徐 昕，陳青生，董 壯，賈東遠

(1．河海大學水利水電學院，南京 210098；2.教育部陸地-水域交界帶仿真實驗室，南京 210098)

0 引 言

河流生態(tài)系統(tǒng)是指河流水體的生態(tài)系統(tǒng)，是陸地與海洋聯(lián)系的紐帶，在生物圈的物質(zhì)循環(huán)中起著重要作用。近年來大量水利工程的建設(shè)，嚴重影響著天然河流的水文地貌條件，并對河流及其周邊生態(tài)環(huán)境造成巨大影響，隨著生活條件的不斷改善和對河流健康重要性認識的提高，人們對河流綜合功能的實現(xiàn)提出了越來越高的要求，為了實現(xiàn)經(jīng)濟社會可持續(xù)發(fā)展、人與自然和諧共處，以及充分發(fā)揮河流的生態(tài)、經(jīng)濟、娛樂等價值，研究如何對河流健康進行評價具有重要的理論和現(xiàn)實意義。

當前河流健康的研究工作主要著眼于評價方法的研究。眾多研究人員提出制定評價準則和標準的迫切性，以開展河流健康的評價工作，遺憾的是至今還沒有對評價標準和評價方法有一個理想的、統(tǒng)一的共識[1]，其中評價方法大致分成兩個方面，一方面分類依據(jù)主要體現(xiàn)在人的主觀能動性和客觀事實性，即主觀分析法和客觀分析法，主觀分析法主要包括：層次分析法、理性區(qū)間法、模糊層次分析法等，客觀分析法主要包括：熵值法、主成分分析法、人工神經(jīng)網(wǎng)絡(luò)算法等；另一方面主要體現(xiàn)在評價原理的不同，即預(yù)測模型法和多指標綜合評價法；預(yù)測模型法主要對在原始資料缺失的情況下對河流的健康體系進行預(yù)測評價，代表性的是神經(jīng)網(wǎng)絡(luò)算法；多指標綜合評價法即綜合評價，多采用層次分析、模糊層次分析法、德爾菲法等。由于神經(jīng)網(wǎng)絡(luò)算法可以最大程度地挖掘和探索原始數(shù)據(jù)信息，鑒于河流健康評價的復(fù)雜性和廣泛性，可以掌握和利用的原始數(shù)據(jù)畢竟有限，神經(jīng)網(wǎng)絡(luò)算法采用內(nèi)插法構(gòu)造網(wǎng)絡(luò)訓(xùn)練樣本，將河流健康分級評價標準值作為“預(yù)測”樣本進行“預(yù)測”，對已有的原始數(shù)據(jù)作為訓(xùn)練的樣本進行多次訓(xùn)練，以此尋求原始數(shù)據(jù)中隱藏的各評價因子的貢獻度大小，通過對與河流健康相關(guān)的多個單一指標的原始數(shù)據(jù)進行收斂計算，即可輸出河流總體健康的評價數(shù)值。訓(xùn)練函數(shù)對數(shù)據(jù)具有一定的敏感性和記憶性，通過訓(xùn)練后獲得訓(xùn)練函數(shù)，在取得其他河流的實際原始數(shù)據(jù)后，即可代入趨于穩(wěn)定后的訓(xùn)練函數(shù)，以此對江蘇省整體河流的健康狀況進行預(yù)測評價，但是神經(jīng)網(wǎng)絡(luò)算法會出現(xiàn)不穩(wěn)定性，并且當前用于預(yù)測的神經(jīng)網(wǎng)絡(luò)函數(shù)較多，無法真正辨別適應(yīng)于江蘇省河流健康的訓(xùn)練函數(shù)。多指標綜合評價通過綜合分析，依據(jù)專家咨詢意見確立評價指標權(quán)重，計算過程簡便且穩(wěn)定，但是不同于預(yù)測模型法的是，多指標綜合評價方法由于人的主觀臆斷性易產(chǎn)生系統(tǒng)偏差。本文嘗試結(jié)合預(yù)測模型法和多指標綜合評價法，提出了預(yù)測-綜合指標評價模型，此評價模型由3種預(yù)測模型和3種多指標綜合評價方法組成，即先應(yīng)用此模型對具有流域代表性的部分骨干河流的健康進行探索性評價，通過比對預(yù)測模型法和多指標綜合評價的結(jié)果，選取與多指標綜合評價結(jié)果相似度最高的預(yù)測函數(shù)作為最適用于江蘇省河流的預(yù)測訓(xùn)練函數(shù)，最后應(yīng)用此精簡后的模型對江蘇省整體河流的健康狀況進行評價和預(yù)測，并取得了良好的效果。

