劉 艷

(云南省水文水資源局文山分局，云南文山 663000)

河流健康評(píng)價(jià)的回歸支持向量機(jī)模型及應(yīng)用

劉 艷

(云南省水文水資源局文山分局，云南文山 663000)

建立河流健康評(píng)價(jià)指標(biāo)體系、分級(jí)標(biāo)準(zhǔn)及回歸支持向量機(jī)(SVR)河流健康評(píng)價(jià)模型，并以云南省文山州清水河健康評(píng)價(jià)為例進(jìn)行研究。首先，利用層次分析法(AHP)從水文水資源、物理結(jié)構(gòu)、水質(zhì)、水生生物和社會(huì)服務(wù)功能5個(gè)方面遴選出13個(gè)評(píng)價(jià)指標(biāo)，構(gòu)建3個(gè)層次的河流健康評(píng)價(jià)指標(biāo)體系和5個(gè)等級(jí)的分級(jí)標(biāo)準(zhǔn);其次，基于SVR原理，利用隨機(jī)生成和隨機(jī)選取的方法，在等級(jí)標(biāo)準(zhǔn)閾值間構(gòu)造5種不同容量大小的訓(xùn)練樣本和檢驗(yàn)樣本，提出5種不同容量方案的SVR河流健康評(píng)價(jià)模型，設(shè)計(jì)合理的輸出模式，并構(gòu)建具有良好性能的RBF(radial basis function neural network)回歸模型作為對(duì)比模型，利用模型隨機(jī)5次運(yùn)行的平均相對(duì)誤差絕對(duì)值、最大相對(duì)誤差絕對(duì)值和運(yùn)行時(shí)間對(duì)各方案模型性能進(jìn)行評(píng)價(jià);最后，利用達(dá)到期望精度的SVR模型對(duì)實(shí)例進(jìn)行評(píng)價(jià)分析。結(jié)果表明:①無(wú)論是訓(xùn)練樣本還是檢驗(yàn)樣本，5種方案的SVR模型的預(yù)測(cè)精度和泛化能力均優(yōu)于RBF模型。在相同參數(shù)設(shè)置條件下，SVR模型隨著樣本容量的增加其精度和泛化能力變化不大;而RBF模型隨著樣本容量的增加其精度和泛化能力均有提高。表明SVR模型具有較高的精度和泛化能力，可以用于河流健康評(píng)價(jià)，尤其在小樣本情況下，SVR模型的精度和泛化能力是RBF模型不可比擬的。②5種方案的SVR模型對(duì)清水河2011—2012年3次調(diào)查的評(píng)價(jià)結(jié)果均為健康，但已接近于亞健康。

