论文部分内容阅读
城市径流污染给城市受纳水体造成诸多负面环境影响。随着雨水管理措施逐渐由工程化向生态化转化，人工湿地越来越多地用于削减城市径流污染。在雨水湿地设计之初，利用相关模型根据其服务区域的径流污染负荷对其水质净化效果进行预测是保障雨水湿地设计科学性、经济性的前提。目前，雨水湿地污染物净化效果预测模型存在着参数复杂、准确度不高、缺乏与动态降雨过程产生的污染负荷耦合等不足。因此，本研究构建了BP神经网络模型。研究应用多种变量筛选方法（主成分分析、逐步回归分析、平均影响值分析）对诸多影响雨水湿地污染物去除的因素进行筛选，得出对于雨水湿地污染物净化效果预测最重要、最具代表性的因素作为输入变量，以简化模型对于输入参数的要求，构建了SS、TCOD、TN、TP浓度的BP神经网络模型，用于预测雨水湿地出水；在此基础上，构建了融合山地城市陡坡特征的BP神经网络模型，研究了山地城市雨水湿地“跌水式”进口对雨水径流当中SS、TCOD、TN、TP去除的影响；针对监测数据可能存在的丰富度不足、数据分布不均衡等不利因素，耦合统计学马尔可夫链模型，对BP神经网络模型预测结果进行了修正，提高了预测模型的可靠性；将模型与城市分布式降雨-径流模型SWMM模型耦合，利用SWMM模型为BP神经网络模型提供动态降雨下的城市面源污染负荷输入值，并以实际工程构建耦合模型进行了应用。研究成果为雨水湿地及流域层面的雨水径流污染物削减效能评估提供了工具，同时也为其他径流污染物控制设施的设计及效果预测提供了思路。
主要研究内容及结论如下：
①雨水湿地污染物去除影响因子筛选以及预测模型构建
运用主成分分析、逐步回归分析、平均影响值分析选取对径流污染物去除预测最具代表性的影响因子，以此作为输入变量构建基于人工神经网络模型BP算法的污染物削减预测模型，比较不同的变量筛选方法所构建的模型的精度，考察不同变量筛选方法对于模型预测性能的影响，对比BP神经网络模型和传统多元线性回归模型，验证BP神经网络模型的优越性。得出以下结论：
1）在构建雨水湿地控污效能预测模型过程中，对模型变量进行筛选得出代表性变量普遍比用所有原始变量构建的BP神经网络模型预测效果更好，然而就BP神经网络模型预测精度和构建效率而言，变量筛选方法和最具代表性的变量集合对于不同污染物类型呈现出明显不同的响应特征。选用单种变量筛选方法预测出水SS、TCOD、TN、TP浓度时，分别是平均影响值分析、逐步回归分析、平均影响值分析、主成分分析预测效果最佳，对应的模型R2分别为0.983、0.823、0.978和0.985。采用复合变量筛选方法预测出水SS、TCOD、TN、TP浓度时，分别是SRA∩PCA、SRA∩PCA∩MIVA、SRA∩MIVA、SRA∩MIVA预测效果最佳，模型R2分别为0.919、0.625、0.992和0.962。因此，在选择输入变量构建BP神经网络模型预测雨水湿地以及类似雨水处理设施的控污效果时，应当针对需要去除的污染物质类型综合比选，以确定最佳的变量筛选方法。
2）从BP神经网络模型和多元线性回归模型的预测性能对比来看，BP神经网络模型性能总体比多元线性回归模型效果更好。对于雨水湿地出水SS、TP浓度的预测，由于采集的原始数据集较小影响了神经网络模型的性能，二者表现相差不大；然而从雨水湿地出水COD和TN浓度的预测可以看出，BP神经网络模型比多元线性回归模型更具优势。
②集成山地阶梯特征的雨水湿地水质预测BP神经网络模型构建
考虑在山地城市生物滞留设施以及雨水湿地工程中广泛采用的阶梯型跌水结构，选取进口宽度和进口高度作为表征山地阶梯特征的因子，构建包含及不包含山地阶梯特征两种BP神经网络模型，并对比分析了预测结果，以研究进口宽度和进口高度对雨水湿地污染物去除的影响。
1）集成了山地阶梯特征的水质预测BP神经网络模型对于雨水湿地出水SS、TP浓度的预测更准确，模型R2分别为0.975和0.982，也即是说明雨水湿地的“跌水式”进口的设置和尺寸对于雨水径流当中的SS、TP的净化相关性较高。
2）雨水湿地的“跌水式”进口的设置方式和尺寸对于TCOD、TN的净化效果未显示出明显的相关性，这可能是因为山地城市坡度大、地表径流流速快、雨水径流溶解氧浓度高，故而“跌水式”结构伴随的复氧作用对水质净化的影响被削弱。
③雨水湿地水质预测BP神经网络模型Markov修正
针对监测数据可能存在的丰富度不足、数据分布不均衡等不利因素，耦合统计学马尔可夫链模型，对BP神经网络模型进行修正，结果表明：对于雨水湿地出水SS、TCOD、TN、TP浓度的预测，Markov修正后的预测值比修正前的更加接近监测值，因此，BP神经网络和马尔可夫链模型组合而成的BP神经网络-马尔可夫链组合（BPNN-MC）模型对于类似雨水湿地出水水质预测具有更好的可靠性和预测准确度。
