴，7 年6 月j f 丑 学位论文作者毕业后去向 工作单位： 通讯地址： 电话： 邮编： 致谢 在硕士学习即将结束之际，我怀着非常感激的心情对老师、同学、朋友和亲人致 以深深的谢意! 论文的完成首先要感谢导师殷福才高工、孙世群副教授的悉心指导，学位论文从 立题之初，到最后完成，倾注了两位导师大量的心血，对本人在思想、学习及生活等 各个方面都给予了莫大的关心和帮助。他们渊博的学识、勇于创新的科学精神和高尚 的科研道德对学生言传身教，使学生受益匪浅。值此论文完成之际谨向多年来给予我 关心、帮助和指导的导师致以最诚挚的谢意! 感谢汪家权教授、周元祥副教授、钱家忠教授、彭书传教授、李如忠副教授以及 资环学院所有在我学习期间给予指导和帮助的老师。 感谢沈吉、王辉、杨昆、吴转璋、郭树松等本研究室学友们在我学习科研过程中 给予的支持和启发，感谢陈安国、宋垠先、王健、贺超、张瑞钢等同学在我平时学习 和生活中的帮助。 感谢我的父母，是他们在物质和精神上的支持鼓舞我克服求学过程中面对的一切 困难，他们的激励是我学习过程中最大的动力。 日 舀 研究课题源于国家科技部国际科技合作重点项目“减轻巢湖富营养化项目” ( 项目编号2 0 0 5 d f a 9 0 3 9 0 ) 。 水体富营养化已成为当今世界性的水污染治理的难题，引起了人们极大的 关注。水质富营养化通常是指湖泊、水库和河湾等封闭性或半封闭性水体，以 及某些河流水体内的氮、磷等营养元素的富集，水体生产力提高，藻类异常增 殖，致使水质恶化，直至水体沼泽化最终消亡的过程。水体富营养化的危害十 分严重，它能使水体变臭、透明度和溶解氧降低，从而向水体释放有毒物质， 影响供水质量并增加制水成本，直接威胁着饮用水的安全。 巢湖位于安徽省中部，为中国五大淡水湖泊之一。水域面积7 8 9 k m 2 , 汇水流 域面积9 1 3 5 k m 2 具有防洪、灌溉、渔业等多种功能，也是沿湖城镇生活用水和工 业用水的主要来源。作为国家“九五”期间重点治理的“三湖”之一i ”，巢湖富 营养化治理为世人所关注。 2 0 世纪5 0 年代前，巢湖曾是水质良好、生物多样性丰富的大型天然湖泊。 6 0 年代初，巢湖建闸，湖泊逐渐变成为人工调节的半封闭水体。由于水利工程改 变了原湖泊的生态环境，加上汇水区经济、社会的快速发展，致使湖泊水质日趋 恶化。到8 0 年代，湖水水质已超出i i l 类水标准( i n 家地面水环境标准g b 3 8 3 8 8 8 ， 下同) ， i n 、t p 及c o d m 。分别达1 6 8 m g l ，0 1 2 7 m g j ，l 和4 1 6 m g l 。时至9 0 年 代，湖泊富营养化进一步加剧，甚至出现全湖水质超v 类的严重状况，氮、磷浓度 分别达2 9 4 m 【g l ，0 2 6 4 m g l 。巢湖水质的严重恶化，降低了水体使用功能，给沿湖 城镇的生产和生活用水带来了重大影响，严重制约了巢湖地区经济、社会可持 续发展的重要因素。因此，了解巢湖水质状况、掌握巢湖富营养化的变化趋势具 有非常现实的意义。 本文主要研究了神经网络方法在巢潮水质研究方面的应用，内容主要包括： ( 1 ) 利用神经网络的模式识别功能对巢湖几个具有代表性的点位进行了 营养状况的评价，从中可以看到巢湖营养状况在不同时间不同空间的分布。 ( 2 ) 利用神经网络的函数逼近拟合功能对巢湖不同点位的叶绿素a 进行了 短期预测，由于叶绿素a 可以在一定程度上反映湖泊富营养化状况，所以通过 对叶绿素a 的预测就可以预测巢湖富营养化的变化状况。 ( 3 ) 对灰色预测和神经网络的结合进行了研究，并利用巢湖的实际监测资 料对灰色预测和神经网络结合后的效果进行了验证。 由于本人能力有限，论文难免存在不当之处，敬请大家给予批评指正。 1 1 湖泊富营养化概述 第一章绪论 湖泊是由一定形态的湖盆和水体构成，分布于大陆地表的洼地，湖泊的类 型是多种多样的，按其营养类型可以分为富营养湖、中营养湖、贫营养湖、腐 殖营养湖、酸营养湖等，按其湖水深度可分为深水湖、浅水湖等。 我国是一个多湖的发展中国家，根据统计，我国拥有大小各类湖泊2 4 8 8 0 多个，湖泊面积达到8 3 4 0 0 多k m 2 ，约占全国陆地总面积0 8 。总蓄水量约 7 0 0 0 1 0 8 m 3 ，水库是人工湖泊，根据统计，我国现有8 3 2 1 9 座水库，水库容量 达4 3 0 1 1 0 8 m 3 以上，其中，大、中型水库计有2 6 万座。这些湖泊以及水库是 我国最重要的淡水资源之一，为人们提供了不可估量的作用，是人民生活不可 缺少的宝贵资源。其中我国的五大淡水湖一洞庭湖、鄱阳湖、太湖、洪泽湖和 巢湖，其流域都是我国的重要经济发展带。因此，湖泊水资源与我国的经济持 续发展以及人民生活休戚相关。 所谓水体富营养化，是指水体中含有大量的磷，氮等植物生产所需要的营 养盐，造成藻类植物和其它浮游生物的爆发性繁殖，致使水的溶氧量大幅度下 降，水质恶化，导致鱼类和其他生物大量死亡的现象【2 j 。 水体富营养化是自养型生物( 浮游藻类) 在水体中建立优势的过程，包含着 一系列生物、化学和物理变化，与水质化学、水体物理性状，湖泊形态和底质， 以及气象、地理等众多因素有关。 一般教科书中认为湖泊富营养化是一个自然过程【孓”，它是湖泊分类与演化 方面的一个概念，是水体衰老的一种表现，是营养物质在湖泊中富集到一定程 度及其所引起的后果。在湖泊的自然演化过程中，逐渐累积起来的淤泥、有机 质使得湖泊演变成沼泽，然后，由沼泽地演变成平地，湖泊也就消亡了。由于 湖泊、水库等封闭水体以及某些河流水体内的氮磷营养元素的富集，水体生物 生产能力提高，某些特征性藻类，主要是蓝藻、绿藻异常增殖，使水质恶化。 贫、富营养化湖泊的特征区别见表l _ l 。 天然富营养化本来是一种十分缓慢的自然过程，在自然界的正常物质循环 中，湖泊将会由贫营养湖发展为富营养湖进一步发展为沼泽和干地，这一历程 在自然条件下需要几万年甚至几十万年的时间。但人类的活动( 如大量生活污水 直接排入水体1 可能会加速这一过程，这种情况下的富营养化称为人为富营养化 1 6 】。湖泊人为富营养化的主要原因，是由于人类经济活动加强，含有大量氮、 磷的生活污水或工业废水流入湖泊后，使其在水体内部一系列的物理的、化学 的，特别是生物的转化过程中输入、输出的不平衡，输入大于输出，从而导致 营养物质在水体中的富集。水生植物由于得到这些营养素，而大量生长繁殖。 2 这些植物死亡之后，在其分解过程中，要消耗水中溶解氧，造成水中鱼类等 表1 - 1 贫、富营养湖泊特征区别 贫营养湖泊 富营养湖泊 l 营养物质贫乏 2 浮游藻类稀少 3 有根植物稀疏 4 湖盆通常较深 5 湖底常为砂石、砂砾 6 水质清澈透明 7 湖水温度较低 8 特征性鱼类鲑鱼 1 营养物质丰富 2 浮游藻类较多 3 有根植物茂盛 4 湖盆通常较浅 5 湖底多为淤泥沉积物 6 永质浑浊发咯 7 湖水温度较高 8 特征性鱼类鲤鱼等 浮游动物的死亡：藻类的大量繁殖可使水变成绿色或棕红色，透明度下降，使水 产生臭味，终于导致水质剧烈恶化1 ”。 