BP与GIS耦合的地下水水质综合评价
- 格式：pdf
- 大小：174.00 KB
- 文档页数：4
第
３０卷第
２期２
０
１
２年
２月水
电
能
源
科
学
Ｗａｔｅｒ
Ｒｅｓｏｕｒｃｅｓ
ａｎｄ
ＰｏｗｅｒＶｏｌ．３０Ｎｏ．２
Ｆｅｂ．２
０
１
２
文章编号：
１０００
－７７０９（
２０１２）
０２
－００３８
－０４
ＢＰ与
ＧＩＳ耦合的地下水水质综合分析评价
田
帅
１，
刘国东
１，
倪福全
２
（
１．四川大学水力学与山区河流开发保护国家重点实验室，
四川成都
６１００６５；
２．四川农业大学信息与工程技术学院，
四川雅安
６２５０１４）
摘要：
为探讨水质综合评价的客观方法，
选取总硬度、
铁、
硫酸盐、
溶解性总固体、
硝酸盐作为评价指标，
参照
《
地下水质量标准》，
以四川省雅安市雨城区为例，
采用
ＢＰ神经网络模型与
ＧＩＳ相耦合的评价方法，
分析评价
了地下水水质分布状况。
结果表明，
该区北部、
中部和东部地下水的硫酸盐和溶解性总固体偏高，
西部和南部
地下水水质情况较好，
该方法较为直观、
合理。
关键词：
ＢＰ神经网络；
ＧＩＳ；
地下水；
水质综合评价；
雅安市
中图分类号：
ＴＶ２１１．１＋
２文献标志码：
Ａ
收稿日期：
２０１１
－０７
－１１，
修回日期：
２０１１
－０８
－１５
作者简介：
田帅（
１９８８
－），
男，
硕士研究生，
研究方向为水资源开发利用与环境保护，
Ｅ
－ｍａｉｌ：
ｊａｓｏｎ．ｔｓ
＠１６３．ｃｏｍ
通讯作者：
刘国东（
１９６２
－），
男，
教授、
博导，
研究方向为水文水资源，
Ｅ
－ｍａｉｌ：
ｌｉｕ
ｇｄ９８８
＠１６３．ｃｏｍ 评价一个地区的水质情况，
大多采用单因子
评价法和多因子评价法，
如内梅罗污染指数法、
综
合污染指数法、
模糊数学法、
灰色聚类法等。
这些
方法事先需假定模式或主观规定一些参数，
多数
需设计各评价指标对各级标准的隶属函数及各指
标的权重，
评价结果主观性很强，
并未很好地解决
评价因子与水质等级之间复杂的非线性关系及水
体污染的随机性和不确定性。
近年来，
快速发展
的人工神经网络提供了有效的工具，
而
ＧＩＳ强大
的空间分析功能，
为开展地下水研究提供了一种
高效、
快捷的评价方法。
鉴此，
本文采用
ＢＰ模型
与
ＧＩＳ相耦合的评价方法，
综合评价分析了四川
省雅安市雨城区水质分布状况。
１
ＢＰ模型和
ＡｒｃＧＩＳ空间分析技术
在智能模式识别中，
应用最广泛的是具有误
差反向传播算法的多层前馈网络（
ＢＰ），
也是目前
应用最成功的网络之一，
由输入层、
输出层和隐蔽
层组成，
各层次的神经元之间单向全互联连接，
是
一种非线性变换单元组成的前馈型网络［
１］。
但其
收敛速度慢、
存在局部最小值。
这些缺陷可通过
ＬＭ算法克服［
２］。
ＡｒｃＧＩＳ空间分析技术［
３］
主要包括矢量数据、
栅格数据及三维空间分析，
主要数据类型为矢量、
栅格和不规则三角网，
而
ＡｒｃＧＩＳ空间分析技术
中的地统计分析，
为数据的深入挖掘、
实现可视化发展提供了有力保障。
地统计分析的核心即通过
对采样数据的分析、
对采样区地理特征的认识选