④山地城市流域污染物削减评估SWMM-BP神经网络模型耦合应用
将模型与城市分布式降雨-径流模型SWMM进行耦合，为BP神经网络模型提供动态降雨下的城市面源污染负荷输入值，并以重庆市悦来新城作为实际工程案例区域，将雨水湿地BP神经网络水质预测模型与SWMM耦合，进行了研究区域内串联滨江梯田湿地对雨水径流污染物削减的评估，结果表明：结合SWMM的产流汇流计算获得流域污染物负荷输入，BP神经网络评估模型可以作为具体径流控制设施的效能预测工具，提高SWMM对于径流控制设施效能预测的精度。
主要研究内容及结论如下：
①雨水湿地污染物去除影响因子筛选以及预测模型构建
运用主成分分析、逐步回归分析、平均影响值分析选取对径流污染物去除预测最具代表性的影响因子，以此作为输入变量构建基于人工神经网络模型BP算法的污染物削减预测模型，比较不同的变量筛选方法所构建的模型的精度，考察不同变量筛选方法对于模型预测性能的影响，对比BP神经网络模型和传统多元线性回归模型，验证BP神经网络模型的优越性。得出以下结论：
1）在构建雨水湿地控污效能预测模型过程中，对模型变量进行筛选得出代表性变量普遍比用所有原始变量构建的BP神经网络模型预测效果更好，然而就BP神经网络模型预测精度和构建效率而言，变量筛选方法和最具代表性的变量集合对于不同污染物类型呈现出明显不同的响应特征。选用单种变量筛选方法预测出水SS、TCOD、TN、TP浓度时，分别是平均影响值分析、逐步回归分析、平均影响值分析、主成分分析预测效果最佳，对应的模型R2分别为0.983、0.823、0.978和0.985。采用复合变量筛选方法预测出水SS、TCOD、TN、TP浓度时，分别是SRA∩PCA、SRA∩PCA∩MIVA、SRA∩MIVA、SRA∩MIVA预测效果最佳，模型R2分别为0.919、0.625、0.992和0.962。因此，在选择输入变量构建BP神经网络模型预测雨水湿地以及类似雨水处理设施的控污效果时，应当针对需要去除的污染物质类型综合比选，以确定最佳的变量筛选方法。
2）从BP神经网络模型和多元线性回归模型的预测性能对比来看，BP神经网络模型性能总体比多元线性回归模型效果更好。对于雨水湿地出水SS、TP浓度的预测，由于采集的原始数据集较小影响了神经网络模型的性能，二者表现相差不大；然而从雨水湿地出水COD和TN浓度的预测可以看出，BP神经网络模型比多元线性回归模型更具优势。
②集成山地阶梯特征的雨水湿地水质预测BP神经网络模型构建
考虑在山地城市生物滞留设施以及雨水湿地工程中广泛采用的阶梯型跌水结构，选取进口宽度和进口高度作为表征山地阶梯特征的因子，构建包含及不包含山地阶梯特征两种BP神经网络模型，并对比分析了预测结果，以研究进口宽度和进口高度对雨水湿地污染物去除的影响。
1）集成了山地阶梯特征的水质预测BP神经网络模型对于雨水湿地出水SS、TP浓度的预测更准确，模型R2分别为0.975和0.982，也即是说明雨水湿地的“跌水式”进口的设置和尺寸对于雨水径流当中的SS、TP的净化相关性较高。
2）雨水湿地的“跌水式”进口的设置方式和尺寸对于TCOD、TN的净化效果未显示出明显的相关性，这可能是因为山地城市坡度大、地表径流流速快、雨水径流溶解氧浓度高，故而“跌水式”结构伴随的复氧作用对水质净化的影响被削弱。
③雨水湿地水质预测BP神经网络模型Markov修正
针对监测数据可能存在的丰富度不足、数据分布不均衡等不利因素，耦合统计学马尔可夫链模型，对BP神经网络模型进行修正，结果表明：对于雨水湿地出水SS、TCOD、TN、TP浓度的预测，Markov修正后的预测值比修正前的更加接近监测值，因此，BP神经网络和马尔可夫链模型组合而成的BP神经网络-马尔可夫链组合（BPNN-MC）模型对于类似雨水湿地出水水质预测具有更好的可靠性和预测准确度。
④山地城市流域污染物削减评估SWMM-BP神经网络模型耦合应用
将模型与城市分布式降雨-径流模型SWMM进行耦合，为BP神经网络模型提供动态降雨下的城市面源污染负荷输入值，并以重庆市悦来新城作为实际工程案例区域，将雨水湿地BP神经网络水质预测模型与SWMM耦合，进行了研究区域内串联滨江梯田湿地对雨水径流污染物削减的评估，结果表明：结合SWMM的产流汇流计算获得流域污染物负荷输入，BP神经网络评估模型可以作为具体径流控制设施的效能预测工具，提高SWMM对于径流控制设施效能预测的精度。