富营养不仅仅是困扰发达国家的水污染问题之一，也是发展中国家面临的 一个严重的水环境问题。富营养化不仅使水体丧失了应有的功能，而且使水体 的生态环境向着不利于人类的方向改变，最终将会影响经济建设和社会的发展。 据联合国环境规划署的一项调查表明，在全球范围内3 0 一4 0 的湖泊和水 库均受到了不同程度富营养化的影响4 j 。 湖泊富营养化的危害主要表现在对湖泊一些功能的损害，甚至导致一些功 能的丧失。富营养化湖泊的治理是目前环境治理中的一个热点问题，这不仅是 由于导致水体富营养化的氮、磷等营养物质的来源广泛，而且因为去除富营养 化水体中营养物质的难度很大。水体生态系统一旦遭到破坏，在短时间内很难 得以恢复。国内外研究与实践表明，生态系统的演变是不可逆的与不可重复的， 一旦受到破坏，彻底恢复到原来状态将是不可能的，而且在修复时所付出的努 力要比利用或破坏时大得多。加强对湖泊、水库水源保护，防止水质富营养化， 已经成为环境保护部门和水质研究与管理人员面临的一项艰巨的任务。 1 2 人工神经网络概述 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 简称神经网络，是一种简化 的人脑数学模型，它由大量简单的信息处理单元( 神经元) 广泛连接而成，用以 模拟人脑神经系统结构和功能的复杂网络系统【l o 】。它通过大量的称为神经元的 简单处理单元构成非线性动力学系统，实现与人脑相似的学习、识别、记忆等 信息处理能力。它是一种新型的黑箱方法，不需要了解输入输出之间的相互关 系，并且其自学习功能能够“记忆”样本所含的信息，非常适用于非线性系统 3 的建模研究。 神经系统是一个有高度组织和相互作用的群体神经元即神经细胞，是神经 系统的基本单元，复杂的神经网络就是由数目众多的各种类型的神经元按不同 的结合方式构成的。通过神经元的可塑特性，将使人脑具有学习、记忆和认知 等各种智能。 神经元是由细胞体和由细胞体发出的一个或多个突起所组成。其中，大部 分突起起感受作用，接受其他神经元来的信息，称为树突。通常还有一个突起 用来传递和输出信息，称为轴突。为了研究和模拟神经系统如何感受各种刺激 信号、引起不同的感觉并产生和传递相应的神经冲动及完成各种功能获得，目 前所提出的神经元模型是多输入、单输出的元件。人工神经网络是由大量的人 工神经元相互连接构成的，分析神经元的工作机理是理解人工神经网络的基础。 人工神经元模型如图1 1 所示。 五 五 z 图1 1 人工神经元模型图 很多个神经元组合成一个网络，并将神经元之间的相互作用关系模型化就 构成神经网络模型，也就是说神经网络是由若干个处理单元组成的一种分布式 信息处理结构。神经元之间的相互作用通过连接的权值体现。根据神经元之间 的相互关系和作用方式，神经网络可有如下几种典型的结合形式： 1 分层网络模型 这种模型将众多神经元分成若干层顺序连接，在第一层( 输入层) 加上输入 样本，通过中间各层进行变换，到达最终层( 输出层) ，则完成一次动作。 2 互连网络模型 这是一种在任意两个神经元之间有相互连接的网络模型，例如h o p f i e l d 网 络。 3 自组织网络 这是一种单层结构网络，它将n 维模式空间中的点集，映射到输出空间较 4 少的点上。通常这种网络结构是一维阵列或二维阵列，在学习过程中，阵列中 神经元相互作用，例如k o h o n c n 网络。 神经网络是基于连接机制的大规模并行处理和分布式的信息存储，它依靠 大量神经元的连接以及这种连接所引起的神经元的不同兴奋状态。