基于模糊神经网络的城市地下水水质评价研究

高 凯

(陕西理工学院 数学与计算机科学学院,陕西 汉中 723001)



基于模糊神经网络的城市地下水水质评价研究

高 凯

(陕西理工学院 数学与计算机科学学院,陕西 汉中 723001)

为了更好地研究分析陕西省汉中市中心城区水源地与各县水源地的水质现状，为当地生态环境保护提供决策参考依据.在对2011年到2013年汉中市城市集中饮用水水源地水质状况分析的基础上，结合T-S模糊神经网络模型，选取汉中市城市境内7个监测点地下水源的实测数据，有针对性地选择9项指标作为水质评价因子，对汉中市地下水质量现状进行综合评价.分析结果表明：汉中市城市中心水源地水质和各县水源地水质达标率均为100%，但是水质有逐年下降的趋势，需要引起当地环保部门的重视，加强地下水源地的保护.

T-S模糊神经网络；地下水；水质评价；汉中市

水质评价是判断水体环境质量的一个重要指标，对水资源的合理利用和保护具有重要意义.但是由于进入水体的污染物数量和成分是一个不断变化的不确定量，水质级别、分类标准都存在着模糊性[1].根据《地下水质量标准》(GB/T14848-93)中的规定，对地下水水质进行综合评价时，评价因子多达39项，且评价因子与水质级别之间呈现出一种十分复杂的非线性关系，使得传统的水质评价数学模型具有很大的局限性.因此，如何将已经监测的水质数据转化为可以分析的状态数据，找到影响水质的原因具有重要的实际意义.

近年来水质评价也提出了很多新的方法，如文献[2]中模糊综合评价法，文献[3]中的主要成分分析法，文献[4]中的指数法，文献[5]中的神经网络模型法，文献[6]中的模糊模式识别法，文献[7]中的物元可拓法等.但是在应用这些评价方法中暴露出一些问题，在文献[8]模糊综合评价中，一般采用线性加权平均模型得到评判集，使评判结果易出现失真、失效、跳跃等现象，而且自适应能力较差.此外，虽有文献[9-10]也对汉中市地下水质进行了分析，但是只是对采样的数据进行简单的分级评价，并没有提出科学可行的分析模型，也不能为今后每年产生的大量监测数据提供一个可靠的分析工具.为此，本文结合地下水质量标准，采用一种有效的智能T-S模糊神经网络水质评价方法，对汉中市城市境内7个监测点连续3年的地下水源的实测数据进行全面评价.实验证明，该方法精确度及可信度更好，能为环保部门提供更为科学的参考依据.

1 T-S模糊神经网络

模糊数学中“模糊”是指它的研究对象，而“数学”是指它的研究方法[11]，模糊数学是用于处理模糊性现象的一种数学理论和方法.T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，而且能不断修正模糊子集的隶属函数.模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题.而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力.二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足[12-13].

2 汉中市地下水水质评价实例

以下通过实例介绍T-S模糊神经网络在汉中市地下水水质评价中的应用实例.

2.1 研究区概况

汉中位于陕西省西南部，北依秦岭，南屏巴山，与甘肃、四川毗邻，中部为盆地.全市辖汉台、南郑、城固、勉县、洋县、西乡、宁强、略阳、镇巴、留坝、佛坪11个县区.市域总面积2.72万平方公里，其中盆地占6%，浅山丘陵占36%，中高山区占58%.汉中气候温和、湿润，年平均气温14.3℃，年降雨量871.8 mm，素有西北“小江南”和“金瓯玉盆”之美称.

研究区水能资源丰富.拥有嘉陵江和汉江两大水系，大小支流500余条.全市地表径流量217.6亿立方米，地下水综合补给量31.7亿立方米，水量占全省三分之一.水能资源蕴藏量260万千瓦，是西北地区水资源最丰富的地区之一.水质安全关乎汉中地区数百万人口的生命安全，因此本文对汉中市地下水质进行评价研究，有着非常重要的意义.

2.2 评价标准与样本选取

水质评价是根据水质评价标准和采样水样本各项指标，通过一定的数学模型计算确定采样水样本的水质等级.本文根据国家颁布的《地下水质标准》(GB/T 14848-93)作为评价依据,结合汉中市地下水水质状况，本文有针对性地选择9项指标作为评价因子，评价标准见表1.按照标准，地下水质附合Ⅲ类及其以下的，均适合于集中式生活饮用水水源及工、农业用水.

