(遼寧省水文局，遼寧 沈陽(yáng) 110000)

1 概 述

大伙房水庫(kù)位于撫順市境內(nèi)，是遼寧省內(nèi)一座重要的城市供水、灌溉、防洪、發(fā)電、養(yǎng)殖等綜合利用的大型調(diào)節(jié)水庫(kù)。水庫(kù)總?cè)萘?1.81億m3，年均供水10.8億m3，呈東西帶狀河谷形，長(zhǎng)約37km,水面最寬處約4km，分布在撫順、新賓、清原3個(gè)縣城之中，流域面積5437km2。近年來(lái)，由于氣候變化、極端暴雨沖刷加之水庫(kù)區(qū)管理手段滯后等原因，致使水庫(kù)內(nèi)營(yíng)養(yǎng)鹽流入增多，造成藻類滋生水質(zhì)惡化。水體表現(xiàn)為復(fù)雜的物理、化學(xué)及生物作用，因此建立可靠的水質(zhì)模擬預(yù)測(cè)模型至關(guān)重要。

2 水質(zhì)模擬預(yù)測(cè)

水質(zhì)模擬預(yù)測(cè)是水環(huán)境質(zhì)量影響評(píng)價(jià)、污染物排放總量控制指標(biāo)制定以及正確認(rèn)識(shí)水環(huán)境功能，實(shí)現(xiàn)水資源可持續(xù)開(kāi)發(fā)利用的重要依據(jù)。影響水質(zhì)變化的原因可概括為外因和內(nèi)因兩方面共同作用。內(nèi)因指水域內(nèi)水體的物理、化學(xué)、生物等變化；外因指外界環(huán)境改變而導(dǎo)致的水域內(nèi)水質(zhì)的變化，例如：污染物進(jìn)入水體、農(nóng)業(yè)非點(diǎn)源污染等。在內(nèi)、外因素相對(duì)穩(wěn)定的情況下，水域在每年同一時(shí)期水質(zhì)的變化規(guī)律也相似。目前，國(guó)內(nèi)外應(yīng)用的水質(zhì)預(yù)測(cè)模型有很多種，依據(jù)的理論基礎(chǔ)不同，大致可以歸納為5類：水質(zhì)模擬模型預(yù)測(cè)法、數(shù)理統(tǒng)計(jì)預(yù)測(cè)法、灰色系統(tǒng)理論預(yù)測(cè)法、混沌理論預(yù)測(cè)法和神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)法[1-3]。本文以大伙房水庫(kù)作為研究區(qū)域，采用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法對(duì)主要污染物DO、CODMn、BOD5、NH3-N、TN、TP的6項(xiàng)指標(biāo)進(jìn)行模擬預(yù)測(cè)研究。

2.1 BP神經(jīng)網(wǎng)絡(luò)原理及模型建立

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)有良好的自適應(yīng)能力和記憶功能，能學(xué)習(xí)和存儲(chǔ)大量的輸入—輸出模式的映射關(guān)系，對(duì)非線性和不確定性的對(duì)象均可預(yù)測(cè)，且不需要事前揭示模型水質(zhì)變化的內(nèi)部物理、化學(xué)、生物等演變過(guò)程[4]。BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)規(guī)則是利用最速下降法，通過(guò)反向傳播來(lái)調(diào)整網(wǎng)絡(luò)的閾值和權(quán)值，得到最小的網(wǎng)絡(luò)誤差平方和。運(yùn)算過(guò)程分為前向和反向傳播過(guò)程，前向：給定網(wǎng)絡(luò)輸入經(jīng)輸入層、隱藏層、輸出層處理后，得到一個(gè)輸出。反向：若輸出結(jié)果與期望輸出的誤差不合理，則修正連接權(quán)值，將誤差值沿網(wǎng)絡(luò)反向傳播，直至網(wǎng)絡(luò)輸出誤差減小到允許范圍內(nèi)或達(dá)到設(shè)定的訓(xùn)練次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)法構(gòu)建模型，可用不同的非線性函數(shù)關(guān)系構(gòu)建其非線性過(guò)程,可靈活探索水質(zhì)變化規(guī)律。

圖1 BP生境網(wǎng)絡(luò)水質(zhì)預(yù)測(cè)模型結(jié)構(gòu)

2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選擇及處理

搜集大伙房水庫(kù)2011—2015年中5個(gè)水質(zhì)監(jiān)測(cè)點(diǎn)的6項(xiàng)指標(biāo)數(shù)據(jù)作為輸入樣本建立神經(jīng)網(wǎng)絡(luò)(訓(xùn)練樣本)。圖2為大伙房水庫(kù)水質(zhì)監(jiān)測(cè)點(diǎn)位置圖，撫順取水口的指標(biāo)數(shù)據(jù)作為輸出層神經(jīng)元，分別對(duì)6項(xiàng)指標(biāo)進(jìn)行模擬預(yù)測(cè)，將2016年的監(jiān)測(cè)數(shù)據(jù)作為測(cè)試樣本驗(yàn)證網(wǎng)絡(luò)精度。訓(xùn)練樣本的預(yù)處理選用《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》(GB3838—2002)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本采用linspace函數(shù)等間隔均勻分布方式內(nèi)插生成訓(xùn)練樣本，進(jìn)行樣本補(bǔ)充。對(duì)樣本采用prestd函數(shù)進(jìn)行歸一化處理，避免量級(jí)的差別影響網(wǎng)絡(luò)精度[6]，歸一化后數(shù)據(jù),見(jiàn)表1。

圖2 大伙房水庫(kù)水質(zhì)監(jiān)測(cè)點(diǎn)