与当今计算 机相比，更加接近人脑的信息处理模式。神经网络的主要特征是：大规模的并 行处理和分布式的信息存储，良好的自适应性、自组织性，以及很强的学习功 能、联想功能和容错功能。 表1 2 提供了人工神经元网络的计算和传统的计算方法的比较【儿】，表明 神经元网络代表了汇集、非算法、低精度、非线性计算机，它是来自于例子的 训练期间学习和受数据控制的，就这点而言，它们和可编程传统计算机是很不 相同的。 表1 2 传统计算与人工神经网络计算的比较 作业或者性能情况传统的计算人工神经元网络的计算 问题求解算法公式结构选择和代表性范例定义 输入数据数值形式数值并允许感性的表示 知识获取编程用例子对系统训练 知识恢复顺序的计算以汇集处理的形式回忆 计算 高精度运算低精度非线性映射 内部数据内部表示是在算法的控制中内部表示在输入数据控制中 固定或中间的数据存储 r o mr a m 高精度二进制存储器 一般连续值的互联权重 1 3 本文的研究背景 湖泊水质评价和预测是湖泊水质研究系统的一个重要环节，是现代环境科 学基础理论研究的重要课题之一，也是水文工作的基本内容之一。然而如何才 能客观地、准确地反映水体环境质量状况和发展趋势。其关键在于合理地选择 与建立评价预测的方法和数学模型。 湖泊富营养化程度的评价是对湖泊富营养化发展过程中某一阶段营养状态 的定量描述。近半个世纪以来，国内外很多学者基于世界上几百个湖泊水质特 征的详细调查，对湖泊富营养化程度评价的方法进行了深入的探讨，提出了多 种形式的评价方法，如特征法、参数法、营养状态指数法、生物指标评价法等。 将现代数理理论应用于湖泊环境富营养化评价的方法，主要包括模糊数学、灰 色系统、随机模型和人工智能等，这些理论方法和计算机技术相结合，近年来 研究的相当活跃。近年来，人工神经网络的研究在国际上受到极大的应用，并 已在分类和智能模式识别中得到广泛的应用，而水质的营养状态评价实质上是 模式识别问题。与现有的其他模型相比，神经网络水质评价模型具有很强的客 观性和通用性，采用人工神经网络模型进行水环境质量评价，运算速度快，评 价结果准确，具有广泛的应用前景，为水环境质量评价开辟了一条新途径。 湖泊富营养化预测的目的是了解和评估富营养化的发展趋势，为湖泊所在 的流域水质管理提供决策依据。湖泊富营养化的预测内容可以分为水质预测和 流域管理目标预测两个方面。水质预测是基础，没有水质预测，就不可能进行 目标预测，湖泊的水质预测一般针对营养物质和浮游植物，如t p 、t n 、c h l a 等。人工神经网络是模拟人脑结构的一种大规模的并行联接机制系绕，不需要 有关体系的先验知识，具有自适应建模学习及自动建模功能。在对于富营养化 过程的很多发生机理还未完全明确之前，可用该法进行评价和预测。 1 4 国内外研究现状 在评价方面，文献 1 2 】提出用基于水质管理的多目标最优化的神经网络来控 制水污染和进行河流流域规划，用一种神经网络算法构成了河流流域水质管理 的多目标问题的求解模型，采用的b p 网络模型是能模拟决策者因主观判断所 得决策的多目标规划模型作为水资源的一个子系统。水质管理是一个包含水系 统、经济系统和政治系统的大规模的体系，在多目标规划问题中，目标值与它 们各自的权重之间有高度的非线性关系，基于b p 模型的多目标最优化方法同 时关注环境质量、污水处理费用和河流的自净容量，以便为河流流域的水质管 理问题提供好的解决办法。