1 江蘇省河流健康評價模型

江蘇境內(nèi)河流縱橫，湖泊眾多，其中主要河流727條，大于0.5 km2的湖泊共計137個，水域面積占全省國土面積的16.91%。得天獨厚的江河湖泊資源，是江蘇最大的自然資源和發(fā)展優(yōu)勢[2]。隨著城鎮(zhèn)化、工業(yè)化進程的快速推進，河流生態(tài)環(huán)境問題日趨突出，尤其是太湖藍藻集中爆發(fā)而引發(fā)的無錫供水危機，深刻地警示我們，加強河湖管理，維護河湖健康生命，保障水資源可持續(xù)利用，儼然已經(jīng)成為全社會一項重要而又緊迫的任務(wù)。

根據(jù)《湖泊健康評估指標、標準與方法(試點工作用)》、《環(huán)境影響評價技術(shù)導(dǎo)則與標準》等已有的國家、行業(yè)、地方或國際標準，首先應(yīng)構(gòu)建河流健康評價指標體系，鑒于河流健康評價的多樣性與復(fù)雜性，利用層次分析建立梯級層次結(jié)構(gòu)評價指標體系，如表1，目標層為江蘇省河流健康評價，準則層分為自然屬性和社會效益兩個方面，指標層包含11個詳細指標：河岸帶狀況(RS)、河流連通阻隔(RFC)、生態(tài)流量滿足程度(EF)、河流水質(zhì)綜合指數(shù)(WQ)、岸坡植被結(jié)構(gòu)完整性(SVS)、河流生物多樣性(AL)、防洪工程達標率(FLD)、岸線利用管理(SUM)、公眾滿意度(PP)、供水水量保證率(WSG)、水功能區(qū)水質(zhì)達標率(WFZ)，各指標分別反映河流多層次和深層次的作用效益。

表1 江蘇省河流健康評價體系Tab.1 River Health Assessment System in Jiangsu Province

2 預(yù)測-綜合指標評價方法簡介

鑒于當前越來越繁多的評價方法，可能導(dǎo)致河流健康評價出現(xiàn)“多端寡要、好謀無決”的分極現(xiàn)象，所以研究出一種或者多種準確而客觀的方法系統(tǒng)越來越顯示其重要性和迫切性。盡管神經(jīng)網(wǎng)絡(luò)算法受評價指標的標準取值和上下限值的影響，會出現(xiàn)不穩(wěn)定性，但可以最大限度地克服人的主觀性；綜合指標評價方法的優(yōu)點在于計算過程非常穩(wěn)定，但河流健康評價因“河”而異、因“時”而異[3]，綜合指標評價法在不同河流的不同時段，均需依賴于專家的問卷意見，存在一定的主觀性和局限性。預(yù)測-綜合指標評價模型融合了神經(jīng)網(wǎng)絡(luò)算法和綜合指標評價法的各自優(yōu)勢，即配置綜合指標評價模型的校驗，預(yù)測模型會逐步趨向穩(wěn)定；存在預(yù)測模型的計算，綜合指標評價模型會更為客觀準確。

在預(yù)測模型上選用BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)(RBF)、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)3類神經(jīng)元算法；在綜合指標評價模型上選用層次分析法(AHP)、網(wǎng)絡(luò)分析法(ANP)、模糊層次分析法(F-AHP)3類，模型運行過程如圖1所示，即先用3種神經(jīng)網(wǎng)絡(luò)算法對河流健康進行初步評價，選取最合適該流域健康的預(yù)測評價模型，然后使用3種綜合指標評價方法進行校驗，兩者結(jié)論進行比較，留用與綜合指標評價方法數(shù)值相接近的算法，作為該流域或者區(qū)域的預(yù)測評價模型，最后對總體以及全部河流進行整體評價。這樣就可以最大限度地發(fā)揮預(yù)測模型的靈活性和通用性，與流域的基本特點和變化規(guī)律有很大程度的吻合。

