论文部分内容阅读
摘 要：本文提出了一种基于人工神经网络的巢湖流域水体总磷和总氮的预测模型，可以预测出水体中总磷和总氮的浓度，有利于巢湖流域水体富营养化的治理，节省了水质监测的成本;该模型使用易于测量且和总磷、总氮密切相关的水质指标作为输入，利用巢湖流域历史水质数据进行人工神经网络的训练、测试和验证。结果表明，人工神经网络可以有效的预测水体的总磷和总氮浓度。
关键词：人工神经网络;总磷;总氮;水质预测
1 概述
巢湖是我国第5大淡水湖，随着周边经济发展和人口的增长，水体出现富营养化，总磷和总氮等指标达到劣V类标准。[1]在对水体的富营养化进行评价时，总磷和总氮是重要的水质指标，目前通常的测定方法有分光光度法和离子色谱法等，需要经过采样、实验室处理和结果分析等步骤，存在着分析时间长、需要消耗试剂以及产生二次污染等缺点。但是水体中的温度、浊度、电导率、PH和溶解氧等参数，通过在线水质检测仪，很容易进行测量。人工神经网络是一种常用的非线性模式识别建模方法，可以在输入变量和输出变量之间建立非线性的映射模型，而且在映射过程中能够并行分布处理和自适应学习，在人工智能和模式识别等领域都得到了广泛的应用。本研究利用水体中检测成本低且方便的参数，通过人工神经网络建立水体总磷和总氮预测模型，为巢湖流域的水体富营养化监测和治理提供了新的方法和依据。
2 基于人工神经网络的水体总磷和总氮预测
基于人工神经网络的水体总磷和总氮预测，包含4个部分，数据采集、输入变量选擇、数据预处理、人工神经网络模型训练等。[2]
步骤（1）数据采集，从巢湖管理局环境保护监测站获取了巢湖流域2018年1月至2019年3月份的水质数据650条，监测指标包括了《国家地表水环境质量标准》（GB3838-2002）规定的24项基本监测项目，代表了水体的化学、物理和生物特性。
步骤（2）输入变量选择，水体的物理、化学和生物特性是相互影响、相互关联的，因此，需要筛选出合适的水质参数作为模型的输入变量，[3]使用以下两个标准作为筛选的主要依据：第一是计算水质参数和总磷、总氮在统计学上的相关系数，相关系数表示输出参数和输入参数的相关性;第二是从检测方法上来说，选取比总磷和总氮更容易检测的指标。通过初步筛选对水质参数进行排名，然后利用人工神经网络模型对输入变量进行再次筛选，当训练模型产生的决定系数（R2）大于0.7时，相应的水质参数作为模型的输入变量。
步骤（3）数据预处理，人工神经网络的输入数据在分析之前，需要将数据标准化，利用标准化后的数据进行分析，输入变量处于同一数量级，使网络能够快速收敛。
步骤（4）人工神经网络模型训练，本研究使用前向反馈神经网络进行训练，需要确定输入层、输出层、隐含层和连接权重，输入层的节点数由输入变量决定，输出层的节点数由需要预测的水质指标总氮和总磷确定，通常隐含层的节点数只能借助学者给出的经验公式并进行多次试验得以确定，本研究利用“进退法”算法快速确定隐含层节点数;[4]为了满足建模的需要，将数据集划分为训练集、验证集和测试集，其中训练集占总数的1/2，验证集和测试集分别占1/4，使用Matlab工具箱进行建模;常用的模型评价指标包括决定系数（R2）、建模均方根误差（RMSEC）和预测均方根误差（RMSEP）。预测模型的R2较大并且RMSE值较小表明预测效果好，反之表示模型的预测效果较差。
3 结论
本文提出了一种基于人工神经网络的巢湖流域水体总磷和总氮的预测模型，可以预测出水体中总磷和总氮的浓度，有利于巢湖流域水体富营养化的治理，节省了水质监测的成本。
参考文献：
[1]龚文娟.巢湖流域县河污染物来源特征分析.安徽农业科学，2019（08）：73-76.
[2]曹泓.紫外可见光谱的水产养殖水体有机物浓度快速检测研究.光谱学与光谱分析，2014.34（11）：3015-3019.
