基于神经网络的水库藻类预警模型研究

基于神经网络的水库藻类预警模型研究王巍巍武延坤朱佳(1深圳市水务(集团)有限公司大涌水厂，深圳518057；2深圳职业技术学院建筑与环境工程学院，深圳518055)摘要针对水环境水体富营养化现象日渐严重导致控制水质难度和成本增高情况，对华南地区S水库进行藻类水质监测及风险预警研究。根据水库藻类水华产生的特点，通过对近一年水库气象、水质数据的整理与分析，建立基于神经网络的S水库藻类水华短期智能预警模型。预警模型选取水库水温、pH、叶绿素总浓度、总磷、总氮、溶解氧6种水质指标作为神经网络预警模型的输入量，分别采用BP神经网络、广义回归网络对S水库藻类建立预警模型并对两种预警模型的特点进行分析与总结，并通过对预测精度和泛化能力等因素的综合比较推荐最优预警模型结构和参数值。关键词水库藻类预警模型BP神经网络径向基函数网络广义回归网络1试验内容1．1水库概况本文选取华南地区已经并网串联供水且季节性藻类暴发趋势显著的S水库作为研究对象。S水库库岸线长约24km，一级水源保护区面积为6．33km。。水库地域建有主坝、溢洪道、输水涵、坝后有抽水泵站。主坝为均质土坝，混凝土防渗墙，坝顶长586m，最大坝高18．5m，坝顶高程41．10m。正常水位36．59m，相应库容1690万rn。。1．2采样及水质监测方法在S水库选取合理、有代表性的取水点可以客观、准确反映水库的实际情况，使得取样后的监测数据更加有研究价值，增强水质预警模型的准确概率。按照S水库地形特点，根据《全国重点湖库藻类试点监测技术规程》确定图1所示l2个取样点：水厂取水口与库中心沿途选取取水口、50m、100m、200m、500m、库心6个取样点；入水口与库心沿途布设2个采样点；2个主库湾中心各布设2个采样点，共计12个取样点。同时，在库心周围的深水区采样点纵向依次在表层、透光层、取水口相同深度位置、中层、底层分别布设采样点，水位较浅的库湾采样点在表层、透光层、中层和底层布设采样点，累计56个采样点。1．3试验方法在水库采集水样，进行色度、浑浊度、温度、溶解水利部公益性行业专项经费项目(2013O1047)。图1S水厍取样点布置氧、pH、臭和昧、耗氧量(C()DM)、氨氮含量测量。采样器选用情况为：1000mI白色塑料采样瓶，用于常规指标检测所需水样的采集与保存；125mL棕色磨口具塞玻璃瓶，用于臭味物质检测所需水样的采集与保存；500mL棕色磨口具塞玻璃瓶，用于藻类检测水样的采集与保存。在水样采集时，两种棕色磨口具塞玻璃瓶装满水样、不留空隙，然后在现场用封口膜将瓶密封，以减少目标污染物被空气转化l1]。采集后的水样保存于一4℃环境中，对水样的进一步预处理应在24h内进行。2水库藻类预警模型的建立根据藻类生长及迁移规律，构建藻类预警模型。通过对各项水质指标与藻类生长情况的关联性分析，筛选出引起水库藻类水华发生的关键指标作为计算输入量，通过函数关系式计算，以藻类暴发预警给水排水Vo1．41No．112015103权值为相应输出量。2．1输入层神经元数据分析在水质检测项目中选取一定水质数据作为水库藻类预警模型的输入神经元，为了使水库藻类预警模型不仅有预警效果而且从水质化学学科中对藻类的研究有支持意义，输入神经元的数据选取参考了《地表水环境质量标准》(GB3838—2012)_2]和《地表水资源质量评价技术规程》(SI395—2007)[。参照以上两个规程的规定确定营养级~I,1E。综合以上两个水质规程的要求，根据S水库现有监测条件和手段，选取水库水温(℃)、pH、叶绿素总浓度(g／I)、总磷(mg／L)、总氮(mg／I)、溶解氧(mg／L)6种水质指标作为预测BP神经网络的输入量。将30组实测水样数据进行整理后随机分配为训练数据和测试数据两部分，2O组数据作为训练数据部分；10组数据作为测试数据部分。在训练数据组和测试数据组的分配中尽量将藻类预测的4个等级涵盖，以求模型有较好的泛化能力。2．2输出层神经元数据分析《全国重点湖库藻类试点监测技术规程》规定了全国重点湖库藻类试点监测工作的内容、技术要求和方法，适用于江、河、湖、库等淡水水域所进行的藻类监测工作。参考《全国重点湖库藻类试点监测技术规程》的相关规定：藻类细胞密度大于1000万个／L为水华发生，藻类细胞密度小于100万个／L为不具备水华发生条件。针对水华的产生特点，将水库水质进行不具备水华条件(藻类细胞密度小于100万个／L)、初步具备水华条件(藻类细胞密度为100万～5O0万个／【)、具备水华条件(藻类细胞密度为500万～1000万个／i)、临界或水华发生(藻类细胞密度大于1000万个／I)4个级别划分，输出值分别用数字1、2,3、4表示。由于网络运算后的输出值存在着误差，不可能全是以整数形式输出，统计准确率时按表1划分预警级别。