b p 算法从随机选择一套权重值开始，在训练输出值 和期望输出值之间的误差基础上对权重值进行修改，将b p 网络得到的决策者 的主观判断作为目标函数的权重值，利用多目标规划过程中的权重可找到多目 标最优化问题的最佳解答。 文献【13 l 针对b p 神经网络的缺点提出了相应的改进方法，并制订了一套针 对湖泊富营养化的评价等级和相应的标准，根据这套标准利用神经网络对我国 一些大型湖泊进行富营养化的评价。 文献1 1 4j 研究了湖泊水质富营养化评价的模糊神经网络方法，选用5 个湖泊： 杭州西湖、武汉东湖、青海湖、巢湖、滇池的实测数据，将总磷、耗氧量、透 明度、总氮作为输入层的4 个节点，湖泊水质富营养化程度的5 大类别：极贫 营养化、贫营养化、中营养化、富营养化、极富营养化作为输出层的节点数， 区别于一般采用误差平方和准则的b p 网络，该网络采用了模糊熵准则，训练 好的网络经实例检验证明，它比用误差平方和准则来学习的b p 网络收敛速度 更快、更稳定、适用范围也更广。 文献1 1 5 1 报导了水质综合评价的b p 网络模型。因水质评价标准分i 、 l i 、 i i l 级，故输出层节点数取3 ，输入层选用7 个评价指标：d o 、化学耗氧量、 挥发酚、氰化物、汞、砷和六价铬作为该层节点数，隐含层节点数取7 ，将水 质评价中的评价标准作为样本输入，评价级别作为网络输出对b p 网络进行训 练，再用山西汾河水质监测资料作为系统输入，用已掌握知识信息的b p 网络 评价它们，按输出值与期望值的接近程度去判定其归属哪一级水质，得出的结 论是合理的。 文献【1 6 】应用m a t l a b 神经网络工具箱，利用r b f 神经网络模型对巢湖的水 质进行了评价。这种网络结构具有自适应调整网络结构、不需要人为确定初始 权值的特点，利用对评价标准进行线性插值的方法生成更大的样本容量，达到 了良好的评价效果。 在预测方面，文献【1 7 1 8 】中利用人工神经网络中的b p 算法，建立了南海洲 岛海区风浪的预报方案。结果表明：人工神经网络方法在海浪的定性及定量预报 上，均有较好的拟合历史风浪浪高的能力。该方案对风浪浪高的预报也达到了 一定的精度。文中还针对b p 网络容易产生振荡，易发生不收敛的情况，建立了 不同的预报方案并进行了对比分析，达到了较好的预报效果。 文献【”- 2 1 】应用人工神经网络中的b p 算法，根据地下水动态的时间序列数 据，建立地下水动态模型，对地下水动态进行模拟和预测，并与灰色一周期外 延组合模型方法对数据处理组合方法的结果进行比较，结果表明，其预测精度 较高。说明神经网络方法不仅简单、实用，又具有很强的处理地下水动态非线 性及周期性变化问题的能力，可以在地下水动态等方面广泛使用。 文献【2 2 】中利用人工神经网络中的b p 算法，对西湖叶绿素a 的浓度进行了 短期的预测，利用主成分分析法选择了影响叶绿素a 的输入因子，建立了不同 的预测方案，将这些方案进行对比后选择最好方案进行预测，并利用其它水域 的水质资料对方案进行了验证，收到了很好的预测效果。 文献【2 卜2 6j 根据辽宁大伙房水库1 9 8 0 - 1 9 9 7 年的水文和湖沼学观测资料，分 别建立浮游植物丰度和蓝藻优势度人工神经网络模型。将年降雨量、7 9 月平 均水温、7 8 月入库水量与7 8 月库容之比和磷酸盐作为输入，浮游植物生物 量和丰度作为输出，建立浮游植物群落消长的人工神经网络模型：将7 - 9 月平均 水温、7 8 月入出库水量之比、磷酸盐和总氮作为输入，蓝藻优势度作为输出， 建立浮游植物演替的人工神经网络预测模型，并进行检验，其模拟值与观测值 平均相对误差分别为2 和1 。