当前世界环境

介绍

水质管理是指在任何时候对地表水和地下水的质量进行控制，以便为特定用途提供所需质量的水。一个国家水资源发展的长期战略是基于供水、需求管理、水改革、遵守环境方面的规定，最后是对用水者活动的管理。确定和估计影响水资源质量的基本参数有助于执行政策和战略。河流质量控制需要对废水处理和收集系统进行额外投资。另一方面，它可能会导致盆地的开发受到限制，并可能产生重大的经济影响。为了控制水质，必须了解河流的物理、化学和生物特性。为了达到这一目标，必须对水质进行适当的监测。有足够的数据而没有正确的解释，对水质管理没有充分的帮助。分析水质数据有几种方法，如统计模型、确定性模型和人工神经模型Asadollahfardi等(2011 - 2012)。Dogan et al.，(2007)利用2001-2002年Melen河上11个站点的数据，包括COD、温度、DO、叶绿素a、氨、亚硝酸盐和硝酸盐，使用ANN预测BOD浓度。 They concluded that the ANN model provides a reasonable estimate for BOD parameter. Singh et al., (2009) applied the ANN to predict dissolved oxygen and BOD using ten years of data at eight different stations in India. The input of the model consisted of eleven monthly water quality parameters, and the predictions and actual data had a good agreement. Huang and Foo (2002) applied the ANN for the assessment of the variation of water salinity in the Apalachicola River in Florida. They employed part of existing data for testing and the remainder of the data for the validity of the ANN model. Maier and Dandy (2002) reported 41 successful case studies of prediction of water changing, which uses the MLP neural. Coppola et al., (2003) described the successful application of the technology for three kinds of management and underground water prediction. In the first instance, an ANN was trained by simulation of data collected from a numerical model based on physical data in the appropriate places, with various pumping and climate conditions. The ANN obtained a high precision for forecasting, and its altering statue equations were substituted in the multipurpose optimal formula. In the second and third instances, the ANNs were developed according to climate and hydrology real data for the different environmental hydrology conditions. For the second problem, an ANN was developed using the information collected over five years and eight months and under various climates and pumping conditions to predict the heights in a limestone and ice layer under the multi-layer soil.

Misaghi等(2003)利用广义回归神经网络(GRNN)对Zayandeh Rud河的水质进行了10年的BOD和DO研究。Musavi-Jahromi和Golabi(2008)将ANN应用于伊朗Karoon河的月水质，以CO、HCO3-、SO4、CL、Na、Ca、Mg和K为输入，TDS、EC和SAR为输出。他们的结果令人满意。Kanani et al.(2008)研究了Achechay河的水质，但他们选择了一个水质监测站，并应用了MLP和输入延迟神经网络(IDNN)模型。他们使用放电作为模型的输入数据来预测TDS参数。Olyaie et al.(2010)采用MLP模型对Hamadan Morad Beik河的水质参数BOD和DO进行分析。结果令人满意。Asadollahfardi等人(2010)将MLP模型应用于伊朗Anzaliy湿地研究中的全磷和全氮数据，并获得了可接受的湿地富营养化预测。Asadollahfardi等(2012)将神经网络的MLP和Elman动态应用于Talkheh Rud河的两个站点，并提前一个月预测了该河流的TDS，结果是可以接受的。一般来说，在评估灌溉水的扩散风险时，考虑土壤胶体上钠与其他交换性阳离子的比例是很重要的。 High sodium ions in water affect the permeability of the soil and cause of infiltration problems. When sodium exists in the soil in an exchangeable form, it replaces the calcium and magnesium absorbed on the soil clays and causes dispersion of soil particles. The SAR has a proper criterion for irrigation water suitability. If calcium and magnesium are the predominant cations absorbed on the soil exchange complex, the soil tends to be easily cultivated and has a permeable and granular structure Asadollahfardi et al. (2010).

