水溶性有机物荧光指标LM神经网络法评价堆肥腐熟度研究*

王洪敏，贾立明，段辉*

继续教育

水溶性有机物荧光指标LM神经网络法评价堆肥腐熟度研究*

王洪敏1，贾立明2，段辉2*

（1.黑龙江省三江环境监测站，黑龙江同江156400；2.黑龙江省环境监测中心站，黑龙江哈尔滨150056）

由于受到有机废弃物中各组分间的影响，有机废弃物腐熟程度的判断呈现模糊性，使传统的评价方法很难正确认识。水溶性有机物（DOM）的荧光特性可作为评价有机废弃物堆肥腐熟程度的重要手段。文章通过获取多种有机废弃物在堆肥各阶段DOM的荧光特性参数，统计分析结果表明，相互间呈现显著相关（p＜0.01）的荧光参数有AFLR、A4/A1、r（A,C）、P（Ⅱ,n）、P（Ⅳ,n）、P（Ⅴ,n）/P（Ⅲ,n）、P（Hs）/（Pr），故可将其作为综合评价的指标。在此基础上，结合LM神经网络模型定量表征堆肥腐熟度等级，并将腐熟度划分为4个腐熟等级：未腐熟（I级）、基本腐熟（II级）、较腐熟（III级）、完全腐熟（IV级），并以4组确定腐熟度样本作为标准，进行LM神经网络训练，32组已知腐熟度样本进行预测，网络预测准确性为84.37%，因此，该方法对评价有机废弃物堆肥有重要意义。

有机废弃物；水溶性有机物；荧光光谱特性；LM神经网络；腐熟度评价

环境有机废弃物可以利用堆肥方式进行无害化处理，可将废弃物中不稳定的物质经微生物的作用形成具有性质稳定、农作物无害化的堆肥产品。未经堆肥腐熟的有机废弃物因含有影响植物正常生长的毒性物质，若施土壤中会对作物生长产生不良影响，因此堆肥腐熟度的评价在堆肥产品是否能够安全应用方面具有十分重要的意义[1]。不同来源的有机废弃物的理化性质有很大差异，因而，评价堆肥腐熟程度也受到诸多因素的制约。随着荧光光谱技术的发展，不少研究人员通过各种扫描模式的荧光光谱对堆肥腐熟度进行评价[2,3]。然而由于不同物料的物质组成与性质的差异，利用单一的荧光指标只能从一方面评价腐熟程度，无法反映实际腐熟度且不具有说服力。因此，对堆肥腐熟度进行多指标综合检测才能更科学地反映实际腐熟程度。LM神经网络模型由许多神经单元以网络形式连接而成，可模拟像人脑那样复杂的网络系统，并可将获取的数据样本信息通过学习即可进行相当精确的预测，并具有训练次数少、预测精度高等优点，从而可很好的应用于多指标评价中[4]。鉴于LM神经网络的上述优势，本文将筛选得到的评价堆肥腐熟度荧光参数作为神经元，采用LM神经网络模型评估堆肥腐熟度。

1 材料与方法

1.1 堆肥样品的采集

试验采用动物粪便、生活垃圾、果蔬垃圾、枯枝落叶等有机废弃物为原料进行堆肥。调节堆肥物料的水含水率为60%，C/N为25，pH值为7.12后进行堆肥实验。控制堆肥条件使堆肥与实际堆肥进程一致，堆肥过程中每天取样测定发芽指数及其对应的荧光参数值。

1.2 样品DOM提取及测定

堆肥DOM的提取及测定参照文献[5]。

1.3 DOM荧光光谱扫描

采用Perkin Elmer Luminescence Spectrometer LS50B荧光仪对堆肥不同时期DOM进行荧光光谱测定。荧光光谱的测定方法见文献[6]。荧光参数计算：A4/A1为固定激发波长为240nm，测定范围在370～600nm时得到的发射光谱的后四分之一部分的面积积分与前四分之一部分的面积积分的比值[7]；I450/388为同步光谱450nm处荧光峰强与388nm处荧光峰强的比值；I380/280为同步光谱380nm处荧光峰强与280nm处荧光峰强的比值；AFLR为同步光谱中308～363nm范围的面积积分与总波长面积积分比值[8]；I436/383为激发光谱中436nm处荧光峰强与383nm处荧光峰强的比值；r（A,C）为三维荧光光谱中A峰与C峰的荧光强度比值[9];P（Ⅰ,n）、P（Ⅱ,n）、P（Ⅲ,n）、P（Ⅳ,n）、P（Ⅴ,n）分别为三维荧光五个区的区域体积积分值。P（Ⅴ,n）/P（Ⅲ,n）为区域体积积分中V区与III区积分比值；P（Hs）/（Pr）为区域积分类腐殖酸区（III+ V）与类蛋白区（I+II+IV）区域体积积分比值[10]。