河流健康;指標(biāo)體系;分級(jí)標(biāo)準(zhǔn);回歸支持向量機(jī);綜合評(píng)價(jià);云南省

1 研究背景

河流水系是地表水資源最重要的載體，是維系生態(tài)系統(tǒng)健康的主要因子，在維系地球水循環(huán)、能量平衡、氣候變化和生態(tài)良性循環(huán)中具有重要作用。近年來(lái)，隨著我國(guó)經(jīng)濟(jì)社會(huì)的快速發(fā)展，以及工業(yè)化、城市化進(jìn)程的持續(xù)推進(jìn)，水資源開發(fā)過度、水質(zhì)下降、河湖萎縮和生態(tài)環(huán)境功能退化等問題日益凸顯，河流生態(tài)安全受到嚴(yán)重威脅。開展河流健康評(píng)價(jià)對(duì)了解河流生態(tài)狀況，掌握河流健康變化規(guī)律，保障河流水生態(tài)系統(tǒng)健康，實(shí)現(xiàn)水資源的可持續(xù)利用具有重要意義［1］。河流健康狀況是多種因素綜合影響的結(jié)果，是一個(gè)涉及自然、社會(huì)、經(jīng)濟(jì)和生態(tài)等多方面的龐大系統(tǒng)工程，其評(píng)價(jià)表現(xiàn)出多指標(biāo)、高維、非線性等特征。人工神經(jīng)網(wǎng)絡(luò)(artifical neural network，以下簡(jiǎn)稱ANN)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。ANN依據(jù)系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系來(lái)處理信息。在處理復(fù)雜、高維、非線性系統(tǒng)和不確定性問題方面，ANN有著廣泛的應(yīng)用［2］。然而，由于傳統(tǒng)ANN算法是基于漸近理論，是當(dāng)樣本容量趨向于無(wú)窮大時(shí)的解決方案，因此，在實(shí)際應(yīng)用中存在著當(dāng)樣本容量有限時(shí)可能出現(xiàn)較差的推廣能力、結(jié)構(gòu)及參數(shù)選擇困難、收斂速度慢和易陷入局部極值等問題［3-4］。支持向量機(jī)(support vector machine，SVM)是20世紀(jì)90年代中后期發(fā)展起來(lái)的基于統(tǒng)計(jì)學(xué)習(xí)理論構(gòu)建的典型神經(jīng)網(wǎng)絡(luò)，是一種通用的前饋神經(jīng)網(wǎng)絡(luò)，用于解決模式識(shí)別和非線性映射問題。SVM具有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)基礎(chǔ)，通過統(tǒng)計(jì)學(xué)習(xí)中的VC維(vapnik-chervonenkis dimension)理論和尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理來(lái)提高泛化能力，已成為繼ANN之后機(jī)器學(xué)習(xí)領(lǐng)域新的研究熱點(diǎn)，尤其在解決小樣本容量問題時(shí)，很大程度上解決了傳統(tǒng)ANN在模型選擇、高維和局部極值等方面的問題，在模式識(shí)別和回歸預(yù)測(cè)中有著廣泛的應(yīng)用［5-6］。將SVM引入河流健康評(píng)價(jià)主要存在著2個(gè)方面的問題:一是我國(guó)河流健康評(píng)價(jià)工作正處于試點(diǎn)階段，與發(fā)達(dá)國(guó)家相比還存在較大差距，主要表現(xiàn)在未建立統(tǒng)一、完善的河流健康評(píng)價(jià)指標(biāo)體系和分級(jí)標(biāo)準(zhǔn)，評(píng)價(jià)方法主要以主觀賦分或賦權(quán)法為主，存在一定的缺陷;二是如何科學(xué)、合理評(píng)價(jià)河流健康評(píng)價(jià)模型的性能，以及如何解決數(shù)據(jù)樣本、樣本容量及輸出模式等問題。

筆者參考文獻(xiàn)［7-10］，利用層次分析法(analytical hierarchy process，AHP)構(gòu)建包含目標(biāo)層、準(zhǔn)則層和指標(biāo)層3級(jí)的河流健康評(píng)價(jià)指標(biāo)體系和“理想狀態(tài)”、“健康”、“亞健康”、“不健康”和“病態(tài)”5個(gè)等級(jí)的分級(jí)標(biāo)準(zhǔn);基于回歸支持向量機(jī)(support vector regression，SVR)基本原理，提出基于不同樣本容量的SVR河流健康評(píng)價(jià)模型，并構(gòu)建具有良好性能的RBF(radial basis function neural network，RBF)回歸模型作為對(duì)比模型，以云南省文山州清水河為例進(jìn)行驗(yàn)證，為即將全面開展的河流健康評(píng)價(jià)提供借鑒和參考。

2 河流健康內(nèi)涵及評(píng)價(jià)指標(biāo)體系

2.1 河流健康內(nèi)涵

自從“河流健康”概念被提出以來(lái)，其內(nèi)涵至今仍存在著爭(zhēng)議，但由于“健康”比喻對(duì)于大眾而言易于理解，引起了人們對(duì)河流生態(tài)狀況的廣泛關(guān)注。河流健康評(píng)價(jià)在西方發(fā)達(dá)國(guó)家和一些發(fā)展中國(guó)家得到了應(yīng)用，以歐盟水框架指令、美國(guó)河湖健康評(píng)價(jià)、澳大利亞河流及濕地健康評(píng)價(jià)、南非河流健康計(jì)劃等的影響最大［1，8］。我國(guó)河流健康評(píng)價(jià)正處于試點(diǎn)階段。從國(guó)外河流健康評(píng)價(jià)歷程來(lái)看，河湖健康評(píng)價(jià)中提出的社會(huì)背景是人類經(jīng)濟(jì)社會(huì)的快速發(fā)展和水資源的過度開發(fā)嚴(yán)重威脅到河流生態(tài)系統(tǒng)生態(tài)服務(wù)功能的可持續(xù)提供，同時(shí)也嚴(yán)重威脅到河流生態(tài)系統(tǒng)所支撐維持的生物多樣性。因此，河流健康可理解為:河流自然生態(tài)狀況良好，同時(shí)具有可持續(xù)的社會(huì)服務(wù)功能。河流健康概念源于人類對(duì)河流環(huán)境退化的關(guān)注，其內(nèi)涵不僅包含了河流為人類所提供的服務(wù)，還包含維持河流自身復(fù)雜特征，滿足人類需求。河流健康的主體由河流生態(tài)系統(tǒng)以及所支撐的經(jīng)濟(jì)社會(huì)系統(tǒng)構(gòu)成［11-12］。