张和斯坦利（1997）使用人工神经网络（ANN）建模技术来建立一种预测大河原料着色的模型。在这项研究中，还讨论了ANN在水处理行业中的潜在应用。结果表明，ANN建模方案对水处理中的水质建模和过程控制表示了许多承诺。Keiner和Yan（1998）使用神经网络模型研究海面叶绿素和主题映射器图像的沉积物。发现，使用三个可见的LANDSAT主题映射器带作为输入，具有两个隐藏节点的神经网络，能够比多元回归分析模拟传递函数到更高的更高。神经网络的RMS误差为<10％，而回归分析中的误差> 25％。张等人。（2002）使用经验神经网络和组合光学数据和微波数据研究芬兰海湾的水质。结果表明，使用神经网络的表面水域主要特征的估计准确性远比来自回归分析的表面水平。

该研究领域是锡兰湾盆地的一部分，总面积约为105,000公顷，占Kurdistan省级的3.8％。盆地的北部被SEFED RIVER集水区所包围，该地区以东是Ghaehh河，该地区的西部与Seravan River有一个共同的边界。该集水区位于46°，46'，40英寸和47°，20'，00“东度和35°，24英寸，44”和35°，43'，23“北纬（图1）。

这个地区的高度从1500米到2900米不等。盆地的所有地表径流都由Chelghazy和Khalefeh Tar Khan主要河流收集(Mohammady和Fathi, 2004)。图1显示了研究区域。该盆地的天气状况类似于亚热带干旱地区的天气。那里的冬天很冷;它的夏季相对温暖和干燥，它的雨季从10月到5月。1990年至2005年的年平均最低气温和最高气温分别为6.3摄氏度和21.8摄氏度。1990 - 2005年的年平均最低和最高湿度分别为26.7%和21.8%。年总降雨量为395毫米，伊朗伊斯兰共和国气象组织(1983)。该盆地是库尔德斯坦省的一部分，库尔德斯坦省在地质上相当活跃。 The land straddles the seduction zone between the colliding Eurasian and African tectonic plates. Locally, the breakaway Arabian micro plate is being sub ducted under the Iranian and Anatolian Micro plates at the rate of a few inches a year, and as a result the Zagros mountains and Kurdistan—the point of this collision—are being compressed and pushed upward several inches a year (Hooshmand Zadeh, 1995).

图1:研究区地图。 点击这里查看图

灌溉水中高浓度的钠会对土壤结构产生负面影响，降低细质地土壤的水导率。土壤吸收钠的程度是钠与二价阳离子(Ca和Mg)的数量的函数，通常用钠吸附比(SAR)来表示(Bouwer和Idelovitch 1987)。SAR是一种一般的水质指标，表明水中钠的百分比以及钠与钙、镁等二价阳离子的比值的作用。SAR参数由Eq.(1)得到(Asadollahfardi et al.， 2011):





式中pk2=碳酸的第二次解离常数的负对数;pk_c=方解石的溶解度常数;和P =离子浓度的阴性对数（MEQ / L）。p的量（k₂-KC)、p (Ca+Mg)和与Ca相关的p (Alk)⁺⁺+毫克⁺⁺+钠⁺、钙⁺⁺+毫克⁺⁺和+HC分别可以在Bouwer(1974)中找到。

调整后的特别行政区_adj.值的计算通常考虑到降雨的影响。钠对作物也有不利影响，如杏仁、鳄梨和核果的叶子燃烧(Bouwer和Idelovitch 1987)。Ayers和Tangi(1981)提出了SAR_adj.灌溉用水低于3，无钠问题，SAR值在3 - 9之间，钠问题增加，SAR值高于9，钠问题严重。本研究的首要目标是开发一个月度SAR ANN-based预测模型。模型的开发使用放电,钠、钙、镁、氯、硫酸、重碳酸盐、pH值和SAR数据的站在库尔德斯坦省Chalgazi流域,收集水务局的库尔德斯坦。第二个目的是利用灵敏度分析找出上述参数中哪些参数对SAR的预测是有意义的。

方法

人工神经网络是一种数据处理系统，其思想类似于人脑的处理，将数据视为一个稳定的相互平行的网络，以解决问题。在网络中，数据结构的设计是为了帮助编程知识，其中的行为与自然神经及其组件相同。人工神经系统由三个分量组成，分别是权重(W)、偏差(b)和传递函数(f)。这三个分量对于每个神经系统来说都是独一无二的。在图2中，“p”和“n”等于输入和输出，而“a”等于净输入。图2中1和2的连接点显示了人工神经系统的示意图。人工神经网络的功能称为“p”。





