基于人工神經(jīng)網(wǎng)絡(luò)的巢湖流域水體總磷和總氮預(yù)測

曹泓 儲政勇 李臻

摘 要：本文提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的巢湖流域水體總磷和總氮的預(yù)測模型，可以預(yù)測出水體中總磷和總氮的濃度，有利于巢湖流域水體富營養(yǎng)化的治理，節(jié)省了水質(zhì)監(jiān)測的成本;該模型使用易于測量且和總磷、總氮密切相關(guān)的水質(zhì)指標作為輸入，利用巢湖流域歷史水質(zhì)數(shù)據(jù)進行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、測試和驗證。結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)可以有效的預(yù)測水體的總磷和總氮濃度。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);總磷;總氮;水質(zhì)預(yù)測

1 概述

巢湖是我國第5大淡水湖，隨著周邊經(jīng)濟發(fā)展和人口的增長，水體出現(xiàn)富營養(yǎng)化，總磷和總氮等指標達到劣V類標準。[1]在對水體的富營養(yǎng)化進行評價時，總磷和總氮是重要的水質(zhì)指標，目前通常的測定方法有分光光度法和離子色譜法等，需要經(jīng)過采樣、實驗室處理和結(jié)果分析等步驟，存在著分析時間長、需要消耗試劑以及產(chǎn)生二次污染等缺點。但是水體中的溫度、濁度、電導(dǎo)率、PH和溶解氧等參數(shù)，通過在線水質(zhì)檢測儀，很容易進行測量。人工神經(jīng)網(wǎng)絡(luò)是一種常用的非線性模式識別建模方法，可以在輸入變量和輸出變量之間建立非線性的映射模型，而且在映射過程中能夠并行分布處理和自適應(yīng)學(xué)習(xí)，在人工智能和模式識別等領(lǐng)域都得到了廣泛的應(yīng)用。本研究利用水體中檢測成本低且方便的參數(shù)，通過人工神經(jīng)網(wǎng)絡(luò)建立水體總磷和總氮預(yù)測模型，為巢湖流域的水體富營養(yǎng)化監(jiān)測和治理提供了新的方法和依據(jù)。

2 基于人工神經(jīng)網(wǎng)絡(luò)的水體總磷和總氮預(yù)測

基于人工神經(jīng)網(wǎng)絡(luò)的水體總磷和總氮預(yù)測，包含4個部分，數(shù)據(jù)采集、輸入變量選擇、數(shù)據(jù)預(yù)處理、人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練等。[2]

步驟（1）數(shù)據(jù)采集，從巢湖管理局環(huán)境保護監(jiān)測站獲取了巢湖流域2018年1月至2019年3月份的水質(zhì)數(shù)據(jù)650條，監(jiān)測指標包括了《國家地表水環(huán)境質(zhì)量標準》（GB3838-2002）規(guī)定的24項基本監(jiān)測項目，代表了水體的化學(xué)、物理和生物特性。

步驟（2）輸入變量選擇，水體的物理、化學(xué)和生物特性是相互影響、相互關(guān)聯(lián)的，因此，需要篩選出合適的水質(zhì)參數(shù)作為模型的輸入變量，[3]使用以下兩個標準作為篩選的主要依據(jù)：第一是計算水質(zhì)參數(shù)和總磷、總氮在統(tǒng)計學(xué)上的相關(guān)系數(shù)，相關(guān)系數(shù)表示輸出參數(shù)和輸入?yún)?shù)的相關(guān)性;第二是從檢測方法上來說，選取比總磷和總氮更容易檢測的指標。通過初步篩選對水質(zhì)參數(shù)進行排名，然后利用人工神經(jīng)網(wǎng)絡(luò)模型對輸入變量進行再次篩選，當訓(xùn)練模型產(chǎn)生的決定系數(shù)（R2）大于0.7時，相應(yīng)的水質(zhì)參數(shù)作為模型的輸入變量。

步驟（3）數(shù)據(jù)預(yù)處理，人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)在分析之前，需要將數(shù)據(jù)標準化，利用標準化后的數(shù)據(jù)進行分析，輸入變量處于同一數(shù)量級，使網(wǎng)絡(luò)能夠快速收斂。

步驟（4）人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，本研究使用前向反饋神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，需要確定輸入層、輸出層、隱含層和連接權(quán)重，輸入層的節(jié)點數(shù)由輸入變量決定，輸出層的節(jié)點數(shù)由需要預(yù)測的水質(zhì)指標總氮和總磷確定，通常隱含層的節(jié)點數(shù)只能借助學(xué)者給出的經(jīng)驗公式并進行多次試驗得以確定，本研究利用“進退法”算法快速確定隱含層節(jié)點數(shù);[4]為了滿足建模的需要，將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，其中訓(xùn)練集占總數(shù)的1/2，驗證集和測試集分別占1/4，使用Matlab工具箱進行建模;常用的模型評價指標包括決定系數(shù)（R2）、建模均方根誤差（RMSEC）和預(yù)測均方根誤差（RMSEP）。預(yù)測模型的R2較大并且RMSE值較小表明預(yù)測效果好，反之表示模型的預(yù)測效果較差。

3 結(jié)論

本文提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的巢湖流域水體總磷和總氮的預(yù)測模型，可以預(yù)測出水體中總磷和總氮的濃度，有利于巢湖流域水體富營養(yǎng)化的治理，節(jié)省了水質(zhì)監(jiān)測的成本。

參考文獻：

[1]龔文娟.巢湖流域縣河污染物來源特征分析.安徽農(nóng)業(yè)科學(xué)，2019（08）：73-76.

[2]曹泓.紫外可見光譜的水產(chǎn)養(yǎng)殖水體有機物濃度快速檢測研究.光譜學(xué)與光譜分析，2014.34（11）：3015-3019.

[3]Ruben，G.and A.Y.Boakye.Prediction of Total Phosphorus Using an Artificial Neural Network.2016.

[4]孫弋清.基于進退法的神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的確定方法.現(xiàn)代商貿(mào)工業(yè)，2018.39（35）：197-199.