基于BP神經網絡的萩蘆溪流域水質變化趨勢研究

摘要：根據2007-2011年萩蘆溪流域白沙橋、獅亭橋、南安陂和江口橋4個監測點水質監測數據，應用主成分分析法確定水質主要富營養化指標為TP、BOD5和DO。利用Matlab 6.5軟件構建BP神經網絡模型，對2012-2014年萩蘆溪流域4個監測點的水質主要富營養化指標進行預測，分析萩蘆溪流域水質變化趨勢，表明TP為萩蘆溪流域水體污染的主導因子，為萩蘆溪流域的限制性營養元素，并提出相應對策。

關鍵詞：萩蘆溪；營養元素；主成分分析；BP神經網絡

中圖分類號：S522 文獻標識碼：A 文章編號：0439-8114（2013）14-3469-04

萩蘆溪流域為福建省莆田市第二大河流，其自然環境優良，水資源豐富，流域內的外度水庫、后溪水庫和東方紅水庫保證了莆田市工業、農業生產用水和居民生活用水。然而，近年來由于畜禽兩岸養殖業和種植業迅速發展，萩蘆溪流域的水體環境和生態系統受到很大的威脅[1]。目前國內外對于流域、湖泊、庫區等水環境質量評價方法較多，如模糊綜合評價法[2]、分形理論[3]、隨機評價[4]、灰色聚類法[5]、神經網絡評價[6-10]等。在近年來水質監測數據的基礎上，本研究基于BP神經網絡，針對萩蘆溪流域建立模型，對流域水質營養元素分布特征以及變化規律進行預測及分析，可為全面了解萩蘆溪流域水體污染程度提供依據，同時也為萩蘆溪流域經濟可持續發展和水質改善提供科學的參考依據。

1 研究區概況

萩蘆溪流域位于福建省莆田市北部，東經119°00′-119°12′，北緯25°29′-25°38′，發源于仙游縣游洋鎮，海拔805.8 m，河流自西北向東南流經莊邊鎮，于白沙鎮的寶陽匯合，再流經白沙、萩蘆，接納三叉河，最后在江口鎮注入興化灣。萩蘆溪干支流共長150 km2，集雨面積709 km2（其中莆田市境內662 km2），居福建省第十一位。萩蘆溪水系排列具有羽狀特征，地勢為西北高，東南低，大部分海拔在100 m以上。河道中上游為中低山地，是戴云山脈蜿蜒而東的支脈，巖層由中生界火山巖組成，河道平均坡降為25.9‰，屬于山溪性河流。萩蘆溪下游河道比較開闊，水流平緩，最小坡降為5.8‰，屬于興化平原。該流域中建有中、小型水庫共二十余座，大多數水庫是以灌溉為主，用于防洪、發電和養殖。

2 BP神經網絡的原理

BP神經網絡能夠大量反映人腦功能的基本特性，是由大量又簡單的神經元經過廣泛相互連接形成的[11]。BP神經網絡采用的學習算法是一種誤差反向傳播的算法，該算法具有較強的函數映射功能，具有廣泛的用途，是人工神經網絡最典型的代表。BP神經網絡是最簡單的多層神經網絡，層與層之間的神經元實現全連接，而每層內各神經元之間沒有連接[7]。網絡的訓練依據是有教師教的學習方式，即當向網絡提供一種學習模式，神經元被激活，激活值就會從輸入層傳播到隱含層，再從隱含層傳播到輸出層，輸出層的神經元被激活，然后網絡依據使實際輸出接近目標輸出、使誤差減少的方向，從輸出層經過各隱含層逐層修改各神經元之間的連接權值，最后回到輸入層，因此被稱為誤差反向傳播算法。

2.1 輸入參數的選擇

主成分分析法是將復雜又彼此相關的多個變量簡化的一種分析方法[12-14]。在實際監測過程中，雖然監測點和監測項目較多，但是每個監測點的監測數據之間存在著一定的相關性。通過主成分分析法對其進行降維處理，能夠找出水體環境質量的綜合指標。這些綜合指標是由若干個指標通過線性結合的方式形成的，保留了原始數據的大部分信息，能夠充分反映原始數據的內容。對這些綜合指標進行分析，并且分析各單項指標在綜合指標中的重要性，刪除一些次要的指標，從而確定造成水體污染的主要成分。

2.2 數據預處理和后期處理

對BP神經網絡的數據進行預處理，能夠使網絡的訓練速度加快。Matlab 6.5軟件預處理的方法有歸一化處理、標準化處理、主成分分析、回歸分析與相關性分析。其中，歸一化處理是將每組數據均歸一化為-1到1之間的數值，所涉及的函數有Mapminmax、Postmnmx、Tramnmx。