1.4 LM神经网络

LM神经网络具有高度自组织、自学习与适应能力，且学习效率高，预测精度高等特点。神经网络的组成及操作过程如见1。网络由三层组成，层与层之间通过神经元连接，同层神经元间无连接，层与层神经元间由权值进行相互连接。将输入的信息源，首先传递到隐含层神的经节点，经过识别后再将隐含层神经节点识别结果传递给输出层，最终由输出层输出结果[11]。

图1 神经网络操作过程Fig.1Operation process of LM networks

计算步骤如下：

步骤1：计算神经网络误差指标函数。神经网络误差指标函数为：

式中p:样本数目；Yi:期望的网络输出向量；Yi:网络实际预测输出结果;w:各层神经元间的权值与阈值；Ri（w）:误差；wk:经k次迭代之后w;k+1次迭代后的wk为wk+1=wk+Δw，Δw：权值增量计算公式如下：

式中I：单位矩阵；μ：学习效率；J（w）：Jacobian矩阵。

步骤2：神经网络计算步骤。

（1）设定训练误差最大值ε，常数μ0和β（0＜β＜1），令κ=0，μ=μ0；

（2）计算神经网络的预测输出结果与误差指标函数E（wk）；

（3）计算Jacobian矩阵J（wk）；

（4）计算Δw；

（5）若（wk）＜ε,转到（7）

（6）以wk+1=wk+Δw为权值和阈值向量，计算误差指标函数E（wk+1），若E（wk+1）＜E（wk），则令k=k+1，μ=μ β，转至步骤（2），否则μ=μ/β，转至步骤（4）。

（7）预测结束输出结果。

2 结果与讨论

2.1 堆肥进程中DOM的光谱特性

三维荧光光谱能直观地评价堆肥进程中物质的转变情况[12]。图2以生活垃圾堆肥，1、7、14、21、30、45d DOM为例分析堆肥进程中DOM三维荧光差值变化图谱。相对荧光强度为负值部分指示该区域物质减少，相对荧光强度为正值部分标志该区域物质增加。

图2 堆肥进程中DOM三维荧光变化图谱Fig.2DOM changes in fluorescence intensity in EEMs during the composting process

从图2中，可看出，随着堆肥的进行类蛋白质类物质的荧光峰T1峰和T2峰的相对荧光强度呈现下降的趋势，表明在堆肥过程中类蛋白类物质不断减少。然而在堆肥过程中类腐殖酸类物质的A峰的相对荧光强度则不断升高，B峰的相对荧光强度呈现先升高再降低再升高的趋势，这表明在堆肥过程中，类腐殖酸类（Ⅴ区）物质在不断的增加。C峰的相对荧光强度呈现先升高再降低再升高再降低的趋势，这表明该物质在堆肥过程中并不具有较好的稳定性。随着堆肥的进行，堆肥样品中DOM的类腐殖酸区荧光峰C峰发生明显的红移现象，这表明堆肥过程中随着类腐殖酸类物质的形成其腐殖化程度不断增加。

2.2 荧光指标筛选

在堆肥过程中，分别获取了传统、三维荧光图谱的AFLR、r（Hs）/（Pr）、A4/A1、r（A,C）、I436/I383、I380/I280、I450/I388、P（Ⅰ,n）、P（Ⅱ,n）、P（Ⅲ,n）、P（Ⅳ,n）、P（Ⅴ,n）、P（Ⅴ,n）/P（Ⅲ,n）等荧光指标参数并对其进行相关性分析，结果见图3。将荧光参数间呈极显著相关（p＜0.01）的指标提出，综合分析得出，荧光参数AFLR、A4/A1、r（A,C）、P（Ⅱ,n）、P（Ⅳ,n）、P（Ⅴ,n）/P（Ⅲ,n）、P（Hs）/（Pr）彼此之间两两显著相关（p＜0.01），故选取上述7个荧光参数作为有机废弃物堆肥腐熟度评价的指标。

