湖南省长江段水质评价

1、湖南省长江段水质评价摘要 本文运用BP神经网络理论和方法，建立了湖南长江段水质综合评价的模型，抽取2003年6月到2005年9月该段区域的数据对其进行了评价。评价结果显示，水质总体上集中在、类，属于较清洁水；同时，然后利用熵权法对多评价目标因子赋权的新思路，构建水质评价指标体系，利用熵权法计算出各评价指标权重，采用用逼近理想解排序法计算出各检测点道理解的距离，参照地表水环境质量标准，得到湖南长江段水质的类别，两种方法评价结果与实际结果十分接近，其表BP 神经网络和熵权发可以较好地实现水质综合评价，且具有较高的实用性和客观性，完全可以应用于实际的水质综合评价工作，两种方法又相互印证，更能反映水质

2、评价结果的可靠性。关键词：BP神经网络 熵权法 水质评价 matlab 1.1模型建立1.1.1 方法1：BP神经网络（1）BP神经网络基本思想基于误差反向传播算法的多层前馈网络，是目前应用最成功和广泛的人工神经网络,它基于信息的正向传播和误差的反向回馈来训练整个BP神经网络,使得输出层误差的平方和达到最小。神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要有神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。基本结构如下（见图1）： 图1： 人工神经元元模型

3、结构神经元i的输出，它可以与其他多个神经元通过权值连接；神经元i的输入；神经元的连接权值；神经元i的阈值；神经元i的非线性输出函数； （2） BP神经网络的前向传播算法设某BP神经网络具有m个输入、q个隐含节点、r个输出的三层结构，则BP神经网络的输入为： j=1,2.m (2-1)输入层节点的的输出为 ： j=1,2.m （2-2)隐含层第i个神经元的输入： i=1,2.q (2-3)输出可表达为 ： i=1,2.q (2-4)其中为输入层到隐层加权系数；上标（1）、（2）、（3）分别代表输入层、隐含层、输出层，为隐层活化函数，这里取为Sigmoid活化函数。 (2-5)输出层的第个神经元的

4、总输入为： k=1,2.r (2-6)输出层的第k个神经元的总输出为 k=1,2. (2-7)式中，为隐层到输出层加权系数，为输出活化函数。 以上工作在神经网络工作时，就可以完成了一次前向传播的计算。 对上面的算法流程进行总结我们可以的出下面的算法流程图：初始化权值值值 给定输入和输出样本 求隐含层、输出层各节点输出 求目标值与实际输出的偏差 计算反向误差 修正权值 学习结束？ 结束 是 否 图2：BP网络算法流程图（3）建立模型水质评价是一个非线性较为复杂的问题。 基于BP神经网络的水质评价模型的训练样本即为水质分级标准。训练完成后，网络将保存对分级标准学习的知识和有关信息，即各层间的连接权

5、与各个神经元的阈值得以保存，然后从输入层输入待评资料，得到有关评价结论的信息，从而根据一定规则作出有关的评价结论的判断。设待评的水质监测样本M个，每个样本选择具有典型代表的N项污染指标监测值。 按照国家行业规范规定，相应于N项污染指标下的水质标准浓度可将水质划分为5个等级。 因此，水质评价的神经网络结构的输入层的神经元数为N，即输入层的每一个神经元代表1种水质评价的污染指标；输出层为4维的向量，其期望输出结果分别为: (0 0 0 0)、(1 0 0 0)、(0 1 0 0)、(0 0 1 0)、(0 0 0 1)对应 I 至 V 个等级的水质。1） 输入层的确定 神经网络的输入层起缓冲存储器

6、的作用，其向量的数目相当于所研究问题的独立变量数目。根据测试点水井中各种物质的含量，依据相关研究，将水污染分为五级，分别为: I级、II级、III级、IV级、V级，相关标准见表1表1：地表水环境质量标准（mg/L）类类类类类溶解氧（DO） 7.56532高锰酸盐指数(CODMn) 2461015氨氮（NH3-N）      0.150.51.01.52.0说明：其中I、II、III为饮用水，IV、V为污染水。2）输出层确定输出层神经元的个数取决于系统对网络功能的要求，本模型要实现对赣江水质的评价，因水质被分成5个等级，可令输出层为4维的向量，其

