基于神经网络的水环境质量评价

卢方芳

（湖北文理学院数计学院，湖北襄阳　441053）

基于神经网络的水环境质量评价

卢方芳

（湖北文理学院数计学院，湖北襄阳441053）

水质监测结果由很多方面构成，对水质进行分级一般需要考虑不同方面的标准，这就希望能有种更为直接的方式可以用来为水质分级，并且尽可能排除主观因素。基于此，利用matlab上的神经网络模型对重庆市5个断面的水质质量进行评价，在拥有各项数值的基础上，对水质结果进行计算，最后根据得到的数值为水质分级。

BP神经网络；神经元；水质级别

对于江、湖、库的各个断面的水质可以搜集数据，并且制定每个指标相应的评价标准。但是，根据制定的标准进行评价，过于依赖主观感觉。而利用神经网络建立各项指标与等级之间的内部映射关系，根据实际测得的数据得到相应的数值，然后由数值对水质分级，这样可以使结果更为直观，并且在评判过程中可以降低主观因素的影响。

1　基本数据介绍与初步分析结果

重庆市位于长江上游三峡水库回水变动区末端，长江和嘉陵江是其两条主要河流。重庆市是长江上游经济中心，是全国工业产值最大的六大城市之一，三峡水库建成后，两江重庆段的水质情势将发生较大改变，河流的污染物扩散能力明显下降，近岸水域局部水环境容量减少；同时，随着重庆市工业的迅速发展，入江污染负荷将大量增加，重庆城区的水污染形势将更加严峻。以下给出2000年长江望龙门、寸滩、黄草峡及嘉陵江磁器口、江北嘴共5个断面的监测数据（见表1），表2为水质等级的评判标准。

从所给资料中可以知道，pH值没有等级划分，故在计算时将该分类去掉。所以，建立程序时只考虑8个指标。

根据给出标准表2建立五类等级与其对应指标之间的关系，按类别划分Ⅰ类是数字1，Ⅱ类是数字2，依次类推。带入表1中的数据，利用MATLAB中的BP神经网络编制程序计算出对应的值［1］。计算出的结果为：2.522 2，2.520 2，2.484 5，2.472 4，2.147 0。

BP网络有一个隐层和一个输出层，根据实际数据的判断，认为隐层有6的神经元，建立实际的水质数据与1、2、3、4和5之间的内部映射关系，将水质数据的最大值带入，得到1～5的实数。上面的计算结果都在2～3，说明差别不大。但是，将水质的数值换成年均值时，计算出负值，负值可以说明水质很好，但是与实际情况不符。所以，本程序有不足的地方，需要进行改进。

2　改进后的结果

考虑到溶解氧是越大越好，而其他方面是越小水质越好，在新的模型中去掉溶解氧的数据。在年均值中长江望龙门、寸滩、黄草峡、嘉陵江磁器口均在7.5之上，故这四个断面在溶解氧方面均属于Ⅰ类，江北嘴为7.3略低于7.5，相差不大，认为也可属于第Ⅰ类。在溶解氧方面相差不大，所以对于这几个断面的水质可以暂时不考虑溶解氧这个因素。更改第一部分程序中的指标数，降低为7个。BP网络有一个隐层和一个输出层，根据实际数据的判断，限定隐层有9的神经元［2］。

表1　地表水水质监测结果统计表

表2　地表水环境质量标准基本项目标准限值

输入水质结果平均值，输出结果：长江望龙门2.083 6，寸滩3.158 8，黄草峡1.660 2，嘉陵江磁器口1.434 6，江北嘴3.392 9。

输入水质数据最大值，输出的结果为：长江望龙门3.400 5，寸滩3.394 8，黄草峡2.629 1，嘉陵江磁器口3.050 5，江北嘴3.947 9。

3　数据结果分析及水质分级

根据上述结果，对于年均值，黄草峡、磁器口得到的数据在1～2，评定水质级别为Ⅱ类。以此类推，望龙门水质级别为Ⅲ类，接近Ⅱ类；寸滩、江北嘴水质级别为Ⅳ类，寸滩水质接近Ⅲ类。按计算结果对水质级别优劣排序，依次为嘉陵江磁器口、黄草峡、望龙门、寸滩、江北嘴；按照数值的结果同时可以得出5个断面最大值时对应的水质级别（见表3）。

表3　最大值计算结果

根据表3可以看出，长江寸滩和嘉陵江的江北嘴两组数值比较接近，得到的结果都是Ⅳ类，说明这两个断面的各个指标在不同时期变化不大，整年水质都不好；望龙门和黄草峡均值和最大值比，水质级别都下降了一级，从数值角度看，望龙门数值变化比黄草峡要大；最后就是磁器口，从均值的Ⅱ级变成最大值的Ⅳ级，说明整年水质变化较大，水质时好时坏。

年均值和最大值有明显改变的断面应该找到水质变坏的原因，需要进一步对水质进行监测，看看每年中什么时候水质最差，什么时候最好，找到相应的原因并加以改善。从上述结果可以看出，虽然仍然有部分的主观因素，但是利用神经网络可以对水质进行数值化，能有效评定水质标准，既可以对水质评级，又可以对不同断面水质进行排序，结果更为直观。

［1］解阳阳，王义民，黄强.龙羊峡水库年末水位控制与汛期弃水研究［J］.西北农林科技大学学报（自然科学版），2014（1）：223-227.

［2］吴昌友.神经网络的研究及应用［D］.哈尔滨：东北农业大学，2007.

Evaluation of Water Environment Quality Based on Neural Network

Lu Fangfang
（College of Mathematics and Computer Science，Hubei University of Arts and Sciences，Xiangyang Hubei 441053）

Water quality is composed of many aspects，classification generally need to consider different aspects of the standard，thus hoping to have a more direct way can be used for water quality classification，and as much as possi⁃ble to exclude subjective factors.Based on this，the water quality of the five sections of Chongqing was evaluated by using the Neural network model on matlab，on the basis of the numerical value，the water quality was calculated，and finally the water quality classification was obtained.

BP neural network；neuron；water quality level

X824

A

1003-5168（2016）08-0144-02

2016-07-19

卢方芳（1982-），女，硕士，讲师，研究方向：多元统计。