圖1 預(yù)測-綜合指標評價模型流程圖Fig.1 Prediction - Comprehensive index assessment model flowchart

由于前人對層次分析法和BP神經(jīng)網(wǎng)絡(luò)算法已有較為詳盡的研究，本文僅對其余4種子方法進行簡要介紹。

2.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)

RBF神經(jīng)網(wǎng)絡(luò)又稱為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，是一類常用的三層前饋網(wǎng)絡(luò)，多用于函數(shù)逼近及分類[4]，常用的RBF網(wǎng)絡(luò)為n-h-m結(jié)構(gòu)，即網(wǎng)絡(luò)具有n次輸入(輸入層)，h個隱節(jié)點(隱藏層)，m次輸出(輸出層)，計算的模型如圖2所示。

圖2 徑向基神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 The structure diagram of RBF

2.2 廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)

廣義回歸線性網(wǎng)絡(luò)(General regression neural network，GRNN)是由德國人Donald Specht于1991年首先提出的新型神經(jīng)網(wǎng)絡(luò)算法[5]，由輸入層、模式層、求和層及輸出層4個層次網(wǎng)絡(luò)組成計算模型如圖3所示。

GRNN的主要優(yōu)勢在于學習迅速，在樣本數(shù)量巨大的時候達到快速逼近，尤其在處理實時環(huán)境下的稀疏數(shù)據(jù)效果顯著。當前，該神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識和預(yù)測控制等方面得到了嘗試性的應(yīng)用。GRNN神經(jīng)網(wǎng)絡(luò)的創(chuàng)建需要將所有數(shù)據(jù)劃分為輸入向量、輸出向量、訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)[6]。

圖3 廣義回歸神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.3 The structure diagram of GRNN

2.3 模糊層次分析法(F-AHP)

荷蘭學者VanLaarhoven WP在1983年首次將模糊數(shù)學應(yīng)用與層次分析法相結(jié)合，提出了模糊層次分析法[7]，集層次結(jié)構(gòu)、模糊數(shù)學、權(quán)衡比較于一體，在科學決策問題上卓有成效。

2.4 網(wǎng)絡(luò)分析法(ANP)

ANP(Analytic Network Process)，又稱網(wǎng)絡(luò)層次分析法，是Satty T.L.教授于1994年提出的，基于層次分析法(Analytic Hierarchy Process，AHP)發(fā)展而成的一種應(yīng)用系統(tǒng)分析全面解決問題的方法[8]。ANP應(yīng)用網(wǎng)絡(luò)結(jié)構(gòu)替代層次結(jié)構(gòu)，充分考慮各因素之間的相互影響和依存關(guān)系，與系統(tǒng)工程和科學決策的問題特點相符，所以ANP具有越來越廣闊的前景。

3 方法應(yīng)用

本文首先評價江蘇省16條骨干河流的健康狀況，即中運河、里運河、通榆河、蘇北灌溉總渠、大沙河、北六塘河、新洋港、長江干流、新通揚運河、秦淮河、句容河、九圩港、江南運河、望虞河、張家港、大滆運河(按排序先后進行計算)，作為參比。

對于預(yù)測模型法，本文首先將評價指標進行標準化，令數(shù)據(jù)處于[0～1]范圍內(nèi)，利于神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的快速學習，以每一指標的極限值插值得到100個訓(xùn)練樣本，在每次進行評價之前，均進行3 000次學習訓(xùn)練，訓(xùn)練結(jié)束后，再導(dǎo)入河流健康指標的實際值進行模擬，即可使訓(xùn)練函數(shù)對江蘇省骨干河流的原始數(shù)據(jù)存在一定的敏感性和記憶性，得出評價結(jié)論。