7、期望输出结果分别为: (0 0 0 0)、(1 0 0 0)、(0 1 0 0)、(0 0 1 0)、(0 0 0 1)对应 I 至 V 个等级的水质。3）数据处理为避免由于输入变量单位不同、绝对值相差很大对神经网络模型的影响，需要对输入输出参数进行归一化处理。BP网络采用用的活化函数的输出值一般在-1到1之间，即各节点的输入输出值应在-1,1之间。对于输入层的参数值采用如下式的线性转换方式。 式中：为归一化后的数值；为归一化之前的原始数据；为数据序列中的最小数；为序列中的最大数按。上述方法对水质标准和监测样本中的溶解氧、高锰酸盐指数、氨氮归一化后得到的数据见表2和3（完整版见附表1）。表2：

8、归一化后的水质标准（mg/L）类类类类类溶解氧（DO） 1.0000.72730.54550.18180;高锰酸盐指数(CODMn) 00.15380.30770.61541.0000氨氮（NH3-N）      00.18920.45950.72971.0000表 3： 归一化后的监测样本2003-06DOCODMNNH3-N湖南岳阳城陵矶0.81270.06920.1027湖南长沙新港0.80910.17690.4541湖南岳阳岳阳楼0.7745-0.04620.0324湖南岳阳城陵矶1.67270.22310.1405湖南长沙新港0.74

9、0.14620.227湖南岳阳岳阳楼1.18360.04620.26494）神经网络训练后的图像将处理后的水质评价分级指标数据作为Lvq网络模型的输入值 ,级别值作为Lvq网络模型的输出值 。本文采用trainlm函数（L-M算法）对网络进行训练。经BP网络训练学习后 ,其等级值分别为( 0 0 0 0), ( 1 0 0 0) 和 ( 0 1 0 0)，IV ( 0 0 1 0)，V ( 0 0 0 1) 。 图2：神经网络训练后的图像Matlab具体程序算法附件24）结果与分析（见表4）表4：结果及其分类输出结果等级实际结果2003-06湖南岳阳城陵矶 1000湖南长沙新港

10、60;0100湖南岳阳岳阳楼 10002003-07湖南岳阳城陵矶 1000湖南长沙新港 1000湖南岳阳岳阳楼 10002003-08湖南岳阳城陵矶 1000湖南长沙新港 0010湖南岳阳岳阳楼 10002003-09湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 10002003-10湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 10002003-11湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼&

11、#160;10002003-12湖南岳阳城陵矶 0100湖南长沙新港 0010湖南岳阳岳阳楼 01002004-01湖南岳阳城陵矶 0100湖南长沙新港 0010湖南岳阳岳阳楼 10002004-02湖南岳阳城陵矶 0100湖南长沙新港 0010湖南岳阳岳阳楼 10002004-03湖南岳阳城陵矶 1000湖南长沙新港 0010湖南岳阳岳阳楼 10002004-04湖南岳阳城陵矶 1000湖南长沙新港 0010湖南岳阳岳阳楼 10002004-0

12、5湖南岳阳城陵矶 1000湖南长沙新港 0010湖南岳阳岳阳楼 10002004-06湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 01002004-07湖南岳阳城陵矶 0100湖南长沙新港 0100湖南岳阳岳阳楼 00102004-08湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 01002004-09湖南岳阳城陵矶 1000湖南长沙新港 1000湖南岳阳岳阳楼 10002004-10湖南岳阳城陵矶 1

13、000湖南长沙新港 0100湖南岳阳岳阳楼 10002004-11湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 01002004-12湖南岳阳城陵矶 1000湖南长沙新港 0010湖南岳阳岳阳楼 10002005-01湖南岳阳城陵矶 0100湖南长沙新港 0100湖南岳阳岳阳楼 01002005-02湖南岳阳城陵矶 1000湖南长沙新港 0010湖南岳阳岳阳楼 00102005-03湖南岳阳城陵矶 0100湖南长沙新港 