表1 BP網(wǎng)絡(luò)水質(zhì)模擬預(yù)測(cè)模型歸一化后訓(xùn)練樣本 (單位：mg/L)

2.3 BP神經(jīng)網(wǎng)絡(luò)模擬訓(xùn)練結(jié)果

水質(zhì)模擬預(yù)測(cè)模型對(duì)2011—2015年大伙房水庫(kù)主要污染物模擬預(yù)測(cè)，撫順取水口的6項(xiàng)指標(biāo)預(yù)測(cè)效果良好，絕對(duì)誤差均在允許范圍內(nèi)(<0.01)，BP網(wǎng)絡(luò)模擬成功。水質(zhì)模擬訓(xùn)練結(jié)果見(jiàn)表2。

續(xù)表

3 BP神經(jīng)網(wǎng)絡(luò)水質(zhì)模擬預(yù)測(cè)模型驗(yàn)證

模型訓(xùn)練后各層間的閾值和權(quán)值已確定，將2016年的測(cè)試樣本輸入網(wǎng)絡(luò)，驗(yàn)證輸出值與實(shí)際檢測(cè)值的相對(duì)誤差，是否達(dá)到所需精度，測(cè)試結(jié)果見(jiàn)表3。驗(yàn)證結(jié)果絕對(duì)誤差為0.229%～9.1%，滿足精度要求。所以訓(xùn)練后的網(wǎng)絡(luò)可用于大伙房水庫(kù)撫順取水口的水質(zhì)預(yù)測(cè)。

表3 水質(zhì)模擬預(yù)測(cè)仿真結(jié)果 (單位：mg/L)

4 結(jié) 語(yǔ)

本文選取大伙房水庫(kù)2011—2015年6個(gè)監(jiān)測(cè)點(diǎn)水質(zhì)污染指標(biāo)數(shù)據(jù)作為輸入樣本，輸出層神經(jīng)元用撫順取水口的水質(zhì)數(shù)據(jù)。用2016年的水質(zhì)數(shù)據(jù)作為網(wǎng)絡(luò)驗(yàn)證，結(jié)果表明：經(jīng)模擬訓(xùn)練后的模型預(yù)測(cè)效果良好，相對(duì)誤差在允許范圍之內(nèi)(0.229%～9.1%)。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法具有預(yù)測(cè)精度高、建模簡(jiǎn)單、計(jì)算速度快、預(yù)測(cè)結(jié)果好的特點(diǎn)，不足之處就在于對(duì)水質(zhì)變化的原因無(wú)法做出分析。在實(shí)際應(yīng)用過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法適應(yīng)性強(qiáng)、對(duì)數(shù)據(jù)依賴性小，可用于短期和長(zhǎng)期大伙房水庫(kù)水質(zhì)指標(biāo)變化的預(yù)警預(yù)報(bào)系統(tǒng)中[7]。近年來(lái)大伙房水庫(kù)水質(zhì)主要受人類活動(dòng)和自然環(huán)境變遷的影響，特別是礦山開(kāi)采、工業(yè)生產(chǎn)、生活垃圾、農(nóng)業(yè)非點(diǎn)源、畜禽及水產(chǎn)養(yǎng)殖等因素的影響變化較大[8]。受資料可獲取性和BP神經(jīng)網(wǎng)絡(luò)模型本身的復(fù)雜程度的限制，本文未對(duì)影響水質(zhì)變化的因素進(jìn)行描述和分析，只考慮了大伙房水庫(kù)各水質(zhì)指標(biāo)的2016年數(shù)據(jù)，關(guān)于引入影響水質(zhì)變換因素分析的模型，更全面對(duì)水質(zhì)變化進(jìn)行預(yù)測(cè)還有待于日后研究加以完善。

[1] 王曉萍,孫繼洋,金鑫.基于BP神經(jīng)網(wǎng)絡(luò)的錢塘江水質(zhì)指標(biāo)的預(yù)測(cè)[J].浙江大學(xué)學(xué)報(bào):工學(xué)版,2007,41(2):361-364.

[2] 李如忠.水質(zhì)預(yù)測(cè)理論模式研究進(jìn)展與趨勢(shì)分析[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2006,29(1):26-30.

[3] 趙英,崔福義,郭亮,等.基于BP神經(jīng)網(wǎng)絡(luò)的天津于橋水庫(kù)CODMn預(yù)測(cè)研究[J].南京理工大學(xué)學(xué)報(bào):自然科學(xué)版,2008,32(3):376-380.

[4] 郭慶春,何振芳,李力,等.BP人工神經(jīng)網(wǎng)絡(luò)模型在太湖水污染指標(biāo)預(yù)測(cè)中的應(yīng)用[J].南方農(nóng)業(yè)學(xué)報(bào),2011,42(10):1303-1306.

[5] Hecht-Nielsen R.Kolmogorov’s Mapping Neural Network Existence Theorem[C].Proceedings of the international conference on Neural Networks, New York:IEEE Press,1987.

[6] 韋安磊.污水處理過(guò)程數(shù)學(xué)模型方法及其關(guān)鍵技術(shù)研究[D].長(zhǎng)沙:湖南大學(xué),2010,11-13.

[7] 張青，王學(xué)磊，張婷，等.基于BP神經(jīng)網(wǎng)絡(luò)的洪湖水質(zhì)指標(biāo)預(yù)測(cè)研究[J].濕地科學(xué),2016,14(2)：212-218.

[8] 賈磊.大伙房水庫(kù)水質(zhì)預(yù)測(cè)模型研究[J].水電能源科學(xué)，2016,34(8)：15-19.