2.2 指標(biāo)體系的建立

我國(guó)在構(gòu)建評(píng)價(jià)指標(biāo)體系過程中需考慮以下制約因素:①由于我國(guó)流域內(nèi)人口密集，生態(tài)用水和經(jīng)濟(jì)社會(huì)用水競(jìng)爭(zhēng)激烈，導(dǎo)致在健康河流評(píng)價(jià)指標(biāo)上更強(qiáng)調(diào)維持河流自身生命及其功能的健康，更關(guān)注和突出人水關(guān)系;②在河流健康評(píng)價(jià)時(shí)，仍側(cè)重于借助化學(xué)手段以及少量生物監(jiān)測(cè)手段評(píng)估河流水質(zhì)狀況;③實(shí)例研究多以單條河流為主，缺乏對(duì)流域、水系、河流不同空間尺度的探討;④迄今國(guó)內(nèi)尚未形成統(tǒng)一或公認(rèn)的河流健康評(píng)價(jià)指標(biāo)體系。筆者充分考慮我國(guó)河流生態(tài)系統(tǒng)的特征及經(jīng)濟(jì)社會(huì)發(fā)展背景，遵循科學(xué)性、系統(tǒng)性、層次性、獨(dú)立性和指標(biāo)定量性與可操作性的指標(biāo)選取原則，利用AHP方法從水文水資源(HD)、物理結(jié)構(gòu)(PF)、水質(zhì)(WQ)、水生生物(AL)和社會(huì)服務(wù)功能(SS)5個(gè)方面遴選出13個(gè)評(píng)價(jià)指標(biāo)構(gòu)成河流健康評(píng)價(jià)指標(biāo)體系，將河流健康評(píng)價(jià)分為目標(biāo)層A、準(zhǔn)則層B和指標(biāo)層C 3個(gè)層次。

河流健康評(píng)價(jià)指標(biāo)體系見表1。

2.3 指標(biāo)體系等級(jí)的建立

按照上述所構(gòu)建的河流健康評(píng)價(jià)指標(biāo)體系，參考文獻(xiàn)［7，9-10］，構(gòu)建河流健康評(píng)價(jià)指標(biāo)分級(jí)標(biāo)準(zhǔn)，將河流康評(píng)價(jià)分為理想狀態(tài)、健康、亞健康、不健康和病態(tài)5個(gè)等級(jí)，分別用5～1級(jí)表示，見表2。

3 SVR評(píng)價(jià)模型

SVM最初是為研究線性問題而提出的，其用于模式識(shí)別的基本思想是通過非線性變換將輸入空間變換到一個(gè)高維空間，在此新空間通過求解凸二次規(guī)劃問題，尋求最優(yōu)線性分類超平面;而用于回歸預(yù)測(cè)時(shí)，其基本思想不再是尋找最優(yōu)分類面來(lái)將樣本分開，而是尋找一個(gè)最優(yōu)超平面，使得所有訓(xùn)練樣本離該最優(yōu)超平面距離最短，這個(gè)超平面可看作擬合好的曲線。將SVM用于逼近函數(shù)的方法稱為SVR。SVR 實(shí)現(xiàn)回歸預(yù)測(cè)步驟歸納如下［5，13］。

步驟1 設(shè)含有l(wèi)個(gè)訓(xùn)練樣本的集合{(xi，yi)，i=1，2，…，l}，其中，xi(xi∈Rd)是第i個(gè)訓(xùn)練樣本的輸入列向量為對(duì)應(yīng)輸出值。在高維特征中建立的線性回歸函數(shù)為