14、0100湖南岳阳岳阳楼 01002005-04湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 10002005-05湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 01002005-06湖南岳阳城陵矶 1000湖南长沙新港 1000湖南岳阳岳阳楼 10002005-07湖南岳阳城陵矶 1000湖南长沙新港 0100湖南岳阳岳阳楼 10002005-08湖南岳阳城陵矶 0100湖南长沙新港 0100湖南岳阳岳阳楼

15、0;10002005-09湖南岳阳城陵矶 0100湖南长沙新港 1000湖南岳阳岳阳楼 0100结果分析：通过神经网络模型对湖南省长江段水质进行评价，表中84组数据中有76组数据评价结果与实际情况相同，准确率高达90%以上，而另外8组评价结果虽与与实际不符合，但它们与实际结果只差一个等级（即接近实际结果），综上所述，建立的这个神经网络对水质评价是可行的，故可以将这个社交网络模型用于其他水域的水质判别。另外水质综合评价等级结果显示，长江在湖南段水质总体上集中在、类水质上，属于较清洁水；但随着工业废水和生活污水排放量的增加，对长江水质的保护依旧是一项任重道远的艰巨任务

16、！1.1.2 方法2：熵权法（1）TOPSIS法建立水质评价模型1、 水质评价矩阵的建立设影响水质评价结果的指标体系为，相应的水质等级为那么水质评价数学表达式为：设有m个评价单元，每个评价单元有n个评价指标，则水质评价矩阵为： 式中为第m个评价对象的第n个评价指标值。因此，整个水质评价矩阵可表示为（2）利用熵值法确定权重1、 数据标准化处理 利用式（1）对矩阵X进行标准化处理，组成规范化矩阵,则第j个指标下第i个项目的指标值的比重为： 2、 确定参评指标的熵 在信息论中，熵是一个系统无序度的一个度量，信息熵的计算公式为: 式中: ,m表示参评对象的个数,n表示参评的指标值。 从信息熵的公式中可

17、以看出： 如果某个指标的熵值越小，说明其指标值的变异程度越大，提供的信息量越多，在综合评价中该指标起的作用越大，其权重应该越大；如果某个指标的熵值 越大，说明其指标值的变异程度越小，提供的信息量越少，在综合评价中起的作用越小，其权重也应越小。故在具体应用时，可根据各指标值的变异程度，利用熵来计算各指标的熵权，利用各指标的熵权对所有的指标进行加权，从而得出较为客观的评价结果3、评价指标的权值计算 利用信息熵可以计算出参与水质评价的各指标的熵权为： 当各备选项目在指标j上的值完全相同时,该指标的熵达到最大值1,其熵权为零。这说明该指标未能向决策者供有用的信息,即在该指标下,所有的备选项目对决策者说

18、是无差异的,可考虑去掉该指标。因此,熵权本身并不是表示指标的重要性系数,而是表示在该指标下对评价对象的区分度。（3） ：基于TOPSIS法的水质评价 1、 构建加权规范化矩阵 由于各参评指标的重要程度存在着一定的差异，利用式( 2) 求解出的各指标的熵权，将规范化数据加权，形成参评对象的加权规范化矩阵: 2、确定理想解与负理想解 在利用TOPSIS 法进行水质评价时，根据参评指标的不同类型，按照下式分别确定理想解和负理想解: 表示效益型评价指标集，表示成本型评价指标集 3、计算距离待评对象与理想解和负理想解之间的距离可以分别用下式表示: 4、计算相对贴近度 评价对象与理想解的相对贴近度可表示为

19、: 其中， 相对贴度的大小反映了待评对象靠近理想解，远离负理想解的程度，若某个待评对象的 值接近1，则表示该采样点的水质最好，反之，若某个待评对象的值接近0，则表求该采样点的水质最差，污染程度最严重。 （4）仿真研究1、水质评价指标体系 本文利用TOPSIS 法对长江流域主要城市水质检测报告为例，共有3测试点（共15组数据），以观测点的水溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮（NH3-N）等项检测指标作为参评指标体系各指标实测数据见表1。表1:检测点实测数据2003-06DOCODMNNH3-N湖南岳阳城陵矶6.472.90.34湖南长沙新港6.454.30.99湖南岳阳岳阳楼6.2

