基于人工神经网络的淀山湖入湖通量与水体富营养化相关性研讨.pdf

第九届全国水动力学学术会议暨第二十二届全国水动力学研讨会文集 基于人工神经网络的淀山湖入湖通量 与水体富营养化相关性研究 徐祖信颜军 尹海龙+ (Jrd济人学污染控制‘j资源化研究国家重点实验室，I-海，200092) 摘要：通过构建基于反向传播的淀山湖人工神经网络模型，研究了淀山湖入湖口污染输入 与水体富营养化的相关关系。利用2006—2008年淀山湖7个水质监测点的监测数据，构建湖 内水质监测点的人工神经网络模型(模型A)，识别主要水质参数；进一步，针对主要水质参数， 建立急水港、大朱厍、千墩港、自石矶等4个主要入湖口和淀山湖内水质监测点的人工神经 网络模型(模型B)，识别入湖通量输入的主要影响因素。利用决定系数(R2)、均方根误差 (RMsE)、实测结果和模型计算值之间的偏差，对淀山湖人工神经网络模型的可靠性进行评估； 结果表明，模型预测的叶绿素仅含量结果很好的拟合了实测结果，精度较高。采用平衡分配 法研究不同入湖口各水质参数对淀山湖叶绿素0【的贡献度，表明总磷是淀山湖水体富营养化 的决定性水质参数，模型A和模型B的预测结论具有一致性。 关键词：BP人工神经网络；富营养化；淀山湖；叶绿素。【；污染物通量 1引言 淀山湖总面积62km2，IJ1．上海市境内面积的2／3，是上海市最人的淡水湖泊。1990年修订 的《上海市黄浦江上游水源保护条例》将淀山湖划定为黄浦江上游水源保护区。近年来，淀 山湖水体富营养化节加重态势，对城市饮用水安全构成了潜在威胁。国内学者必威体育精装版的研究指 出Il】，从1985年第一次人规模藻类水华暴发，经过15年的营养物积累，淀山湖由中度富营养 化湖泊逐渐转化为重度富营养化湖泊，藻类水华的频率为1999年前的2～3倍。 营养盐输入是导致水体寓营养化的关键性冈素。冈此，要控制淀山湖水体富营养化，应 从源头上控制入湖口营养盐的输入。为此，本研究开展淀山湖入湖通鼙与水体富营养化相关 性研究，识别各主要入湖口对水体富营养化的影响程度，以及外来输入中的关键性冈子。 作为一种通过模拟人脑神经系统组织方式而形成的模式识别和系统辨识模式，人I：神经 网络在环境预测和评价中已得到广泛应用【2J，其中以BP人l：神经网络应刚最多。目前，已经 资助。Email：yinhailong@tongji．edu．cn ．988． 第九届全国水动力学学术会议暨第一十一届全国水动力学研讨会文集 有学者利川人l。神经网络模型，对湖泊富营养化趋势进行短捌预剁一，但局限丁利州湖山水质 数据建立人l神经网络进行预测或评价，不涉及湖泊入湖营养盐通苗与湖内水体富营养化相 关芙系的{IJf究，以及导致水体富营养化关键冈f的识别。湖泊入湖营养盐通域与湖泊富营养 化的相芙关系，是一种系统结杜J瓣识问题。田此，本研究基丁_BP人1’神经网络模掣，开展淀 山湖入湖通苗与湖泊富营养化的相关性研究。 2人工神经网络BP预测模型 21研究对象 淀山湖总面积62km2．土要进水口为急水港、人朱岸、白7『矶、千墩港，共。f．总进水量的 90％以上：出水口土要是#璐港、讪旺和T】塘，共『J】总山水量的90％。主要入湖口、山湖口， 以及淀山湖现状水质监测点分布如幽1所示。 留1淀山湖水质jm测点 2 2淀山湖人工神经网络模型设计 2 2 1 BP人工神经网络构建 本研究使Hj二层BP网络，构建两个BP网络，两个神经网络均使州赋以臼适应学习率的 有动簟的梯度F降法，这种算法能够白适应调整学习率，在训练中合理的改变学习率。从而 增加稳定性，提高速度和精度。 氨氮、总氯、总磷(以P计)、水温年¨pH作为输入变鼙，叫绿素d作为输出变苗，其结构如 幽2所示，使川了有8个变量的输入层， 个有21个神经元1r点的隐含层，以及1个输山变 第九届全国水动力学学术会议暨第二十二J『莆全国水动力学研讨会文集 封的输出层。第二个网络(B)则建立4个主要入湖口与湖内7个水质监测点的BP人jr神经 网络结构关系：对每个入湖口，以每个水质参数对应的污染物通量作为输入变量，以湖内7个 入口点的叶绿素仅含量作为输出变量，结构如图3所示，使刖了一个具有24个输入变量的输 入层，一个具有49个神经元：1y点的隐含层，以及一个具有7个输山