式中:f(x)為回歸函數(shù)返回的預(yù)測(cè)值;Φ(x)為非線性映射函數(shù);w為超平面的權(quán)值向量，b為偏置項(xiàng)。

步驟2 定義ε線性不敏感損失函數(shù)為

式中:y為對(duì)應(yīng)真實(shí)值;ε為不敏感損失函數(shù)所定義的誤差。

表1 河流健康評(píng)價(jià)指標(biāo)體系

表2 河流健康評(píng)價(jià)指標(biāo)分級(jí)標(biāo)準(zhǔn)

式中:C為懲罰因子，C越大表示對(duì)訓(xùn)練誤差大于ε的樣本懲罰越大，ε規(guī)定了回歸函數(shù)的誤差要求，ε越小表示回歸函數(shù)的誤差越小。求解式(3)時(shí)，同時(shí)引入Lagrange函數(shù)，并轉(zhuǎn)換成對(duì)偶形式:

其中，只要部分參數(shù)(ai-a*i)不為0，其對(duì)應(yīng)的樣本xi即為問題中的支持向量。

4 網(wǎng)絡(luò)訓(xùn)練與性能評(píng)價(jià)

4.1 指標(biāo)數(shù)據(jù)歸一化處理

為了消除表2中各評(píng)價(jià)指標(biāo)不同量綱及“方向”對(duì)評(píng)價(jià)結(jié)果的影響，需對(duì)評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行歸一化和一致性處理。對(duì)于指標(biāo)值越大河流健康狀態(tài)越理想的指標(biāo)，按式(8)進(jìn)行歸一化處理;對(duì)于指標(biāo)值越小河流健康狀態(tài)越理想的指標(biāo)，對(duì)其取倒數(shù)后乘以100，再按式(8)進(jìn)行處理。

式中:^x為經(jīng)過歸一化處理的數(shù)據(jù);x為原始數(shù)據(jù);為了使各評(píng)價(jià)指標(biāo)具有相同的權(quán)重，這里取xmax為各評(píng)價(jià)指標(biāo)上限閾值的2倍;xmin為各評(píng)價(jià)指標(biāo)下限閾值的10%。經(jīng)過標(biāo)準(zhǔn)化處理后，數(shù)據(jù)處于0～1范圍之內(nèi)，有利于網(wǎng)絡(luò)訓(xùn)練。

4.2 樣本及輸出設(shè)計(jì)

在解決小樣本回歸預(yù)測(cè)問題上，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的SVR比基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的傳統(tǒng)ANN有著較大優(yōu)勢(shì)。為驗(yàn)證不同樣本容量對(duì)SVR模型性能的影響，采用隨機(jī)生成樣本的方法在各評(píng)價(jià)等級(jí)閾值間生成5種不同容量大小的樣本方案，隨機(jī)選取樣本總量的3/5作為訓(xùn)練樣本，余下的樣本作為檢驗(yàn)樣本。設(shè)計(jì)各模型的輸出模式見表3。

4.3 網(wǎng)絡(luò)訓(xùn)練及性能評(píng)價(jià)比較

本文基于Matlab環(huán)境和libsvm工具箱，創(chuàng)建SVR及RBF回歸模型對(duì)表3設(shè)計(jì)的5種方案的樣本進(jìn)行訓(xùn)練和檢驗(yàn)，經(jīng)過反復(fù)調(diào)試，SVR及RBF模型參數(shù)設(shè)置如下時(shí)，模型具有較好的預(yù)測(cè)精度(為使模型在不同樣本容量情況下具有可比性，SVR及RBF的5種模型方案除樣本容量大小不一致外，其余參數(shù)設(shè)置均相同)。

表3 5種方案的樣本及期望輸出設(shè)計(jì)

SVR模型:SVR在選定核函數(shù)條件下，模型中的懲罰因子C和核函數(shù)參數(shù)g的選取對(duì)模型的識(shí)別精度有著關(guān)鍵性影響。參考文獻(xiàn)［4-5，10］，選擇徑向基核函數(shù)為SVR的核函數(shù)，設(shè)置懲罰因子C和核函數(shù)參數(shù)g的搜索空間均設(shè)置為2-2～26，交叉驗(yàn)證折數(shù)K設(shè)置為5，g和C的步進(jìn)大小均取0.5，不敏感系數(shù)ε為0.001(其他參數(shù)采用默認(rèn)值)，利用交叉驗(yàn)證法(cross validation，CV)確定模型中的懲罰因子C和核函數(shù)參數(shù)g(由于采用隨機(jī)生成及隨機(jī)選取樣本，因此每次運(yùn)行的參數(shù)可能不同)。