20、61.40.212003-10湖南岳阳城陵矶8.0160.27湖南长沙新港5.442.21.12湖南岳阳岳阳楼9.972.80.242004-02湖南岳阳城陵矶8.054.10.32湖南长沙新港5.491.81.21湖南岳阳岳阳楼7.6540.332004-09湖南岳阳城陵矶8.563.90.3湖南长沙新港7.241.70.37湖南岳阳岳阳楼8.033.60.312005-01湖南岳阳城陵矶8.355.10.42湖南长沙新港10.22.10.92湖南岳阳岳阳楼11.25.40.842、 具体实现1） 将表2的分级标准的分界值作为三个判别样品，然后再与表1的数据一起形成增广型矩阵。（其完整形式见

21、附件3）2） 将矩阵A进行数据标准化处理，得到无量纲化决策矩阵（其完整形式见附件3）3） 确定熵与熵权见表3表3：熵与熵权指标熵熵权溶氧度0.98780.0970高锰酸盐指数0.95770.3365氨氮0.92880.56654） 加权规范化矩阵为（其完整形式见附件3）5） 理想解与负理想解 由于在水质评价过程中，各参评指标都属于成本性指标： 负理想解：即： 理想解：即：6） 待评对象与理想解和负理想解之间的距离D1，D2与相对贴近度P见表4（其检测点分别用序号115表示）表4：Ci 及其排序结果序号D1D2Ci排序分类10.00950.04580.82814II20.04120.01380.

22、251215III36.00E-040.05430.98911I40.02140.0470.6879III50.04560.01840.287513IV60.00730.05060.87332II70.01370.04530.76788II80.050.01960.282114IV90.01350.04490.76947II100.01250.04650.78746II110.00820.04640.84983II120.01140.04630.80195II130.02010.03970.663910III140.03580.0230.391211III150.03670.01860.337

23、12III分界点10.00430.0560.9281分界点20.01880.03680.6618分界点30.04480.01130.2015分界点40.07560.02410.2427）评价结果与分析： 根据检测对象与理想解和负理想解之间的距离D1和D2来进行污染程度的判定，当其D1值大于等于分界点4的理想距离时，其污染程度为V级，当D1值大于等于分界点3且小于分界4的理想距离时，其污染程度为IV级，当其D1值大于等于分界点2且小于分界点3的理想距离时，其污染程度为III级，当其D1值大于等于分界点1且小于分界点2的理想距离时，其污染程度为II级，当其D1小于分界点1的理想距离时，其污染程度为

24、I级,由分级标准可知I、II、III级属于饮用水范畴。从表4可以看出湖南长江段水质污染程度由大到小的顺序为检测点2、检测点8、检测点、检测点5、检测点15、检测点14、检测点13、检测点4、检测点7、检测点9、检测点10、检测点12、检测点1、检测点11、检测点6、检测点3。2.1.1模型比较方法一：选择不同时间的湖南岳阳城陵矶、湖南长沙新港、湖南岳阳岳阳楼的数据；方法二：选择方法一中的部分数据即2003-06、2003-10、2004-02、2004-09、2005-01的数据；我们将方法一与方法二的模型评价结果对比得到如下结果：（见表5）表5：不同模型评价结果对比1234567891011

25、12131415熵权法神经网络实际结果从表5可以看出BP神经网络方法与熵权法得出的结果与实际结果基本一致。说明了BP神经网络方法与熵权法进行水质评价都能得到正确的评价结果，具有较高的准确率。模型评价优点：1、通过比较MATLAB中神经网络训练函数的训练函数的步数、收敛精度及误差，反复训练确定了最佳的BP神经网络训练函数，结果合理可靠。2、利用熵理论对各参评指标进行客观赋权，有效地避免了权重计算过程中的主观性，整个计算过程思路清晰，结果合理，在项目决策水资源等评价领域研究中有着独特的优势和广泛的应用前景。缺点：本文还有待提高，还需对算法进行完善，并对评估对象的评价指标进行细分和规法化，以提高准确