MLP是一个静态神经网络，其具有包括输入层，隐藏层和输出层的三层。

图2：示意图 人工神经网络 点击这里查看图

图2显示了ANN的示意图。图3示意性地示出了切线 - Sigmoid传递函数和线性传递函数。可以使用试验和误差获得每个模型的隐藏层中隐藏层中的神经元数。网络的功能可以由等式5和6（Menhaj，1998）建模：





式中，R =输入向量分量的个数。年代₁和S₂=隐层和输出层神经元的数量。P =输入向量。W1和w²=隐含层和输出层的加权矩阵。b¹和b²=隐藏层和输出层中的偏移向量。G和F =神经元在隐层和输出层中的传递函数(Menhaj和Safepoor. 1998)。

图3传递函数正切s形 点击这里查看图

在水质评价方面，我们采用了基于月平均数据的MLP模型。根据通用逼近器，具有s形隐层和线性输出层的神经网络的每一个多层感知器，如果精确选择神经元的数量，都能够预测每一个复杂的函数(Cybenko, 1989;Hornik、1991、1993;Leshno等1993)。该理论减少了隐藏层的数量到最少，并降低了网络的复杂性。根据上述理论，本研究中所采用的模型均为带有隐含层的MLP模型、正切s形传递函数模型和线性层输出模型。图4展示了MLP神经网络的原理图。

图4:多层神经网络示意图 点击这里查看图

为了计算预测期望参数的误差量和模型的性能评价，我们使用R²以及均方根误差(RMSE)，如公式7和8所示(Kennedy and Neville, 1964)。





X_我Y_我， X和Y分别=实测数据、预测数据、实测数据平均值和预测数据平均值(Preis et al, 2008;辛格,2009)。数据统计汇总见表1。

学习速率

在反向传播的训练算法中，有一个参数叫做学习率，它是以最陡下降为基础的。它的目标是使输出的平方和误差最小化。学习率由符号α表示，决定了算法的收敛速度。如果允许在训练过程中改变学习率，最速下降算法的性能将得到提高。

Maier和Dandy(2000)在综述中研究了用于预测和预测水资源变量的神经网络。他们表示，在对43篇关于使用神经网络模型预测和预测水资源变量的论文进行审查时，采用了建模过程，并且绝大多数这些网络都使用了反向传播算法进行了训练。

图5:实际和 1998-2010年香港特别行政区的预测 点击这里查看图

图6:观察到的正常图 并预测了pH变化下的SAR 点击这里查看图

结果和 讨论

MLP模型用于伊朗库尔德斯坦省水务局收集的查尔加齐河12年月(1998-2010年)数据。如前所述，根据通用逼近器数隐层减少到一个隐层。网络的效率取决于在隐层中应用适当数量的神经网络。表1显示了本研究中使用的数据的统计总结。模型的输入层由八个参数,包括大量的钠、镁、钙、硫酸、氯化、碳酸氢盐,pH值和放电,同时应用,和输出是特区。70%的数据被用于培训,5%的验证和25%是用于测试模型。由于训练的重要性，大多数数据都应作为训练数据使用。在隐层中使用不同数目的神经元进行训练、测试和合计时的rssme误差如表2所示。

表1:不同 本研究中应用的参数数据 点击这里查看表格

表2：预测的RMSE误差率 利用隐层神经元2 ~ 20进行合成孔径雷达信号处理 点击这里查看表格

表2显示使用隐藏层中不同数量的神经元的结果，而同时使用钠，镁，钙，硫酸盐，氯化物，碳酸氢盐，pH和放电作为输入，并且SAR是网络的输出。如两张表所示，我们在隐藏层应用三个神经元时发生的最小RMSE率。图6显示了实际和预测的SAR。考虑到该图，实际和预测数据之间存在良好的符合性，并且相关系数是r²= 0。9757.因此，该模型可应用于水质管理中的SAR预测。将本研究结果与Musavi-Jahromi和Golabi(2008)在伊朗Karoon河的研究结果进行比较，发现两者结果有相似和一致之处，证实了ANN模型对河流水质SAR预测的适用性。这两项工作的不同之处是:(1)我们给出了使用隐含层的证据，并明确提到了我们所应用的模型的类型;(2)利用灵敏度分析评估了哪些输入参数对预测SAR具有重要意义。他们在几个水质监测站工作，但在查加齐河没有那么多监测站。