图3 不同指标相关系数分布图Fig.3Correlation analysis of different maturity parameters

2.3 基于荧光指标的堆肥腐熟标准

依据堆肥过程中各时期种子发芽指数（GI）值将腐熟度划分为：未腐熟（I级，GI＜50%）、基本腐熟（II级，50%＜GI＜60%）、较腐熟（III级，60%＜GI＜80%）、完全腐熟（IV级，GI＞80%）4个等级，然后将筛选得到的7个堆肥不同腐熟阶段荧光指标分别与由发芽指数确定的附属等级对应，确定不同腐熟等级下各荧光指标值（表1）。

表1 堆肥腐熟度评价训练样本Tab.1Evaluation training samples of compost maturity

2.4 神经网络的训练

依据表1中堆肥不同腐熟度对应的各荧光参数值，将评价等级标准划分为4个等级。设定训练误差允许值ε=0.001，学习效率μ0=0.001和β=0.1，依据表1中的数据进行网络学习训练。图4为LM神经网络训练次数与误差关系曲线。

由图4可以看出，网络学习训练次数为8次后其误差平方和小于误差标准ε=0.001，停止学习训练。神经网络学习训练后，将神经网络输出综合指数与腐熟等级进行对应，未腐熟（I级）、基本腐熟（II级）、较腐熟（III级）、完全腐熟（IV级）的神经网络输出综合指数分别为＜1.50、1.51～2.50、2.51～3.50、＞3.51。

图4 神经网络训练误差曲线Fig.4Training mean squared error of LM network

2.5 网络验证

利用训练后的神经网络，对已知腐熟度等级（各等级选取8个样本）的不同物料堆肥样品进行评价（表2）。将神经网络的预测输出值，然后将预测值与等级关系进行比较，得到评价等级，结果如图5。

表2 LM神经网络测试样本Tab.2Sample date for LM network test

图5 神经网络验证结果Fig.5Test results of LM network

从图5中可以看出，各样品的实际腐熟等级与神经网络预测结果基本相同，Ⅰ级评价的准确率为88.9%，Ⅱ级评价的准确率为71.4%，Ⅲ级评价的准确率为75.0%，Ⅳ级评价的准确率为100%。有研究报道[13]，当堆肥腐熟程度达到完全腐熟IV级时，种子发芽指数GI可达到90%甚至更高，可有助于种子发芽。由于有机废弃物堆肥不同腐熟等级的应用范围不同，腐熟等级Ⅱ级和Ⅲ级的腐熟产品更利于植物的生长[14]。而完全腐熟的堆肥（IV级）生物稳定性较高，较适用于作为环境污染物的钝化剂，因此，LM神经网络评价堆肥完全腐熟100%的准确率，对堆肥产品能否作为修复剂在环境生物修复中的实际应用具有重要意义。

3 结论

（1）与传统堆肥DOM三维荧光荧光峰强度比较，三维荧光差值分析可更加精确判断堆肥过程DOM组成的转化。

（2）DOM荧光指标LM神经网络法评价法能够较好的反应堆肥腐熟情况，特别对于堆肥较高腐熟等级的评价效果显著。

［1］Diaz,Luis F.,M.De Bertoldi,and Werner Bidlingmaier,eds. Compost science and technology［M］.Elsevier,2011.8.

［2］Yu,G.H.,Luo,Y.H.,Wu,M.J.,Tang,Z.,Liu,D.Y.,Yang,X. M.,Shen,Q.R.（2010）.PARAFAC modeling of fluorescence excitation emission spectra for rapid assessment of compost maturity［J］.Bioresource technology,2010,101（21）：8244-8251.

［3］Tang,Z.,Yu,G.,Liu,D.,Xu,D.,Shen,Q.（2011）.Different analysis techniques for fluorescence excitation-emission matrix spectroscopytoassess compost maturity［J］.Chemosphere,2011,82（8）：1202-1208.

［4］Negnevitsky M.Artificial Intelligence:A Guide to Intelligent Systems.2nd ed［M］.England:Person Education Limited,2004.

［5］Wei,Z.,Zhang,X.,et al.Fractions and biodegradability of dissolved organic matter derived from different composts［J］. Bioresource technology,2014,161:179-185.

