太湖富营养化指标BP人工神经网络预测模型的建立-论文.pdf

《太湖富营养化指标BP人工神经网络预测模型的建立-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、2014年9月环境研究与监测第27卷环境评价(50-54)太湖富营养化指标BP人工神经网络预测模型的建立崔嘉宇t郁建桥z吕学研钟声(1．南京信息工程大学环境科学与工程学院，江苏南京210044；2．江苏省环境监测中心，江苏南京210036)摘要：富营养化是太湖面临的一个重大环境问题。富营养化预测是湖泊水质变化的有效预警手段。本文选择TN、TP和叶绿素a(Cm—a)三个富营养化重要评价指标，基于Minitab软件的相关性分析，利用MatlabR．2010b软件建立了太湖TN、TP和Chl—a变化的BP人工神经网络预测模型。结果表明，在对TN、TP、CM-a的预测中，训练的均方差在O

2、．02以下，相关系数在0．88以上，测试的均方差在0．17以下，相关系数在0．70以上，具有较强的相关性；Chl-a、TN的模型预测的结果最为理想，TP的预测结果次之，总体结果较好。因此，建立的BP神经网络能较好地预测太湖富营养化指标的变化情况，可作为太湖富营养化管理的一个有效工具。关键词：BP神经网络、相关性、预测、富营养化中图分类号：X824文献标识码：A文章编号：(G)01-0079(2014)03-50-54-05置以及生态环境的影响较大；另一方面，模型的基本1引言参数水质指标相互依赖、相互影响、相互关联，大大增加了预测的复杂性。富营养化是当前湖泊重要的水环境问题之一。与

3、众多基于统计的水质模型(假设响应变量和营养过剩会导致湖泊藻类过渡生长，进而破坏湖泊预测变量之间的差系是线性分布)不同，人工神经网的生态系统平衡。随着工业点源、农业面源、城镇地络模型模仿人脑处理信息的方式，通过神经元相互表径流等携带的污染物汇入湖泊【1】，以及温室气体排连接，实现信息的并行处理和非线性映射过程，其中放的增加，全球气候变暖，区域灾害天气的不断出BP神经网络(BackPropagationNetwork)，即反向传播现，导致湖泊富营养化程度不断加重12]。太湖流域处网络，是一个前馈型多层神经网络，具有很强的学习于长三角的中心地带，经济发展速度快，城镇化率和记忆能力，并具

4、有较高的模型构建和数据拟合能高，湖泊水体所接纳的污染物量大，由于环境保护和力，非常适合处理内部机制比较复杂的问题p_叼。本文治理的相对滞后，太湖富营养化形势严峻。在这样的选取水质指标中的TN、TP、Chl—a指标来作为湖泊富背景下，许多研究人员开始探索用数学模型来预测营养化的衡量指标，通过相关性分析确定各指标的湖泊的富营养化，其中模糊数学评价法，灰色系统聚影响因素，结果通过人工神经网络模型来模拟和分类模型、人工神经网络模型等用于对湖泊富营养化析。问题的预测。目前在湖泊富营养化预测模型的建立方面仍存2数据来源与分析在两大难题：一方面，模型参数受气候变化、地理位太湖湖泊水体资料来自江

5、苏省环境监测中心在收稿日期：2014-06-18基金项目：江苏省环境监测科研基金项目(1312)；太湖20个测点的2011～2012两年的自动监测数据。作者简介：崔嘉宇(1988一)，男，在读研究生，研究方向：环境工程。选取月份(Month)、pH值(pH)、总磷(11P)、高锰酸盐第3期崔嘉宇等：太湖富营养化指标BP人工神经网络预测模型的建立一曲～指数(COD№)、五Et生化需氧量(BOD)、溶解氧(DO)、总氮(TN)、氨氮(NH，一N)、叶绿素a(Chl—a)等3建模方法9个自动监测数据。用minitab对这9个变量进行相关性分析，得出3．1人工神经网络模型9一的相关系数r

6、和P值见表1。人工神经网络由生物神经系统构成的信息处理本研究选取相关性系数大于0．1即为与要预测范式，神经元的数目以及网络的层数，学习方法是神的对象有关联圈，由表1可知，与TN具有相关性的监经网络的核心部分。本次研究中，我们采用BP神经测变量有NH3一N、，IP、Month、CODm、BOD5和pH，相网络模型，采取的训练函数主要是“trainlm”，对应的一4关系数分别为0．773、0．444、一0．342、0．314、0．294和学习算法为Levenberg—Marquadttol反传算法，此训练O0．188；与TP相关性具有相关性的监测变量有函数的优点在于收敛速度很快，以及

7、“traingdx”，对应3宕CODm、BOD5、TN、Chl—a和DO，相关系数分别为的学习算法是梯度下降动量法，而且学习的速率是0．588、0．546、0．444、0．224和0．129。与Chl—a具有相自适应的，或者是“traindm”，对应的学习算法为普通关性的监测变量有BOD5、CODm、pH、TP和Month，相的梯度下降法。本次数据处理与建模采用Mat—关系数分别为0．335、0．306、0．240、0．224和0．167。labR2010b环境利用神经网络工具箱