RBF模型:編寫循環(huán)訓(xùn)練算法程序，最終確定RBF神經(jīng)網(wǎng)絡(luò)在徑向基函數(shù)分布密度spread和期望誤差分別為1和0.0001時(shí)，模型性能達(dá)到最優(yōu)。

本文以平均相對(duì)誤差絕對(duì)值、最大相對(duì)誤差絕對(duì)值和模型運(yùn)行時(shí)間作為評(píng)價(jià)SVR及RBF回歸模型性能優(yōu)劣的指標(biāo)。由于訓(xùn)練樣本和檢驗(yàn)樣本是通過隨機(jī)生成和隨機(jī)選取產(chǎn)生，因此模型每次運(yùn)行結(jié)果均不一樣。某次隨機(jī)連續(xù)5次運(yùn)行的統(tǒng)計(jì)指標(biāo)平均值見表4。

表4 SVR及RBF回歸模型誤差及運(yùn)行時(shí)間

由表4可得出以下結(jié)論:①?gòu)腟VR模型方案1至方案5的誤差值來(lái)看，其訓(xùn)練樣本及檢驗(yàn)樣本的平均相對(duì)誤差絕對(duì)值和最大相對(duì)誤差絕對(duì)值分別在1.65%～2.49%、2.26% ～3.10%和7.76% ～16.46%、9.60% ～14.52%之間，均優(yōu)于對(duì)應(yīng)的RBF模型，表明SVR回歸模型具有較好的預(yù)測(cè)精度和泛化能力，將其用于回歸預(yù)測(cè)評(píng)價(jià)是合理可行的。②從同一模型不同方案的誤差值來(lái)看，SVR模型隨著樣本容量的增加，其預(yù)測(cè)精度和泛化能力變化不大;RBF模型隨著樣本容量的增加，其預(yù)測(cè)精度和泛化能力均有提升，表明SVR模型對(duì)樣本容量大小不敏感，尤其在小樣本情況下，SVR模型的預(yù)測(cè)精度和泛化能力是RBF所不可比擬的。③從模型的運(yùn)行時(shí)間來(lái)看，SVR模型隨著樣本容量的增加運(yùn)行時(shí)間顯著增加，RBF模型隨著樣本容量的增加運(yùn)行時(shí)間略有增加，表明增加樣本容量無(wú)助于提高SVR模型的預(yù)測(cè)精度和泛化能力，反而使SVR模型性能下降。

本文主要基于模型的預(yù)測(cè)精度和泛化能力考慮，選取不同樣本容量的SVR模型作為文山州清水河健康評(píng)價(jià)模型。

5 實(shí)例應(yīng)用

5.1 研究區(qū)概況

清水河又名北門河，位于云南省丘北縣境內(nèi)，發(fā)源于丘北縣八道哨鄉(xiāng)五家寨西緣，自源地向東流經(jīng)普者黑湖，于天星鄉(xiāng)小法白村匯入清水江，屬珠江流域西江水系，為南盤江的二級(jí)支流。清水河河長(zhǎng)61.5km，落差727m，平均坡降0.77%，有清平河、舊城河、高枧槽河、碧松就河等多條支流，集水面積1533.5 km2，多年平均流量18.2m3/s，多年平均徑流量5.11億m3。清水河上游建有紅旗水庫(kù)，又稱擺龍湖，總庫(kù)容5 400萬(wàn)m3;中游是普者黑湖，為河道型湖泊群，水面面積約為6 km2，水深3～4 m。近年來(lái)，隨著流域內(nèi)經(jīng)濟(jì)社會(huì)及旅游業(yè)的迅猛發(fā)展，清水河受到了不同程度的污染，河流生態(tài)系統(tǒng)結(jié)構(gòu)、社會(huì)服務(wù)功能等隨之發(fā)生了變化。因此，開展清水河健康評(píng)價(jià)對(duì)了解河流生態(tài)健康狀況、掌握健康變化規(guī)律、制定流域規(guī)劃具有重要意義［1］。清水河2011—2012年3次調(diào)查評(píng)價(jià)指標(biāo)數(shù)據(jù)詳見表5。