结果表明，人工神经网络方法优于传统的统计学 模型，可进行水库浮游植物群落动态的预测预报，并具有较高的精度。 文献【2 “用进化的计算法和传统的方法来模拟n a k d o n gr i v e r 的 m i c r o c y s t i s a e r u g i n o s a 藻类水华的动态模型( k w a n g s e u kj e o n g ，2 0 0 3 ) ，文中 用遗传算法g p 和多元回归法m l r 模拟富营养化河库混合型系统中m i c r o c v s t i s a e r u g i n o s a 藻组成的动态学。分别用g p 和m l r 建立了预测藻类发生的等式模 7 型。g p 能成功预测时间动态和大量水华，而m l r 的预测能力还是不够的。由 于n a k d o n gr i v e r 的生态动力学是水库型而不是河流型的，所以原先的江河机 械模型在描述不确定性和复杂性时是失败的。文章表明在模拟河一库变迁的生 态系统的水华动力学时，诱导一完全经验方法是成功的。 文献1 28 j 神经网络模拟海岸藻类水华( j o s e p hh w l e e ，2 0 0 3 ) ，该文利用 人工神经网络作为数据模拟方法来预测香港海岸水体藻类水华的动力学模型。 采用广泛使用的b p 算法来训练网络。模型采用的数据是t o l o 海湾1 9 8 2 2 0 0 0 年的全面的双周水质数据，l a m i n a 海岛1 9 9 6 - 2 0 0 0 的每周生物量数据。两处的 藻类生物量分别用c h l a 含量和s k e l e t o n e m a 细胞浓度来代表。大量假设的分析 说明：只利用时间滞后的藻类动态学作为模型的输入量，其预测值和观测值吻合 的最好。这一结果与先前用复杂的网络模拟淡水中藻类水华动态学是相反的， 现在表明在潜在富营养状态的海岸水中，藻类浓度主要决定于先行卜2 周的藻 类浓度。文中还用神经网络的权重解释了这一结论。通过网络运行的系统分析 发现，先前用人工神经网络预测藻类动态模型在将“将来数据”用于网络是错 误的。另外，还用l a m i n a 的数据进行了实时预测。研究表明，用小部分输入变 量也可以获得藻类的动态变化趋势，但数据的最小取样间隔必须是一周。 文献1 2 ”j k o h o n e n 神经网络在海岸水质管理中的应用：水质评价和预测 的方法学发展( e a a g u i l e r a ，2 0 0 1 ) ，文中，用k n n 处理营养物的数据，这些 数据源于西班牙旅游地区的海岸水。由于活化图还不能充分评价和预测海岸水 的营养状态，为了弥补这一不足，产生了以k n n 活化图为出发点的新方法。 评价海岸水质的营养状态包括样方系统的发展。这一系统比简单的基于标准数 据的传统分类方法优越。新的分类方法能说明中营养带水质的显著差异。其次， 为了利用活化图为预测工具，营养分类的活化图需变换为新的活化图。为了达 到这一目的，定义各个营养状态的取样点的活化图是成阶层的，为了避免不必 要的复杂性和促进进程，图象重合的频率应超过0 0 5 ，这样就产生了关于海岸 水质营养状态的四个频率图( 高一中富营养、中一低富营养、贫营养、潜在富营 养) ，同时在图上还能获得其他的相关信息。这一频率图可成功地预测海岸水质 随机样本的营养状态，这一基于k n n 的方法学也为海岸水质管理在决策时提供 帮助。 