择合适的空间内插方法创建表面以实现数据的可
视化表达，
作为地统计分析中的核心内容。
Ｋｒｉ
ｇｉｎ
ｇ
插值在有限区域内对区域化变量进行无偏最优估
计有较大优势，
通过对已知样本点赋权重求得未
知样本点的值为：
Ｚ（
ｘ
０）
＝∑ｎ
ｉ＝１λ
ｉＺ
ｘ
（）
ｉ（
１）
式中，
λ
ｉ为第
ｉ个已知样点对未知样点的权重；
ｎ
为已知样本点的个数；
Ｚ（
ｘ
ｉ）
为未知样点周围已知
样点的值。
２
采样及水质评价指标的筛选
四川省雅安市雨城区位于四川盆地西缘青衣
江中游，
介于北纬
２９°４０′
～３０°１４′、
东经
１０２°５１′
～
１０３°１２′之间，
地势呈南北长条形，
西南高，
东北
低，
山地占全区总面积的
９１％，
平地占
９％，
主要
是河谷阶地和山间盆地。
全区气候温和，
基本属
于亚热带湿润季风气候区，
多年年均气温
１６．１
℃，
最高气温
３７．７℃，
年均降水量在
１
２０４．２
～
２
３６７．３ｍｍ之间。
根据雅安市雨城区地形、
地
貌、
饮水水源、
供水工程分布情况，
共采集地下水
水样
１０个，
分布位置见图
１。
根据《
地下水质量标准》［
４］
进行样品的采集、
保存、
检测，
分别检测了
１２个采集点水质中的物第
３０卷第
２期田
帅等：
ＢＰ与
ＧＩＳ耦合的地下水水质综合分析评价
图
１
雨城区地下水水质检测点
ＧＩＳ分布图
Ｆｉ
ｇ．１
Ｄｉａ
ｇｒａｍ
ｏｆ
ＧＩＳ
ｄｉｓｔｒｉｂｕｔｅｄ
ｓ
ｐｏｔｓ
ｏｆ
ｇｒｏｕｎｄ
ｗａｔｅｒ’
ｓ
ｑｕａｌｉｔ
ｙ
ｉｎ
Ｙｕｃｈｅｎ
ｇ
ａｒｅａ
理学水质指标（
臭味、
肉眼物）、
水化学指标（
总硬
度、
溶解性总固体、
氯化物、
硫酸盐）、
毒理学指标
（
铁、
锰、
氟化物、
ＡＳ、
Ｈ
ｇ、
Ｃｄ、
Ｃｒ、
Ｐｂ、
硝酸盐）、
细
菌学指标（
总大肠菌群总数）
等共计
１６项。
其中，
臭味、
肉眼物、
氯化物在
１２个采集点检测出均小
于检出限值，
锰、
氟化物、
ＡＳ、
Ｈ
ｇ、
Ｃｄ、
Ｃｒ、
Ｐｂ及总
大肠菌群总数在
１２个采集点检测出均在
Ⅰ级标
准水质范围以内，
故选取总硬度、
铁、
硫酸盐、
溶解
性总固体、
硝酸盐共
５项指标作为水质评价因素
集。
本文按文献［
５］
提出的方法确定分级代表值：
Ⅰ类水的标准界值为
Ⅰ类水的分级代表值，
Ⅱ类
水的分级代表值为
Ⅰ和
Ⅱ类水标准界值的中值，
其余依此类推。
将
Ⅳ或
Ⅴ类水的界值作为
Ⅴ类水
的分级代表值。
由此，
获得本次
ＢＰ神经网络的
训练样本见表
１。
表
１
训练输出值
Ｔａｂ．１
Ｏｕｔ
ｐｕｔ
ａｆｔｅｒ
ｔｒａｉｎｉｎ
ｇ
水质等级
输出
期望值网络训练后
Ⅰ０．１
０．１００
０６
Ⅱ０．３
０．２９９
９０
Ⅲ０．５
０．４９９
７１
Ⅳ０．７
０．７０１
１９Ⅴ０．９
０．８９９
４８
３
水质评价
ＢＰ网络方法
３．１
构建模型
输入层的神经元个数由水质评价因素集中所
包含的评价因子个数决定，
因此输入层的神经元
个数为
５。
网络输出对应水质分类结果定为
０．１、
０．３、
０．５、
０．７、
０．９，
即输出层的神经元个数为
１。
采用包含一个隐层的神经网络结果，
经试算确定
隐层神经元数目为
９，