3 萩蘆溪流域水質變化實例分析

數據來源于2007-2011年莆田市萩蘆溪流域4個監測點水質監測結果（監測點設置如圖1所示）。數據分析及處理采用Excel軟件，主成分分析采用SPSS17.0軟件，Matlab 6.5軟件用于構建BP神經網絡來預測萩蘆溪流域水質變化的趨勢。

3.1 輸入參數的選擇

利用SPSS17.0軟件對2007-2011年萩蘆溪流域4個監測點水體的pH、DO、CODMn、BOD5、氨氮和TP 6個指標的年均值進行主成分分析，選取水體污染主導因子。結果（表1）表明，前2個主成分的累計貢獻率為87.286%，大于85%，可以充分反映各個污染因素對水體污染程度的貢獻，因此提取主成分F1、F2進行分析。第一主成分的貢獻率為49.719%，主要由TP和BOD5決定，第二主成分的貢獻率為37.567%，主要是由DO決定（表2）。因此，初步選取了TP、BOD5和DO作為萩蘆溪水體污染的主要限制因子。

3.2 網絡模型的確定

BP神經網絡是一種具有3層或者3層以上神經元的前饋型網絡，由1個輸入層、若干隱含層及1個輸出層構成，輸入層和輸出層的神經元根據實際情況和數據決定。因此，選擇利用主成分分析法分析得到的影響水體質量的TP、BOD5和DO 3個指標作為BP神經網絡輸入層和輸出層的神經元，所以輸入層和輸出層的神經元數量均為3，輸入層神經元傳遞函數選用S型正切函數Tansig，輸出層神經元傳遞函數選用線性函數Purelin。由于用只含有一個隱含層的BP神經網絡就可以逼近閉區間內的任意一個連續的函數[15]，因此，本研究選擇3層BP神經網絡。隱含層的神經元數的選取比較復雜，因為隱含層的神經元數太多，學習時間將會延長，誤差就增大。研究表明對于輸入層神經元數為m的3層BP神經網絡，隱含層的神經元數可以設計為2m+1個，此時BP神經網絡能夠以任意精度逼近任何一個可微函數[11]。由于輸入層神經元數量為3，因此隱含層神經元數可以設計為7。選用S型正切函數Tansig作為隱含層神經元的傳遞函數。對于內存足夠的中小型網絡可以選取Levenber-Marquardt學習算法訓練網絡，其訓練速度在這種情況下較快。因此，選取Trainlm函數作為BP神經網絡的訓練函數。

3.3 網絡性能檢驗結果及分析

利用BP神經網絡以2010年萩蘆溪流域白沙橋、獅亭橋、南安陂和江口橋4個監測點的TP，BOD5和DO 3個指標作為輸入樣本，預測2011年萩蘆溪流域白沙橋、獅亭橋、南安陂和江口橋4個監測點的TP、BOD5和DO 3個指標的含量，結果最大相對誤差數值為2.97%，預測準確度較高。由此可見，訓練后的BP神經網絡模型可用于預測萩蘆溪流域白沙橋、獅亭橋、南安陂和江口橋4個監測點的TP、BOD5和DO 3個指標的含量。

3.4 萩蘆溪流域水質指標預測結果

比較分析利用BP神經網絡預測的2012-2014年萩蘆溪流域4個監測點TP、BOD5和DO的預測值（表3），表明萩蘆溪流域TP含量在地表水環境質量Ⅱ-Ⅳ類之間變動，其中江口橋TP含量從2012年的0.155 mg/L到2013年0.191 mg/L，再到2014年的0.233 mg/L，呈現上升的趨勢；BOD5屬于地表水環境質量Ⅰ類標準；DO在2012年含量較低，其中獅亭橋的含量最小（5.563 mg/L），屬于地表水環境質量Ⅲ類標準，2013年萩蘆溪流域DO含量屬于地表水環境質量Ⅰ類標準，2014年流域DO含量除了江口橋為6.047 mg/L，屬于地表水環境質量Ⅱ類標準外，其他監測點DO含量均屬于Ⅰ類標準。

3.5 萩蘆溪流域TP含量的變化特征

氮、磷是水體中主要的營養元素，是水體富營養化的最主要原因[16，17]。淡水系統中氮、磷含量在正常情況下是有限的，過量的氮、磷輸入會致使植物大量生長，尤其是引起藻類以及其他浮游生物的快速繁殖，使得水體中溶解氧含量下降，水質變差。利比希最小因子定律解釋表明最小量的必需物質決定了植物的生長，這種物質就是限制性因子。當水體中氮、磷能夠被水體中的植物吸收，氮磷比<7時，氮可能是限制性營養鹽；當氮磷比>7時，磷可能是限制性營養鹽；當比值在7附近時，則氮和磷均可能是限制性營養鹽[15]。分析2011年數據可知，氮磷比為16.87>7，說明磷可能是限制性營養鹽，進一步分析歷年數據及預測數據，結果表明氮磷比均大于7。由此可知，TP為萩蘆溪流域水質惡化的主導因子，依據利比希最小定律分析的結果可知磷為萩蘆溪流域的限制性營養元素。