26、率。 参考文献1韩中庚.数学建模方法及其应用M，解放军信息工程大学，2005年。2阮沈勇.MATLAB程序设计M，电子工业出版社，2004。3白颖，王瑞红，许新宜，谢琼.水资源利用效率及评价方法若干问题研究J.北京师范大学水科学研究院,2010-5.4杨丽英,许新宜,贾香香.水资源效率评价指标体系探讨J.北京师范大学水科学研究院,2009-10.5刘庆生.浙江省水利资源利用率研究J.浙江水利水电专专科学校,2010-3. 附件1：2003-06DOCODMNNH3-N湖南岳阳城陵矶0.81270.06920.1027湖南长沙新港0.80910.17690.4541湖南岳阳岳阳楼0.7745-0

27、.04620.03242003-07湖南岳阳城陵矶1.01270.14620.0865湖南长沙新港0.89640.04620.1351湖南岳阳岳阳楼0.81640.10.05952003-08湖南岳阳城陵矶1.07640.04620.0919湖南长沙新港0.42550.06920.4162湖南岳阳岳阳楼1.14910.13080.11892003-09湖南岳阳城陵矶1.15640.08460.0811湖南长沙新港0.85450.03850.3243湖南岳阳岳阳楼1.23640.11540.08652003-10湖南岳阳城陵矶1.09270.30770.0649湖南长沙新港0.62550.015

28、40.5243湖南岳阳岳阳楼1.44910.06150.04862003-11湖南岳阳城陵矶1.19820.08460.1297湖南长沙新港0.9764-0.01540.7189湖南岳阳岳阳楼1.11450.12310.17842003-12湖南岳阳城陵矶1.15270.23080.0919湖南长沙新港0.9364-0.01540.6703湖南岳阳岳阳楼1.15450.17690.07572004-01湖南岳阳城陵矶1.13450.16920.1135湖南长沙新港0.8600.5892湖南岳阳岳阳楼0.93270.05380.10272004-02湖南岳阳城陵矶1.10.16150.0919湖

29、南长沙新港0.6345-0.01540.573湖南岳阳岳阳楼1.02730.15380.09732004-03湖南岳阳城陵矶1.18910.13850.0541湖南长沙新港0.57450.03850.5676湖南岳阳岳阳楼0.61820.18460.09732004-04湖南岳阳城陵矶1.18180.10.0595湖南长沙新港0.73820.22310.4811湖南岳阳岳阳楼1.15820.04620.05412004-05湖南岳阳城陵矶1.72730.12310.0919湖南长沙新港0.8909-0.00770.573湖南岳阳岳阳楼1.23640.11540.10272004-06湖南岳阳城

30、陵矶1.10730.11540.1081湖南长沙新港0.91270.21540.4486湖南岳阳岳阳楼1.11640.40770.12432004-07湖南岳阳城陵矶1.17450.16920.1135湖南长沙新港1.02180.15380.4378湖南岳阳岳阳楼1.06550.34620.10272004-08湖南岳阳城陵矶1.13820.15380.0973湖南长沙新港0.9364-0.08460.3297湖南岳阳岳阳楼1.160.22310.08652004-09湖南岳阳城陵矶1.19270.14620.0811湖南长沙新港0.9527-0.02310.1189湖南岳阳岳阳楼1.0964

31、0.12310.08652004-10湖南岳阳城陵矶1.09090.11540.1135湖南长沙新港1.1309-0.01540.3297湖南岳阳岳阳楼1.25090.28460.17842004-11湖南岳阳城陵矶1.01640.04620.1135湖南长沙新港0.89270.03080.3243湖南岳阳岳阳楼1.16550.23080.12432004-12湖南岳阳城陵矶1.17640.11540.0865湖南长沙新港1.2582-0.06920.7081湖南岳阳岳阳楼1.34730.14620.10272005-01湖南岳阳城陵矶1.15450.23850.1459湖南长沙新港1.490