對于多指標綜合評價方法，本文首先建立相應(yīng)的層次結(jié)構(gòu)和網(wǎng)絡(luò)結(jié)構(gòu)，AHP和F-AHP均通過MATLAB程序?qū)崿F(xiàn)[9,10]，而ANP則借助超級決策軟件[11](Super Decisions)實現(xiàn)。綜合兩者評價結(jié)果形成比對表2。

表2 江蘇省骨干河流評價分值比對表Tab.2 The comparison chart of Backbone rivers evaluation scores in Jiangsu Province

預(yù)測模型法與綜合指標評價法對應(yīng)的評價分值比對圖如圖4所示。

圖4 各研究子方法對應(yīng)的評價分值比對圖Fig.4 The comparison figure each evaluation methods corresponding score

由圖4可知在多指標綜合評價模型的3類方法中，ANP和F-AHP的分值接近，AHP的分值誤差過大，故采用ANP和F-AHP的分值作為校驗標準，與預(yù)測模型法進行比較，通過比對分值，BP算法與多指標綜合評價方法的整體結(jié)論相差甚遠，而 RBF和GRNN算法與F-AHP和ANP的評價分值相近，故采用RBF和GRNN算法均可作為江蘇省河流健康的預(yù)測模型，由此，精簡后的模型由RBF、GRNN、F-AHP及ANP4類子方法組成，F(xiàn)-AHP和ANP作為校核標準方法，而RBF和GRNN作為計算標準，需要注意的是，在開始進行其他河流的評價前，必須對RBF和GRNN進行學習訓(xùn)練，使預(yù)測模型趨于穩(wěn)定。秦淮河和張家港處于“不健康”水平，枝源派本，秦淮河大部分在南京市境內(nèi)，是南京市最大的地區(qū)性河流，隨著城市規(guī)模和逐步擴大，人類活動嚴重影響著天然河流的水文地貌條件，并對河流及其周邊生態(tài)環(huán)境造成巨大影響，水域面積和城市周邊綠地覆蓋率逐年減少，導(dǎo)致河流健康水平嚴重惡化；張家港的主要河流功能為排澇、供水以及航運，存在的主要問題為水功能區(qū)水質(zhì)達標率和岸坡硬質(zhì)化程度高。但總體而言，江蘇省骨干河流的健康狀況較為良好。

4 江蘇省河流健康狀況

河流健康評價采用分級評分法，劃分等級標準，河流健康初步分為4級，即：健康、亞健康、不健康及病態(tài)。河流健康等級如表3。

表3 河流健康評估分級表Tab.3 River Health Assessment Scale (INES)

通過對上文所述的骨干河流建立的訓(xùn)練函數(shù)，并查閱大量文獻，缺漏或者無法確立的評價指標值通過變化特征插值來獲取統(tǒng)計，再將RBF和GRNN預(yù)測模型應(yīng)用于整個江蘇省其他河流的健康評價，并取得了良好的效果，證明預(yù)測-綜合指標評價具有很強的實用性和準確性。

江蘇省整體河流健康狀況分布情況如圖5所示。

圖5 江蘇省整體河流健康狀況分布圖Fig.5 The health of the whole river in Jiangsu Province Distribution

以GRNN為例，所得結(jié)果顯示，江蘇省整體河流健康狀況達到“健康”級別的河流占38%，達到“亞健康”級別的河流占56%，“不健康”級別的河流占6%，總體上江蘇省河流處于“亞健康”(Ⅱ等)及以上狀態(tài)，“亞健康”狀態(tài)屬于“健康”和“不健康”的過渡狀態(tài)，過渡狀況下的河流的健康變化顯著、轉(zhuǎn)變敏感，在此時期，加強河湖管理、維護河湖健康生命顯得尤為重要。