表5 清水河健康評(píng)價(jià)指標(biāo)數(shù)據(jù)［1］

5.2 評(píng)價(jià)結(jié)果及分析

利用上述訓(xùn)練好的5種樣本容量方案的SVR模型對(duì)清水河健康狀況進(jìn)行評(píng)價(jià)，并將表2中河流健康評(píng)價(jià)分級(jí)閾值進(jìn)行模擬計(jì)算，將輸出結(jié)果作為劃分河流健康等級(jí)的依據(jù)。輸出及評(píng)價(jià)結(jié)果見表6和表7。

表6 SVR模型河流評(píng)價(jià)等級(jí)臨界值輸出結(jié)果(隨機(jī)5次平均)

從表6和表7可以得出以下結(jié)論:①5種樣本容量方案的SVR模型對(duì)清水河的3次調(diào)查評(píng)價(jià)結(jié)果均為4級(jí)，即處于健康狀態(tài)，但從輸出結(jié)果來(lái)看，已接近于亞健康狀態(tài)。評(píng)價(jià)結(jié)果基本反映了目前清水河健康狀態(tài)。②從清水河健康調(diào)查評(píng)價(jià)指標(biāo)值可以看出，隨著流域內(nèi)水資源的開發(fā)利用和人類活動(dòng)的加劇，河流在生態(tài)流量滿足程度、河岸穩(wěn)定性、植被覆蓋率，以及防洪設(shè)施、公眾滿意度等方面表現(xiàn)較差，導(dǎo)致清水河目前雖處于健康狀態(tài)，但已接近亞健康狀態(tài)。

表7 SVR模型清水河健康評(píng)價(jià)結(jié)果(隨機(jī)5次平均)

6 結(jié)語(yǔ)

河流健康是一個(gè)相對(duì)概念，具有一定的主觀性。依據(jù)《湖泊健康評(píng)估指標(biāo)、標(biāo)準(zhǔn)與方法(試點(diǎn)工作用)》，從河流的功能屬性出發(fā)，以河流健康概念為基礎(chǔ)，筆者提出了包括水文完整性、物理結(jié)構(gòu)完整性、化學(xué)完整性、生物完整性和服務(wù)功能完整性5個(gè)方面的河流健康評(píng)價(jià)指標(biāo)體系和分級(jí)標(biāo)準(zhǔn)，構(gòu)建了不同樣本容量的數(shù)據(jù)樣本，提出基于SVR回歸原理的河流健康評(píng)價(jià)模型，對(duì)清水河健康狀況進(jìn)行了評(píng)價(jià)。但由于河流健康評(píng)價(jià)屬于多學(xué)科交叉綜合評(píng)價(jià)問題，其評(píng)價(jià)指標(biāo)體系涉及多個(gè)領(lǐng)域，內(nèi)容廣泛，加之制約河流健康的因素眾多，因此，本文所提出的河流健康指標(biāo)體系及評(píng)價(jià)方法還有待進(jìn)一步研究和完善。

［1］云南省水文水資源局.云南省文山州清水河健康評(píng)估試點(diǎn)報(bào)告(送審稿)［R］.昆明:云南省水文水資源局，2012.

［2］田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用［M］.北京:北京理工大學(xué)出版社，2006.

［3］田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)［M］.北京:科學(xué)出版社，2009.

［4］王雷.支持向量機(jī)在汽輪機(jī)狀態(tài)監(jiān)測(cè)中的應(yīng)用［M］.北京:北京師范大學(xué)出版社，2012.

［5］崔東文.支持向量機(jī)在湖庫(kù)營(yíng)養(yǎng)狀態(tài)識(shí)別中的應(yīng)用研究［J］.水資源保護(hù)，2013，29(4):26-30.(CUI Dongwen.Application of support vector machine to lake and reservoirtrophic statusrecognition［J］.Water Resources Protection，2013，29(4):26-30.(in Chinese))

［6］張楠，夏自強(qiáng)，江紅.基于多因子量化指標(biāo)的支持向量機(jī)徑流預(yù)測(cè)［J］.水利學(xué)報(bào)，2010，41(11):1318-1323.(ZHANG Nan，XIA Ziqiang，JIANG Hong.Prediction of runoff based on the multiple quantity index of SVM［J］.Journal of Hydraulic Engineering，2010，41(11):1318-1323.(in Chinese))

［7］辦資源〔2010〕484號(hào) 河流健康評(píng)估指標(biāo)、標(biāo)準(zhǔn)與方法(試點(diǎn)工作用)［S］.