32、90.00770.4162湖南岳阳岳阳楼1.67270.26150.3732005-02湖南岳阳城陵矶1.39090.09230.1514湖南长沙新港1.63640.00770.6湖南岳阳岳阳楼2.30910.34620.40542005-03湖南岳阳城陵矶1.58180.16150.1459湖南长沙新港1.78180.17690.4054湖南岳阳岳阳楼1.05090.28460.2272005-04湖南岳阳城陵矶0.99640.06920.1459湖南长沙新港0.99090.01540.3622湖南岳阳岳阳楼1.16360.26920.09192005-05湖南岳阳城陵矶1.63640.07

33、690.0216湖南长沙新港0.660.03080.2054湖南岳阳岳阳楼0.75450.23080.00542005-06湖南岳阳城陵矶1.58180.20770.0054湖南长沙新港0.9-0.03850.173湖南岳阳岳阳楼1.02180.14620.10812005-07湖南岳阳城陵矶1.21820.08460.1405湖南长沙新港0.8091-0.01540.2378湖南岳阳岳阳楼1.080.08460.12972005-08湖南岳阳城陵矶1.060.16920.0541湖南长沙新港0.6782-0.04620.2486湖南岳阳岳阳楼1.04360.07690.10272005-09

34、湖南岳阳城陵矶1.67270.22310.1405湖南长沙新港0.740.14620.227湖南岳阳岳阳楼1.18360.04620.2649附件2：% 调用 T% NEWFF生成一个新的前向神经网络 % TRAIN对 BP 神经网络进行训练 % SIM对 BP 神经网络进行仿真 p1= 1 0 0 0.7273 0.1538 0.1892 0.5455 0.3077 0.4595 0.1818 0.6154 0.7297 0 1 1;%输入向量pn=p1'pr=minmax(pn); t= 0 0 0 0; 1 0 0 0; 0 1 0 0; 0 0 1 0; 0 0 0 1;tn=

35、t'%tn为目标矢量EPOCHS=1000;GOAL=0.0001;LR=0.01;MAX_FAIL=10;%建立bp神经网络，并训练。 net=newff(minmax(pn),12,4,'tansig','purelin','trainlm');net.trainParam.epochs=EPOCHS;%最大训练次数net.trainParam.goal =GOAL;%设定的期望误差，一般为0.0001，可以修改net.trainParam.lr=LR; %训练步长net.trainParam.max_fail=MAX_FAIL;%调

36、用TRAINSCG算法训练BP网络net=train(net,pn,tn); %训练函数y=sim(net,pn);e=tn-y;error=mse(e,net); %error为网络的误差向量r=norm(error); x= 0.8127 0.0692 0.1027 0.8091 0.1769 0.4541 0.7745 -0.0462 0.0324 1.0127 0.1462 0.0865 0.8964 0.0462 0.1351 0.8164 0.1000 0.0595 1.0764 0.0462 0.0919 0.4255 0.0692 0.4162 1.1491 0.1308 0.

37、1189 1.1564 0.0846 0.0811 0.8545 0.0385 0.3243 1.2364 0.1154 0.0865 1.0927 0.3077 0.0649 0.6255 0.0154 0.5243 1.4491 0.0615 0.0486 1.1982 0.0846 0.1297 0.9764 -0.0154 0.7189 1.1145 0.1231 0.1784 1.1527 0.2308 0.0919 0.9364 -0.0154 0.6703 1.1545 0.1769 0.0757 1.1345 0.1692 0.1135 0.8600 0 0.5892 0.93

38、27 0.0538 0.1027 1.1000 0.1615 0.0919 0.6345 -0.0154 0.5730 1.0273 0.1538 0.0973 1.1891 0.1385 0.0541 0.5745 0.0385 0.5676 0.6182 0.1846 0.0973 1.1818 0.1000 0.0595 0.7382 0.2231 0.4811 1.1582 0.0462 0.0541 1.7273 0.1231 0.0919 0.8909 -0.0077 0.5730 1.2364 0.1154 0.1027 1.1073 0.1154 0.1081 0.9127 0.2154 0.4486 1.1164 0.4077 0.1243 1.1745 0.1692 0.1135 1.0218 0.1538 0.4378 1.0655 0.3462 0.1027 1.1382 0.1538 0.0973 0.9364 -0.0846 0.3297 1.1600 0.2231 0.0865 1.192