表1 地下水质量分类指标 (mg·L-1)

本文原始样本数据取自于汉中市2011年到2013年城市境内7个监测点地下水源的实测数据(取自汉中市环保局官方数据)，即市中心城区东郊c1、西郊饮用水源地c2，城固县城区饮用水源地c3，洋县城区c4、中核四○五厂饮用水源地c5，勉县城区饮用水源地c6，南郑县大河坎饮用水源地c7，采样点地理位置如图1所示.

图1 汉中市城市境内7个水源采样监测点位置

汉中市地下水源地水质实行逐月监测，连续3年的采样数据取监测年平均值如表2、表3和表4所示，其中“-”为当年没有监测此项指标.

表2 2011年汉中市监测点各评价指标实测数据 (mg·L-1)

表3 2012年汉中市监测点各评价指标实测数据 (mg·L-1)

表4 2013年汉中市监测点各评价指标实测数据 (mg·L-1)

2.3 模型建立

基于T-S模糊神经网络的汉中市地下水水质评价算法流程如图2所示.

图2 基于T-S模糊神经网络的汉中市地下水水质评价算法流程

其中模糊神经网络根据训练样本输入、输出维数确定网络的输入和输出节点数，由于输入数据维数为9(9个水质指标)，输出数据维数为1(水质等级)，所以确定网络的输入节点个数为9，输出节点个数为1，根据网络输入输出节点数，通过试错法确定隶属度函数个数为18[13]，因此确定模糊神经网络结构为9-18-1，随机初始化模糊隶属度函数中心c，宽度b和系数p0～p9.

为保证足够的精度，模糊神经网络用训练数据训练神经网络，采用matlab2010b的linspace函数在各级评价标准之间按随机均匀分布方式内插生成训练样本.水质指标标准数据来自表1，网络反复训练1 000次.

3 汉中市地下水水质评价实现

根据模糊神经网路原理，在matlab2010b中编程实现汉中市地下水水质评价算法.

3.1 网络初始化

初始化模糊神经网络隶属度函数参数和系数，采用归一化的训练样本和检验样本数据，调用MATLAB自带的“mapminmax函数”将训练样本和检验样本以及实测的7组样本的数据按式(1)进行归一化处理，使其转化为0～1之间的数[14].

(1)

公式(1)中,y为归一化后的数据，x为原始数据，xmin、xmax分别为数据集合中最小、最大值.

3.2 模糊神经网络训练和水质评价

首先用训练样本训练模糊神经网络，网络反复训练1 000次.其次用训练好的模糊神经网络评价汉中市地下水水质，根据网络预测值得到水质等级标准.预测水质值在[0，1.5]时水质为一级，预测值在(1.5，2.5]时水质为二级，预测值在(2.5，3.5]时水质为三级，预测值在(3.5，4.5]时为四级，预测值大于4.5时水质为五级.根据训练好的模糊神经网络进行样本测试，发现网络的预测输出值与实际输出值非常接近，2 000个训练数据误差如图3所示，1 000个测试数据误差如图4所示，结果表明本文构建的模型对水质进行综合评价精确度很高.

图3 训练样本测试等级比较

图4 测试样本预测与等级比较

3.3 结果分析

通过本文采用的T-S模糊神经网络模型对汉中市地下水水质7个监点，连续3年的监测水质预测输出评价结果如图5、图6和图7所示.总体来看，3年间汉中市地下水水质均达到Ⅱ级以下，均附合国家颁布的《地下水质标准》(GB/T 14848-93)中的Ⅲ类标准，地下水饮用水源地水质达标率均为100%.

图5 2011年汉中市地下水水质预测输出

图6 2012年汉中市地下水水质预测输出

图7 2013年汉中市地下水水质预测输出

图8 7个监测点3年的T-S模糊神经网络评价

从图8的评价结果可以看出：(1)利用T-S模糊神经网络模型得到的评价结果和环保部门的实测结果基本一致，说明本文构建的模糊神经网络模型在地下水质测试方面精确可用.(2)结合3年的预测水质输出数据分析，汉中市中心城区2个水源地与各县5水源地的水质无明显差别，总体水质保持较好，预测输出数据均在模型预测值二级以下，说明汉中市中心城区没有因为人口居住数量大而影响地下水水源水质.(3)除了城固县2013年输出值偏低以外，总体水质输出值逐年偏高，说明水质有逐年下降的趋势，需要引起当地环保部门的重视，加强地下水源地的保护.(4)7个监测点中，勉县城区地下水质预测输出值连续3年都是最高，也从一个侧面反映出当地水源地污染相对其他地区较为严重.勉县政府在2014年3月开始制定了《勉县汉江流域污染防治三年行动计划》，制定了推动重污染企业转型、实施“煤改电”、“煤改气”、“油改气”工程等26项具体措施，重点治理汉江干流勉县段和褒河、堰河等一级支流，境内沿汉江工业集中区、城镇农村污水垃圾处理等.说明政府已经意识到问题的严重性，开始加强当地污染治理工作.(5)南郑县大河坎监测点的水质预测输出值在3年间都是最小，说明南郑县环境污染治理已经走上了较为规范化的道路，其他地区可以向其学习经验.