评价方面，目前神经网络水质评价方法仍在不断改进中，其目标主要是 克服数据非确定性的影响，使水质评价方法更简单、规范和实用。预测方面， 神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性水环境污染 问题，其预测精度较高。目前，水环境污染领域的人工神经网络研究虽取得了 一些成果，但系统性不强，相信随着新的更完善的神经网络模型的开展应用， 必能引起人们更多的重视。 8 1 5 本文的研究意义和研究内容 巢湖为中国五大淡水湖之一，共有3 3 条河流汇入，入湖径流量占巢湖水量 的9 8 ，1 9 9 9 年时流域污废水排放就为9 9 8 9 万t d 3 5 1 。约有3 7 t 磷和6 1 7 t 氮流入巢湖。近3 0 年来，森林覆盖率降至6 7 7 ，水土流失面积占流域总面 积的6 5 9 。每天平均入湖泥沙量高达2 6 0 万吨，其中6 1 5 4 淤积于湖盆内 i ”】。泥沙所携带的污染物经沉积和再悬浮而造成的“二次污染”，导致河口等 污染严重的水域藻类生物量显著增加。湖盆淤积和水质恶化已使巢湖成为典型 的富营养化湖泊。巢湖对于安徽省的经济发展非常重要，因此，研究巢湖水质 的状况和发展趋势具有重要意义。 本文利用巢湖的水质监测资料，通过神经网络高度非线性的特点的方法对 巢湖的营养状况进行了评价，对巢湖的富营养化变化趋势进行了短期的预测， 并对神经网络在巢湖水质研究方面的应用进行了多方面的探讨。通过这些工作 可以对巢湖水质有一个总体的把握，可以为环境规划、环境管理及决策者提供 一个可靠的科学依据。 本文的主要内容如下： 1 利用神经网络对巢湖主要入湖口以及东西半湖湖心2 0 0 0 年一2 0 0 2 年每 个季节的水质进行了评价，从而反映了巢湖营养状况的时空分布状况。 2 针对神经网络的输出结果难于解释和直观理解的情况，建立了神经网络 一隶属度结合模型，使神经网络的输出结果更容易被理解。 3 对巢湖几个代表性的监测点位进行了叶绿素a 神经网络方法的周期为月 的预测，并通过神经网络插值的方法生成每周叶绿素a 的值，并以此为基础进 行了对叶绿素a 的周期为周的预测，并通过叶绿素a 与湖泊富营养化程度之闻 的关系实现对巢湖富营养化程度的短期预测。 4 将灰色预测与神经网络结合起来，构建了g m ( 1 ，1 ) 一神经网络串联模型， 并以巢湖水质监测数据为例，检验了此模型的精度，计算表明，g m ( 1 ，1 ) 一神经 网络串联模型能更好的进行水质预测，是对传统灰色模型的改进。 在研究时应该注意到，湖泊的营养状况和富营养化程度这两个概念是有区 别的，富营养化的发生条件除了湖泊营养状况达到一定程度外，还与湖泊自然 条件、地形地貌等有关。所以在做水质研究时应注意把营养状况和富营养化加 以区别。 9 2 1 巢湖流域概述州 2 1 1 自然地理特征 第二章巢湖流域概况 1 地理位置 巢湖流域位于安徽省中部，介于东经1 1 6 。2 4 3 0 ”1 1 8 。0 0 0 0 ”、北纬 3 0 。5 8 4 0 ”一3 2 。0 6 0 0 ”之间，位于江淮分水岭南侧，属长江水系。巢湖湖区位置为 东经1 1 7 。1 6 5 4 ”1 1 7 。5 1 4 6 ”，北纬3 0 。2 5 2 8 ”3 1 。4 3 。2 8 ”，属长江下游左岸水系， 是我国五大淡水湖泊之一，流域位置如图2 - 1 所示。 