［8］孫雪嵐，胡春宏.河流健康評(píng)價(jià)指標(biāo)體系初探［J］.泥沙研究，2007(4):21-27.(SUN Xuelan，HU Chunhong.River health evaluation index system［J］.Journal of Sediment Research，2007(4):21-27.(in Chinese))

［9］崔東文.RBF與GRNN神經(jīng)網(wǎng)絡(luò)模型在河流健康評(píng)價(jià)中的應(yīng)用:以文山州區(qū)域中小河流健康評(píng)價(jià)為例［J］.中國(guó)農(nóng)村水利水電，2012(3):56-61.(CUI Dongwen.RBF and GRNN neural network model in the evaluation of river health［J］.China Rural Water and Hydropower，2012(3):56-61.(in Chinese))

［10］崔東文，郭榮.基于GRNN模型的區(qū)域水資源可持續(xù)利用評(píng)價(jià):以云南文山州為例［J］.人民長(zhǎng)江，2012，43(5):26-31.(CUI Dongwen，GUO Rong.Evaluation of sustainable utilization of regional water resources based on GRNN neural network model:case of Wenshan Prefecture of Yunnan Province［J］.Yangtze River，2012，43(5):26-31.(in Chinese))

［11］楊文慧，嚴(yán)忠民，吳建華.河流健康評(píng)價(jià)的研究進(jìn)展［J］.河海大學(xué)學(xué)報(bào):自然科學(xué)版，2005，33(6):607-611.(YANG Wenhui，YAN Zhongmin，WU Jianhua.Advances in river health assessment［J］.Journal of Hohai University:Natural Sciences，2005，33(6):607-611.(in Chinese))

［12］蔡守華，胡欣.河流健康的概念及指標(biāo)體系和評(píng)價(jià)方法［J］.水利水電科技進(jìn)展，2008，28(1):23-27.(CAI Shouhua，HU Xin.Concept of river health and index system for its evaluation［J］.Advances in Science and Technology of Water Resources，2008，28(1):23-27.(in Chinese))

［13］史峰，王輝，郁磊，等.MATLAB智能算法30個(gè)案例分析［M］.北京:北京航空航天大學(xué)出版社，2011.

Regression support vector machine for river health assessment and its application

LIU Yan
(Wenshan Branch of Yunnan Provincial Hydrology and Water Resources Bureau，Wenshan 663000，China)

A river health assessment index system，grading standards，and a support vector regression(SVR)river health assessment model are proposed for health assessment of the Qingshui River in Wenshan，in Yunnan Province.In this study，first，13 evaluation indices were selected with the analytic hierarchy process(AHP)in terms of hydrology and water resources，physical structure，water quality，aquatic organisms，and social services，in order to construct a three-level river health assessment index system as well as five-level grading standards.Then，based on the SVR principle，the random generation and random selection methods were used to construct five training and testing samples with different capacities in grading thresholds.Five models with different capacity solutions were developed for the SVR river’s health assessment.A reasonable output mode was designed，and the corresponding radial basis function neural network(RBF)regression model，which showed a good performance，was built as a comparison model.After the model ran five times stochastically，the absolute value of the average relative error，the absolute value of the maximum relative error，and the runtime were used to evaluate the performance of the model in each program.Finally，the SVR model that achieved the desired accuracy was evaluated and analyzed in a case study.The results are as follows:(1)For either the training sample or the testing sample，the SVR model in five programs had a higher prediction accuracy and better generalization ability than the RBF model.Under the same parameter setting conditions，as the sample size increased，the SVR model’s accuracy and generalization ability changed insignificantly，while the RBF model’s accuracy and generalization ability improved，indicating that the SVR model has higher accuracy and better generalization ability and can be used for river health assessment，especially in the cases of small samples.In this regard，the RBF model is totally uncompetitive.(2)The SVR model in the five programs was applied to the evaluation of the Qingshui River during the period from 2011 to 2012.The results of the survey carried out three times show that the river was healthy，but nearly sub-healthy.

river health;index system;grading standards;support vector regression machine;comprehensive assessment;Yunnan Province

X824

A

1004-6933(2014)03-0025-06

10.3969/j.issn.1004-6933.2014.03.006

劉艷(1966—)，女，工程師，主要從事水環(huán)境監(jiān)測(cè)評(píng)價(jià)及水資源保護(hù)等工作。E-mail:1464531959@QQ.com

(收稿日期:2013-08-26 編輯:彭桃英)