4 结论

本文应用T-S模糊神经网络，利用《地下水质标准》(GB/T 14848-93)中的9项评价指标及其插值形成的数据作为训练样本，利用汉中市地下水水质7个监测点3年的数据作为检验样本，得到合理的评价等级.采用本文模型评价水质，可以避免过多地人工干预分析，可以有效提高工作效率，综合评价的结果更能全面地反映水质污染的实际情况，为环境管理提供更科学的依据.当然由于选取的评价因子只有9项，在某些污染物排放方面也没有考虑全面，也可能导致评价的结果出现误差，这个将是今后模型改进的重点.

[1] 刘国东,丁晶.水环境中不确定性方法的研究现状与展望[J].环境科学进展,1996,4(4):46-51.

[2] 胡伟伟,李婷,马致远,等.模糊综合评价法与综合评价法在矿区水质评价中的对比研究[J].地下水,2011,33(3):143-144.

[3] 汪天祥,许士国,韩成伟.改进主成分分析法在南淝河水质评价中的应用[J].水电能源科学,2012(10):33-36.

[4] 王林,王兴泽.水质标识指数法在太子河水质评价中的应用[J].北方环境,2012(5):198-200.

[5] 周忠寿.基于T-S模型的模糊神经网络在水质评价中的应用[D].南京：河海大学,2007.

[6] 周林飞,赵崭,孙佳竹,等.基于模糊模式识别的浑河水质评价研究[J].水土保持研究,2012(5):163-166.

[7] 兰双双,姜纪沂,王滨.基于物元可拓法的地下水水质评价[J].吉林大学学报(地球科学版),2009,39(4):722-727.

[8] 薛巧英.水环境质量评价方法的比较分析[J].环境保护科学,2004,30(8):35-40.

[9] 常彩屏,郑楠,郑和平.汉中市城区地下水水质评价与分析[J].陕西理工学院学报(自然科学版),2009(2):78-81.

[10]常彩屏,郑楠,郑和平.汉中市地下水水质动态变化原因分析[J].水资源与水工程学报,2009(3):124-127+131.

[11]王小川,史峰,郁磊，等.Matlab神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013.

[12]师黎,陈铁军.智能控制理论及应用[M].北京:清华大学出版社,2009.

[13]张宇,卢文喜,陈社明，等.基于T-S模糊神经网络的地下水水质评价[J].节水灌溉,2012(7):35-38.

[14]汪新波,粟晓玲.基于T-S模糊神经网络的民勤地下水水质综合评价[J].干旱地区农业研究,2013(1):188-192+198.

[责任编辑 仲 圆]

Research on Evaluation of Urban Groundwater QualityBased on Fuzzy Neural Network

GAO Kai

(School of Mathematics and Computer Science, Shaanxi University of Technology, Hanzhong 723001, China)

In this paper, in order to study and analyze the current water quality status of water sources in the central region in Hanzhong city of Shaanxi province and various counties, and provide decision-making reference for the local ecological environment protection, based on the analysis of the water quality status of the centralized drinking water source in Hanzhong city from 2011 to 2013, combined with T-S fuzzy neural network model, the measured data of groundwater source of seven monitoring points in Hanzhong city are selected and nine indexes are selected as the evaluation factors of water quality, and comprehensive evaluation of groundwater quality in Hanzhong city is carried out. The analysis results show that the water quality compliance rate of water sources in the central region in Hanzhong city of Shaanxi province and various counties is 100%. But there is a declining trend in the water quality, this problem need to attract the attention of the local environmental protection department, and the protection of groundwater sources should be strengthened.

T-S fuzzy neural network; groundwater; water quality evaluation; Hanzhong city

1008-5564(2016)04-0066-06

2016-01-25

陕西理工学院科研计划资助项目(SLGKY12-04)

高 凯(1981—)，男，陕西汉中人，陕西理工学院数学与计算机科学学院讲师，硕士，主要从事智能优化算法、环境数据处理和计算机数值模拟与分析研究.

X524

A