因此网络结构为
５
－９
－１。
３．２
ＢＰ神经网络训练
选取表
１的数据为
ＢＰ网络的训练样本，
并
将归一化后的数据控制于［
０．１，
０．９］
范围内，
归一
化后的数据值［
７］
为： ｗ′
＝０．１
＋（
０．９
－０．１）
×ｗ
－ｗ
ｍｉｎ
ｗ
ｍａｘ－
ｗ（）
ｍｉｎ（
２）
式中，
ｗ为归一化前数据值；
ｗ
ｍｉｎ、
ｗ
ｍａｘ分别为训
练样本数据集中的最小值、
最大值。
采用
Ｍａｔｌａｂ７．０软件编写相关神经网络函
数［
７］
算法程序，
其中训练函数采用
Ｔｒａｉｎｌｍ、
权值
和阀值的学习函数采用
Ｌｅａｒｎ
ｇｄｍ、
隐含层和输
出层传递函数分别采用
Ｔａｎｓｉ
ｇ、
Ｌｏ
ｇｓｉ
ｇ、
性能函数
采用
Ｍｓｅ，
设定目标误差为
１×１０－６。
利用编写
程序对
５
－９
－１网络进行学习训练。
经计算，
当训
练迭代到
４步时，
网络的均方误差（
Ｍ
ＳＥ）
２．２７５
１×
１０－１０
＜１×１０－６（
目标误差），
因此网络训练收敛。
该网络训练后的输出值见表
１，
训练误差变化曲
线见图
２。
图
２
基于
Ｔｒａｉｎｌｍ函数训练的误差变化曲线
Ｆｉ
ｇ．２
Ｅｒｒｏｒ
ｔｒａｉｎｉｎ
ｇ
ｃｈａｎ
ｇｅ
ｃｕｒｖｅ
ｏｆ
Ｔｒａｉｎｌｍ
３．３
雅安市雨城区水质预测
将上述训练好的
ＢＰ神经网络模型用于评价
雅安市雨城区水质情况。
将
２００８年检测的
１０个
采集点的水质检测数据进行归一化处理，
确保数
据在［
０，
１］
范围内，
将归一化后的数据作为神经网
络的输入，
得到一组输出值在（
０，
０．２］
为第
Ⅰ级、
（
０．２，
０．４］
为第
Ⅱ级、（
０．４，
０．６］
为第
Ⅲ级、（
０．６，
０．８］
为第
Ⅳ级、（
０．８，
１．０］
为第
Ⅴ级。
网络的输出
结果见表
２。
表
２
基于
ＢＰ神经网络的水质评价结果
Ｔａｂ．２
Ｅｖａｌｕａｔｅｄ
ｒｅｓｕｌｔｓ
ｏｆ
ｗａｔｅｒ
ｑｕａｌｉｔ
ｙ
ｂａｓｅｄ
ｏｎ
ＢＰ
ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ
监测
样点水质评价结果／（
ｍ
ｇ·
Ｌ－１）
总
硬度铁硫酸
盐溶解性
总固体硝酸
盐
预报
值ＢＰ
神经网
络评价结果
１
２５２．０
０．２０
９０．０
３００
２０．０
０．０５
６
Ⅰ
２
３４５．０
０．５９
７８．０
２３４
２０．０
０．２４４
Ⅱ
３
２５０．０
０．２０
８８．０
３４０
２０．０
０．０５７
Ⅰ
４
５６７．０
０．２０
４５３．０
２０４
２０．０
０．８９２
Ⅴ
５
３４．０
０．２０
２４．０
１０１
１．０
０．０３６
Ⅰ
６
１２８．０
０．２０
２０．９
１６０
６．６
０．０４１
Ⅰ
７
１７６．２
０．２０
２２．８
１７４
０．１
０．０９２
Ⅰ
８
３５６．２
０．２０
５５３．０
５０２
０．５
０．９１９
Ⅴ
９
２３２．２
０．２０
５１０．０
４１０
０．５
０．９２２
Ⅴ
１０
１９６．２
０．４５
２５．４
２０２
１１．９
０．２０１
Ⅱ
３．４
与其他方法比较
为验证模型的准确性，
采用传统的评分法［
８］·
９３·