［6］He,X.,Xi,B.,Wei,Z.,Guo,X.,Li,M.,An,D.,Liu,H. Spectroscopic characterization of water extractable organic matter during compostingofmunicipalsolid waste［J］.Chemosphere,2011, 82（4）：541-548.

［7］He,X.S.,Xi,B.D.,Li,X.,Pan,H.W.,An,D.,Bai,S.G.,Li,D., Cui,D.Y.Fluorescenceexcitation-emissionmatrix spectra coupled with parallel factor and regional integration analysis to characterize organic matter humification［J］.Chemosphere,2013,93（9）:2208-2215.

［8］Coble PG.Characterization of marine and terrestrial DOM in seawater using excitation-emissionmatrix spectroscopy［J］. Marine Chemistry,1996,51:325-346.

［9］Xi,B.D.,He,X.S.,Wei,Z.M.,et al.The composition and mercury complexation characteristics of dissolved organic matter in landfill leachates with different ages［J］.Ecotoxicology and environmental safety,2012,86:227-232.

［10］Wei,Z.,Zhao,X.,Zhu,C.,et al.Assessment of humification degree of dissolved organic matter from different composts using fluorescence spectroscopy technology［J］.Chemosphere,2014, 95:261-267.

［11］Suratgar,A.A.,Tavakoli,M.B.,Hoseinabadi,A.Modified Levenberg-Marquardt method for neural networks training［J］. World Acad.Sci.Eng.Technol,2005,（6）:46-48.

［12］Tang,Z.,Yu,G.,Liu,D.,Xu,D.,Shen,Q.Different analysis techniquesforfluorescenceexcitation-emissionmatrix spectroscopy to assess compost maturity［J］.Chemosphere,2011, 82（8）:1202-1208.

［13］Garcia,C.,Hernandez,T.,Costa,F.,Ayuso,M.Evaluation of the maturity of municipal waste compost using simple chemical parameters［J］.Communications in Soil Science&Plant Analysis,1992,23（13-14）:1501-1512.

［14］Sela,R.,Goldrat,T.,Avnimelech,Y.Determining optimal maturity of compost used for land application［J］.Compost Science&Utilization,1998,6（1）:83-88.

Levenberg-Marquardt Neural Network combining with the fluorescence spectra characteristics of DOM derived from organic waste composting for assessment of compost maturity*

WANG Hong-min1,JIA Li-ming2,DUAN Hui2*
（1.Sanjiang Environmental Monitoring Station of Heilongjiang Province,Tongjiang 156400,China;2.Heilongjiang Province Environmental Monitoring Center,Harbin 150056,China）

The traditional methods are difficult to assessing the compost maturity in a correct way owing to the influence of the different organic components,which make the assessment fuzziness.However,the properties of fluorescence spectra of dissolved organic matter（DOM）derived from composting could be an important means of assessing the compost maturity.In this study,the germination percentage（GI）and fluorescence spectra of DOM of organic waste composting（chicken manure,swine manure,kitchen waste,lawn waste,fruits and vegetables waste,straw,green waste,and municipal solid waste）were measured.Person correlation analysis between the fluorescence parameters of DOM and GI demonstrated that AFLR,A4/A1,r（A,C）,P（Ⅱ,n）,P（Ⅳ,n）,P（Ⅴ,n）/P（Ⅲ,n）and P（Hs）/（Pr）are more suitable（p＜0.01;2-tailed）to assess compost maturity as comprehensive indexes in LM Neural Network.Four degrades of compost maturity were divided on the base of the GI value during composting and they were immaturity（I,GI＜50%）,maturity（II, 50%＜GI＜60%）,better degree of compost maturity（III,60%＜GI＜80%）and best degree of maturity（IV,GI＞80%）,respectively.Four groups of samples,which have known to the degree,were used as the standard for LM Neural Network training.Furthermore,thirty-two groups of samples,which also have known to the degree,were used for validation.The accuracy of LM Neural Network was 84.37%,which suggested LM Neural Network showed a good performance in the the assessment of compost maturity.

organic waste matter;dissolved organic matter；characterization of fluorescence spectra;LM neural network;maturity degree

X823

A

10.16247/j.cnki.23-1171/tq.20170221

2016-12-12

国家环境监测与信息（2111101）

王洪敏（1972-），女，学士，高级工程师，主要研究方向：环境监测与评价。

段辉