分析比較2007-2014年萩蘆溪流域白沙橋、獅亭橋、南安陂和江口橋4個監測點TP含量（圖2）。2007-2011年除了2008年白沙橋TP的含量（0.158 mg/L）大于江口橋TP的含量（0.155 mg/L）外，江口橋TP含量均高于其他3個監測點的TP含量。白沙橋和獅亭橋TP含量在2009和2011年出現拐點下降，江口橋和南安陂TP含量的變化趨勢基本一致，都是2007-2009年含量上升，2010-2011年含量下降。對2012-2014年的預測結果顯示，2011年后TP含量比2011年高，白沙橋和獅亭橋的變化趨勢基本一致，TP含量上升，南安陂和江口橋的變化趨勢剛好相反，南安陂TP含量下降，江口橋TP含量上升，可知江口橋TP含量相對污染較嚴重，提示莆田市涵江區政府及其有關部門特別是管轄江口橋的有關部門應加強水質治理力度，公眾應嚴格遵守規定，畜禽養殖業、種植業、工業、企業、娛樂場排放水均應符合規定要求，使萩蘆溪流域TP含量下降，水質得到徹底的改善，達到理想狀態。

4 小結

通過SPSS17.0軟件對2007-2011年萩蘆溪流域白沙橋、獅亭橋、南安陂和江口橋4個監測點水質指標的平均值進行主成分分析，得出TP、BOD5和DO為流域水質富營養化的主要影響因子。利用BP神經網絡預測萩蘆溪流域TP、BOD5和DO的含量，相對誤差最大為2.97%，表明建立的模型適用于萩蘆溪流域TP、BOD5和DO含量的預測，能夠為萩蘆溪流域水資源保護起到指導性作用。綜合分析萩蘆溪流域4個監測點TP、BOD5和DO含量，得出TP為萩蘆溪流域的限制性營養元素。

參考文獻：

[1] 林秋霞.萩蘆溪流域養豬污染與治理模式分析[J]. 能源與環境，2010（3）：60-63.

[2] 尤永祥，曹貫中，肖仲凱，等.模糊綜合評價法在長江下游貴池河段水質評價中的應用[J].水利科技與經濟，2012，18（4）：54-56.

[3] 詹 勇，李暢游，史小紅，等.分形理論在評價烏梁素海湖水質中的應用[J].水資源與水工程學報，2012，23（2）：37-40.

[4] 廖 杰，王文圣，丁 晶.貝葉斯公式在河流水質綜合評價中的應用[J].四川師范大學學報（自然科學版），2007，30（4）：519-522.

[5] 吳祥慶，黎小正，秦振發，等.灰色聚類法在西津水庫水體富營養化評價中的應用[J].安徽農業科學，2010，38（22）：11926-11928.

[6] 孫境蔚.基于BP神經網絡的水體富營養化評價的研究[J].泉州師范學院學報，2008，26（4）：92-95.

[7] 侯 君，姚志紅.基于BP神經網絡的湖泊水體富營養化的短期預測[J].實驗室研究與探索，2008，27（6）：38-40.

[8] 王里奧，任家寬，劉陽生，等.基于因子-神經網絡預測南渡江海口段水質狀況[J].環境科學管理，2008，33（6）：176-179.

[9] 楊 琴，謝淑云.BP神經網絡在洞庭湖氨氮濃度預測中的應用[J].水資源與水工程學報，2006，17（1）：65-70.

[10] 高艷萍，周 敏，姜鳳嬌.基于BP網絡養殖水體氨氮預測模型及實現[J].農機化研究，2008（7）：48-50.

[11] 傅薈璇，趙 紅.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2007.90-91.

[12] 王曉鳳.應用主成分分析法評價東昌湖水質狀況[J].湖北農業科學，2011，50（23）：4812-4815.

[13] 陳海鷹.主成分分析法在東張水庫水質污染特征分析與評價的應用[J].化學工程與裝備，2011（9）：249-255.

[14] 余進祥，劉婭菲，鐘曉蘭，等.鄱陽湖水體富營養化評價方法及主導因子研究[J].江西農業學報，2009，21（4）：125-128.

[15] 陳新軍，周應祺.基于BP模型的漁業資源可持續利用綜合動態評價[J]. 湛江海洋大學學報， 2002，22（6）：38-44.

[16] 胡綿好，袁菊紅，盧福財，等.鄱陽湖典型區段水體氮磷等污染發生頻率與成因特征研究[J].水資源與水工程學報，2012， 23（1）：14-17.

[17] 張旦麟，何仁江，鄭 軍，等.三峽庫區典型農業小流域水體水質與徑流氮磷流失研究[J].三峽環境與生態，2011，33（5）：1-5.