长江水质未来十年变化趋势预测.pdfVIP

第十九章长江流域 长江水质未来十年变化趋势预测‘ 郭慧芳马细霞 (郯州大学环境与水利学院郑州450002) 摘要报据长江I类一劣V类水水赝河长占流域全长百舟比近10年问曲变化趋势．分别选取回归分析模型、 GM(1，I)模型、人工神经网络模型肇，对长江軎妻永质未来壹化趋势进行定量预测。鼐测结果表明，I类水 质河长比逐年减小，劣V类水质河长比逐年增大。如不采取有效预防和治理措施，未来10车，长江可饮用永河 长}匕将由1995年的90％减步到50％左右。 关键词水质穗测 一阶灰色模型GM(1，1) 人工神经网络模型 l引言 水是人类赖以生存的自然资源，保护水资源就是保护我们自己，对于我国大江大河水资源的保护和治理 应是重中之重。长江是我国第一、世界第三大河流，长江水质的污染程度日趋严重，已引起了相关政府部门 和专家们的高度重视。2004年lO月．由全国政协与中国发展研究院联合组成“保护长江万里行”考察团， 从长江上游宜宾到下游上海，对沿线21个重点城市做了实地考察，揭示了一幅长江污染的真实画面，其污 染程度让人触目惊心。为此，专家们提出“若不及时拯救，长江生态10年内将濒I临崩溃”，并发出了。拿 什么拯救癌变长江”的呼唤。 本文通过对长江污染现状的数据分析，根据各类水质近十年变化情况，建立相应的预测模型．对长江水 质未来十年(2005～2014)变化趋势进行定量预测，为有关部门采取相应措施提供科学依据。 2几种水质变化趋势预测模型 2．1回归分析模型 设X?’=[*9’(1)，#。’(2)，?，*”’(n)]为原始时间序列，根据该序列数据变化趋势，选配一条相 关直线或曲线，并采用最小二乘法确定其待定参数，与这些参数相应的直线或曲线，即作为回归分析预测模 型。该法简单、明了，对于点群分布趋势显著的原始序列．可望得出较好的预测结果。忸在配线过程中，存 在线型的选择问题。所选择的线型不同，对模拟及预测结果将会产生一定影响，特别是当原始序列离散程度 较大、且数据序列较短时，不同线型所得模拟结果虽相差不大，但预测结果可能相差较大．预测时间越长， 预测结果相差幅度越大。因此，对于离散程度很大、且数据资料较少的原始序列，建议采用其他模型。 2．2 GM(1。1】预测模型 将原始时同序列：x‘吣=[z‘o’(1)，*‘”(2)，?，z‘o’(n)]作一阶累加，生成模块X‘”： 一‘’；[*‘1’(1)，z‘1’(2)，?，一1’(n)] (1) 由一阶灰色模块酽”构成GM(1，1)的一阶白化微分方程： 掣+口捌I)．p (2)百 “’∥2 ‘2 模型参数列A：[d，弘r采用最小二乘估计： A=[n，p]7=(B7B)‘1B’Y (3) 其中 B 2 一南(2)(≈(2))2 一毛(3)(≈(3))2 一毛(n) (：。(n))2 }基金项目：河南省自然科学基金(0411050800)。 第一作者简介：郭慧芳(1983一)，女，河南清丰人，硕士研究生，水文学厦水资源专业。E—mail：gmohui唧14 @126 corn _-___-_______-_I ^^^ 2 3 n 0 O O 私一；私r．．．．．．．．．．．．．．．L =r 第四篇应用实践与行动措施 · 毛(‘+1)=÷Ix”’(1)+*“’(t+1)] 取￡“’(0)=x‘o’(1)，则GM(1。1)预测模型为： ∥(f+1)=fⅣ(o’(1)一旦)e“+卫 (4) 、 “， u ；‘o’(t+1)=；‘1’(t+1)一￡‘1’(t) (5) 灰色预测需要的数据资料较少。一般情况下，不需要大量的历史数据，可根据实际情况选择适量数据， 进行累加生成，将杂乱无章的数据理出一定的规律来川。对于呈现近似指数规律的单凋序列，能够得出较 好的预测结果。而对于离散程度很大、且数据序列较短的原始序列，不宜采用该模型。另外。采用该模型进 行时f可序列预测时。外延幅度不宜过大。 2．3人工神经网络模型 人工神经网络模型和算法种类很多，其中瀑差反向传播(BP)算法是目前人工神经网络理论中最重要 的一种学习算法。BP网络由输入层、输出层、一个或多个隐含层组成。每层包含有多个神经元，各层之间 以权值相连。图1为时间序列人工神经网络预测模型的三层网络拓扑结构圉。 z(1) z(2) i(卅) 输^层 臆古层 输出层 图1三层BP网络结构图 图中，输入层神经元数／it通过试算确定，输出层神经元 为l，隐含层神经无数按经验初选，并通过试算确定。 样本序列中输人层各神经元的输人值z(1)．#(2)，?， z(m+1)z(所)及输出层z(r／t+1)值可重组时间序列构成。 连接通路返回，通过修改各层神经单元(节点) 值小于允许误差时，网络的训练过程即可结束， 出来‘2。1。 BP算法的学习过程由正向传播和反向传播组成。在