5 結(jié)論與展望

(1)本文提出預(yù)測-綜合指標評價模型，分別將F-AHP、ANP、AHP、BP、RBF、GRNN共6種方法作為其構(gòu)成要素。首先對江蘇境內(nèi)16條骨干河流的健康進行了探索性評價，通過分值比對、優(yōu)勝劣汰，選用 F-AHP、ANP、RBF、GRNN這4種方法納入預(yù)測-綜合指標評價體系來評價江蘇省整體河流的健康狀況，結(jié)果與實際情況較為接近；而AHP和BP的評價分數(shù)與其他4種方法相比相差過大，不能準確地評價河流健康，建議在江蘇省河流健康評價系統(tǒng)中予以淘汰。

(2)從評價方法上看，基于預(yù)測模型法的RBF和GRNN神經(jīng)網(wǎng)絡(luò)評價結(jié)論幾乎一致，說明兩種神經(jīng)網(wǎng)絡(luò)算法均可用于江蘇省河流健康評價，進行河流健康預(yù)測的目的在于克服資料缺失和人為主觀性，只要取得通過訓(xùn)練后趨于穩(wěn)定的訓(xùn)練預(yù)測函數(shù)，并存在和部分存在其他河流的健康評價指標原始值，通過代入即可對其他整體河流健康狀況進行預(yù)測。尤其是在以后江蘇省內(nèi)中小河流評價可以以此作為預(yù)測評價模型，建立預(yù)警系統(tǒng)。盡管較多研究成果提出GRNN神經(jīng)網(wǎng)絡(luò)具有收斂速度快、預(yù)測精度高和魯棒性良好等優(yōu)點，但河流健康評價應(yīng)當同時考慮地方經(jīng)濟發(fā)展水平的差異、流域自然環(huán)境的特點以及季節(jié)氣候的變換，因地制宜地選取河流生態(tài)修復(fù)評價的標準以及權(quán)重，即河流生態(tài)修復(fù)評價應(yīng)因“河”而異、因“時”而異，所以尋求最適用于江蘇省河流及流域特點的預(yù)測模型也是關(guān)鍵性的因素，由此可知，通過多指標綜合評價的結(jié)論來篩選和檢驗預(yù)測評價方法的適用性和準確性具有重要的理論和現(xiàn)實意義。

預(yù)測-綜合指標評價最大程度上克服了人的主觀臆斷性，并可以準確而客觀地預(yù)測河流健康狀況，不失為河流健康評價的一類新方法。在以后的研究，應(yīng)嘗試將更多方法持續(xù)納入預(yù)測-綜合指標評價模型中，以提升模型的適用性和靈活性。鑒于江蘇省整體河流健康狀況不容樂觀，因此加強河流管理至關(guān)重要，維護河流青春活力刻不容緩。

□

[1] 吳阿娜，車 越，徐啟新，等.上海地區(qū)河流健康評價方法探討[J].生態(tài)與農(nóng)村環(huán)境學報，2007,23(4)：90-94.

[2] 江蘇省主要河流健康狀況報告[R].2012.

[3] 孫雪嵐，胡春宏.關(guān)于河流健康內(nèi)涵與評價方法的綜合評述[J].泥沙研究,2007，(5)：74-80.

[4] 喬俊飛，韓紅桂.RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)動態(tài)優(yōu)化設(shè)計[J].自動化學報，2010,36(6)：865-872.

[5] 崔東文.RBF與GRNN神經(jīng)網(wǎng)絡(luò)模型在河流健康評價中的應(yīng)用----以文山州區(qū)域中小河流健康評價為例[J].中國農(nóng)村水利水電，2012,(3)：56-61.

[6] 張婭莉,喇果彥. GRNN神經(jīng)網(wǎng)絡(luò)在信息分析預(yù)測中的應(yīng)用[J].數(shù)據(jù)采集與處理，2009,24(10)：100-103.

[7] P J M Van Laarhoven WP. A fuzzy extension of Satty's priority theory[J].Fuzzy Sets and Systems.1983,3(11)：199-227.

[8] Satty T L. Fundamentals of decision marking and priority theory with the analytic hierarchy process[M]. Princeton:RWS Publications,1994:35-127.

[9] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2009.

[10] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京：北京航空航天大學出版社，2010.

[11] 周振民，劉海瀅，張 青.基于ANP的河流健康評估指標體系研究[J].中國農(nóng)村水利水電，2011，(9)：57-60.