Katoozian等(2011)利用1989-2003年的数据对Chalghazy和Ghashlagh河的水质参数应用了ANN模型。采用两个站点的EC、流量、pH和降雨量作为输入参数，对SAR进行了预测，预测值与实际SAR的最大相关系数为0.8113。他们没有进行敏感性分析。本研究与Katoozian et al.(2011)的工作的主要优势和区别是:

1. 这项研究的数据属于1998-2009年期间，
2. MLP的输入参数为流速、pH、Ca、Na、SO4、碳酸氢盐、氯化物和镁
3. 预测与实际SAR的相关系数为0.9757，隐含层的3个神经元在训练、测试和总数上的最小RMSE分别为0.0113、0.0242和0.0175。
4. 在这项工作中完成了敏感性分析，这在Katoozian等人的工作中没有完成。（2011）

图5为实际SAR和预测SAR的比较，如图所示，实际SAR和预测SAR接近。

图7:观察到的正常图 并对Ca变化下的SAR进行了预测＋２ 点击这里查看图

表3:各输入参数的敏感性分析(相关系数)汇总 点击这里查看表格

敏感性分析

为了评估每个输入参数对SAR预测结果的影响，我们将其中一个输入参数增加或减少10%，而另一个输入参数保持不变;然后确定了各参数变化在SAR预测中的作用。在改变每个输入参数后，我们绘制了SAR观测数据和预测数据之间的正态图。图6和图7显示了当每个输入参数改变10%时，观测SAR和预测SAR之间的正态图结果。SAR的预测仅受pH和Ca两个参数的影响，其他参数的影响不大。如图6所示，改变pH的相关系数为0.0239。这意味着pH值对SAR预测有显著影响，而流量、钠、镁、硫酸盐、氯化物;碳酸氢盐对预测没有明显影响。这可能表明，放电对合成孔径雷达的完善并不是至关重要的。图7为正常的钙变化曲线图，如图R所示²= 0。92，这意味着钙对SAR预测有影响;然而，其影响小于pH值变化。表3总结了每个输入参数的灵敏度分析。

结论

结合应用不同神经组合的MLP网络的结果和讨论，可以得出以下结论:

1. MLP网络足以估计SAR预测，其精度精确且适用。
2. 在隐藏层中使用3个神经在隐藏层应用MLP网络时，培训期间的最小RSME错误为0.01。
3. 实际数据与预测数据的相关系数为0.9757，表明模型的预测精度较高。
4. 灵敏度分析结果表明，pH和钙参数对SAR的预测是敏感的。
5. 研究结果和模型可用于农业用水规划的水质管理。