图2 一l 巢湖流域位置图 巢湖流域总面积1 3 ，3 5 0 k m 2 ，并以巢湖与其出水河流裕溪河之间的闸门分 为两个部分，巢湖闸以上区域面积9 ，1 3 1k m 2 ，闸以下面积为4 2 1 9k m 2 。流域 涵盖合肥、肥西、舒城、肥东、居巢、含山、和县、庐江、无为等市县。巢湖 闸以下流域一般不算在巢湖流域，只有在洪水季节巢湖开闸蓄洪时，才对巢湖 有影响。 2 地形地貌 巢湖流域地处江淮丘陵之间，四周分布有银屏山、冶父山、大别山、防虎 山、浮槎山等低山丘陵，并形成东西长、南北窄的不规则形西高东低中间较低 1 0 洼平坦地形。 3 气候 巢湖流域属北亚热带季风气候区，气候温和湿润。年平均温度1 5 1 6 ，1 月平均气温2 3 ，7 月平均气温2 8 3 0 。极端最高气温3 9 2 ，极端最低气 温一2 0 6 。无霜期2 2 4 2 5 2 天，= 1 0 积温4 9 0 0 5 1 0 0 。历年土壤最大冻结深 度9 - l l c m 。 流域主导风向，夏季为南东南风，冬季为东北风，历年最大风速1 8 m s ， 多年平均风速4 1 m s ，年大风( = 1 8 m s ) 出现日数为2 0 8 天。多年均湿度7 7 ， 最大湿度8 1 ，出现在3 月，最小湿度7 0 ，出现在1 0 月。多年平均气压为 1 0 1 4 0 百帕，最高1 0 4 4 8 百帕。 多年平均降水量为l l o o m m ，流域各站最大年降水均值为1 4 5 0 m m ，最小年 均值为6 3 0 m m ，倍比2 3 。降水在流域内空间分布不均，西部降水量 9 4 7 0 1 5 9 6 5 m m ( 最大年降水均量) ，最高降水量2 2 4 8 8 m m 。降水在时间分布 上也不均匀，3 5 月降水占年降水量的2 8 ，6 8 月占年降水量的3 9 ，9 1 1 月 占年降水量的2 1 ，1 2 2 月占年降水量的1 1 。尤其是每年6 、7 月份由于副 热带太平洋高气压与北方冷空气交锋而形成的梅雨季节，雨量集中，局部地区 5 9 月降水量占全年降水量的6 5 ，从而形成了较大的地面径流，洪涝时有发 生，也导致了部分地区水土流失发生严重。 2 1 2 社会环境特征 巢湖流域是全省人口较集中的地区之一。2 0 0 3 年末，流域总人口为9 1 1 1 8 万人，比1 9 8 6 年的7 5 6 8 万人净增1 5 4 3 8 万人。人口占全省总数的1 4 2 1 ， 但土地面积仅占全省的6 5 ( 不计闸下面积) ，人口密度为6 7 6 人k m 2 ，高于 全省4 6 0 人k m 2 。流域内有安徽省会城市合肥市及地级市巢湖市，其余7 个 县分属合肥市、巢湖市及六安市。 2 0 0 3 年，巢湖流域国内生产总值7 3 8 3 5 x 1 0 8 元，占全省国内生产总值的 1 8 5 9 ，其中，第一产业增加值1 0 1 0 8 x 1 0 8 元，第二产业增加值3 1 0 7 1 x 1 0 8 元， 第三产业增加值2 8 9 9 8 x 1 0 8 元。三次产业比为1 4 4 0 ：4 4 2 8 ：4 1 3 2 。人均国内 生产总值8 ，1 0 3 2 3 元，高于全省平均水平。 2 2 巢湖流域地表水资源 2 2 1 水系概况 巢湖流域属于长江下游左岸巢湖水系，流域内共有大小河流3 3 条，分为7 条水系( 图2 2 ) 。主要入湖河道杭埠河一丰乐河、派河、南淝河、白石山河等 四条河流占流域径流量9 0 以上，其中杭埠河一丰乐河是注入巢湖水量最大的 1 1 河流，其次为南淝河、白石山河，分别占