[3]Ruben，G.and A.Y.Boakye.Prediction of Total Phosphorus Using an Artificial Neural Network.2016.
[4]孙弋清.基于进退法的神经网络隐含层节点数的确定方法.现代商贸工业，2018.39（35）：197-199.
关键词：人工神经网络;总磷;总氮;水质预测
1 概述
巢湖是我国第5大淡水湖，随着周边经济发展和人口的增长，水体出现富营养化，总磷和总氮等指标达到劣V类标准。[1]在对水体的富营养化进行评价时，总磷和总氮是重要的水质指标，目前通常的测定方法有分光光度法和离子色谱法等，需要经过采样、实验室处理和结果分析等步骤，存在着分析时间长、需要消耗试剂以及产生二次污染等缺点。但是水体中的温度、浊度、电导率、PH和溶解氧等参数，通过在线水质检测仪，很容易进行测量。人工神经网络是一种常用的非线性模式识别建模方法，可以在输入变量和输出变量之间建立非线性的映射模型，而且在映射过程中能够并行分布处理和自适应学习，在人工智能和模式识别等领域都得到了广泛的应用。本研究利用水体中检测成本低且方便的参数，通过人工神经网络建立水体总磷和总氮预测模型，为巢湖流域的水体富营养化监测和治理提供了新的方法和依据。
2 基于人工神经网络的水体总磷和总氮预测
基于人工神经网络的水体总磷和总氮预测，包含4个部分，数据采集、输入变量选擇、数据预处理、人工神经网络模型训练等。[2]
步骤（1）数据采集，从巢湖管理局环境保护监测站获取了巢湖流域2018年1月至2019年3月份的水质数据650条，监测指标包括了《国家地表水环境质量标准》（GB3838-2002）规定的24项基本监测项目，代表了水体的化学、物理和生物特性。
步骤（2）输入变量选择，水体的物理、化学和生物特性是相互影响、相互关联的，因此，需要筛选出合适的水质参数作为模型的输入变量，[3]使用以下两个标准作为筛选的主要依据：第一是计算水质参数和总磷、总氮在统计学上的相关系数，相关系数表示输出参数和输入参数的相关性;第二是从检测方法上来说，选取比总磷和总氮更容易检测的指标。通过初步筛选对水质参数进行排名，然后利用人工神经网络模型对输入变量进行再次筛选，当训练模型产生的决定系数（R2）大于0.7时，相应的水质参数作为模型的输入变量。
步骤（3）数据预处理，人工神经网络的输入数据在分析之前，需要将数据标准化，利用标准化后的数据进行分析，输入变量处于同一数量级，使网络能够快速收敛。
步骤（4）人工神经网络模型训练，本研究使用前向反馈神经网络进行训练，需要确定输入层、输出层、隐含层和连接权重，输入层的节点数由输入变量决定，输出层的节点数由需要预测的水质指标总氮和总磷确定，通常隐含层的节点数只能借助学者给出的经验公式并进行多次试验得以确定，本研究利用“进退法”算法快速确定隐含层节点数;[4]为了满足建模的需要，将数据集划分为训练集、验证集和测试集，其中训练集占总数的1/2，验证集和测试集分别占1/4，使用Matlab工具箱进行建模;常用的模型评价指标包括决定系数（R2）、建模均方根误差（RMSEC）和预测均方根误差（RMSEP）。预测模型的R2较大并且RMSE值较小表明预测效果好，反之表示模型的预测效果较差。
3 结论
本文提出了一种基于人工神经网络的巢湖流域水体总磷和总氮的预测模型，可以预测出水体中总磷和总氮的浓度，有利于巢湖流域水体富营养化的治理，节省了水质监测的成本。
参考文献：
[1]龚文娟.巢湖流域县河污染物来源特征分析.安徽农业科学，2019（08）：73-76.
[2]曹泓.紫外可见光谱的水产养殖水体有机物浓度快速检测研究.光谱学与光谱分析，2014.34（11）：3015-3019.
[3]Ruben，G.and A.Y.Boakye.Prediction of Total Phosphorus Using an Artificial Neural Network.2016.
[4]孙弋清.基于进退法的神经网络隐含层节点数的确定方法.现代商贸工业，2018.39（35）：197-199.