参考文献

1. Asadollahfardi G. Khodadadi A.和Gharayloo R(2010)基于人工神经网络的Anzali湿地污染影响因素评估。中国科学(d辑):地球科学(英文版)。
2. Asadollahfardi G.和Asadollahfardi R.（2011）农业污染水的用法。ISSN：976-3-8465-1196-1，兰伯特学术出版社，德国。
3. Asadollahfardi G. Taklify A.和Ghanbari A（2012）人工神经网络在Talkheh Rud河中预测TDS。灌区灌溉和排水杂志，363-370，DOI：10.1061（ASCE）IR，1943-4774.0000402。
4. Ayers r . s .和Tanji K. K.(1981)利用废水灌溉作物的农学研究，教授。水论坛81,1,ASCE，纽约，579-586。
5. (2003)用污水灌溉的质量要求，《灌溉技术》。排水。机械工程学报，2019,47(4):548 - 548。
6. (2006)干旱区污水回用技术研究安阿伯科学出版社，密歇根州安阿伯。,页137 - 180。
7. (2) s型函数的叠加近似。数学控制信号系统j, 2, 303-314。
8. Coppola E. Poulton M. Charles E. Dustman J.和Szidarovsky F.(2003)人工神经网络在复杂地下水管理问题中的应用。自然资源学报，12(4)，303-320。
9. Dogan E. Sengorur B.(2009)使用人工神经网络模拟土耳其Melen河的生物需氧量。环境科学学报，30(2)，1229- 1234。
10. 《伊朗地质学》:伊朗地质学文献参考书目。伊朗地质组织出版社，伊朗。
11. Hornik K.M, Stinchocombe M.和White H.(1989)多层前馈网络是通用的近似器。神经网络学报，2(5)，359-366。
12. 霍尼克。K.M .(1991)多层前馈网络的近似性能。神经网络学报，4(2)，251-259。
13. Hornik K.M.(1993)神经网络的一些新结果。神经网络学报，6(8)，1069-1072。
14. 黄文富s(1997)阿巴拉契科拉河盐度变化的神经网络模型。水科学进展，36(1)，356-362。
15. 伊朗伊朗气象组织（1983）气候统计数据，http：//www.irimo.ir/ 2012年5月18日。
16. 肯尼迪和内维尔(1964)工程师和科学家的基本统计方法。哈珀国际版，纽约基地bireme Br, Id 158055。
17. Kanani S. Asadollahfardi G.和Ghanbari A.(2008)人工神经网络在Achechay河流域总溶解固体预测中的应用。中国科学:地球科学，2019,40(5):527 - 534。
18. Katoozian S. Kashafi-Desfooli S.M.和桑达姆y.s.（2011年）使用人工神经网络建模的SAR和水质预测，Ghashlagh参数（案例研究，Sanandaj River），是伊朗（Farsi）的第三次城市发展会议。
19. (in chinese with english abstract)(1998)利用专题制图器遥感数据估算海洋表层叶绿素和沉积物的神经网络模型。
20. Lin V.Y, Pinkus A和Schocken S(1993)具有非多项式激活函数的多层前馈网络可以逼近任意函数，神经网络J, 6,861 -867。
21. (1996)人工神经网络在水质参数预测中的应用[j] .水资源科学，32(4)，1013-1022。
22. (2000)水资源变量预测和预测的神经网络:建模问题和应用综述，环境建模与软件J, 15,1, 101-124
23. 迈耶和丹迪(2002)。多元时间序列神经网络模型的输入确定。计算机辅助土木工程学报，12(5)，353-368。
24. Menhaj M.B.(1998)人工神经网络基础。阿米尔卡比尔大学，第一卷，德黑兰，伊朗。
25. Menhaj M.B.和Seifipour N.（1998）在Hesabi出版物的控制教授中的应用，部分。2，德黑兰，伊朗。
26. Musavi-Jahromi S.H.和Golabi M.(2008)人工神经网络在河流水质建模中的应用。中国海洋大学学报(自然科学版)，28(12)，2324-2328。
27. Misaghi F.和Mohammadi K.（2003）使用人工神经网络模型估算Zayandeh Rud河水的水质变化。在加拿大农业和生物系统工程协会写作。
28. Mohammadi Y.和Fathi P.(2004)利用人工神经网络估计月平均流量。一个案例研究:Ghashlagh大坝。农业科学与自然资源学报，15(4)，258-270(波斯语)。
29. (2010)人工神经网络预测哈马丹莫拉德大河水质参数(BOD和DO)的性能评价，20(3)，200-210。
30. (2008)基于耦合模型树-遗传算法的流域水质和流量预测方法，《水文学报》，349(3-4)，364-375。
31. Singh KP.Basant A. Malik A.（2009）河水质量的人工神经网络建模。案例研究：生态建模，220（6），888-895。
32. Razavi F.(2006)应用人工神经网络的雨量预测。毕业论文，伊朗德黑兰Amir Kabir大学。
33. 张琪，史丹利。(1997)利用神经网络模型预测北萨斯喀彻温河原水水质参数。水科学进展，31(9)，2340-2350。
34. 张永强，张永强，张永强(2002)基于光学数据和微波数据的经验神经网络在芬兰湾地表水水质估算中的应用，遥感学报，31，(2-3)，327-336。