CN108364090B - 一种预测城市道路表面苯系物累积负荷的方法 - Google Patents

一种预测城市道路表面苯系物累积负荷的方法 Download PDF

Info

Publication number
CN108364090B
CN108364090B CN201810078955.7A CN201810078955A CN108364090B CN 108364090 B CN108364090 B CN 108364090B CN 201810078955 A CN201810078955 A CN 201810078955A CN 108364090 B CN108364090 B CN 108364090B
Authority
CN
China
Prior art keywords
benzene series
area
road
load
accumulated load
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810078955.7A
Other languages
English (en)
Other versions
CN108364090A (zh
Inventor
刘安
洪念
朱攀峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201810078955.7A priority Critical patent/CN108364090B/zh
Publication of CN108364090A publication Critical patent/CN108364090A/zh
Application granted granted Critical
Publication of CN108364090B publication Critical patent/CN108364090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种预测城市道路表面苯系物累积负荷的方法，包括如下步骤：采集研究区域内用于构建预测模型的多维数据；根据人工神经网络构建预测模型，设置所述多维数据为输入层，得到的输出层为模拟的道路苯系物在各级粒径颗粒上的累积负荷；根据所述道路苯系物在各级粒径颗粒上的累积负荷或苯系物在各级粒径颗粒上的总的累积负荷对构建的预测模型进行可靠性评价和反馈调试；根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路苯系物的累积负荷进行预测。建立的预测模型可靠性高，预测结果精确；将有助于估算道路苯系物累积负荷，从而保障道路雨水回用安全；同时可以为雨洪管理和水环境保护的相关城市规划决策提供重要指导。

Description

一种预测城市道路表面苯系物累积负荷的方法
技术领域
本发明涉及城市道路面源污染预测领域，尤其涉及一种城市道路表面苯系物累积负荷的预测方法。
背景技术
雨水回用在世界范围内受到越来越多的关注，为了缓解水资源短缺问题，雨水已被视为重要的替代水资源。在典型的城市环境中，城市道路在降雨过程中可以产生大量的雨水径流，因此道路雨水经常用来回用。然而，道路雨水通常包含众多污染物，这些污染物主要来源于城市交通，且具有较高的毒性，苯系物(BTEX，主要包括苯，乙苯，甲苯和二甲苯)就是其中一类毒性较高的污染物。这些污染物在非雨期时累积在城市路面上，当有降雨产生时，会被冲刷进入雨水径流，严重威胁道路雨水回用安全。
污染物在非雨期的累积负荷可表征最终进入雨水径流的最大污染物量。在这种情况下，了解污染物累积过程对于准确解析最终雨水径流水质并因此优化其回用至关重要。由于受到交通和土地利用等人类活动的多重影响，污染物的累积具有很高的空间变异性。例如，商业和工业用地由于较高的交通量可能产生较高的污染物累积负荷。这种累积的空间变异性会导致雨水径流水质的空间变化。具有较高污染物累积负荷的路面会产生高污染的雨水径流，因而会有较高的人体健康风险而不适合回用。在此背景下，深入调查道路污染物累积负荷的空间分布，尤其是关注雨水径流中毒性较高的污染物，有助于识别雨水径流中毒性污染物浓度较高的“热点”区域，构建一种深入解析道路污染物累积负荷的预测方法，通过累积负荷对不同路段雨水回用的优先级进行排序，从而协助相关管理部门作出有效的决策。
由于受到多种因素的影响，道路污染物累积是一个复杂的过程。许多研究已经指出在这些因素中，土地利用对污染物的累积起着重要的作用，而其他因素与土地利用密切相关。例如，不同的土地用途一般具有不同的交通特征。工业区通常交通量大，特别是重型车辆交通量，而居民区主要是轻型车辆交通量高。这意味着污染物的累积可以通过土地利用特征进行计算，而其他因素的加入可能会掩盖关键因素之间的相关性。
在与城市环境有关的重要有毒污染物中，苯系物主要来源于城市道路的交通活动，因为它们通常存在于机动车燃料中。苯系物对人体健康具有严重威胁。目前大部分的研究主要针对大气中的苯系物进行，而针对其在路面上的累积研究极其有限。而这将严重影响道路雨水回用的安全性。
先前的研究主要通过多元线性或非线性回归方法来估算污染物累积负荷以及其与影响因素之间的关系。然而，由于污染物在路面上的累积过程异常复杂，污染物累积不能遵循特定趋势(线性或非线性)，因此回归方法可能无法准确地估算污染物的累积特征。目前针对城市道路苯系物累积负荷的监测难度大，耗时长，成本高，且其空间分布不均，因此急需开发一种有效的预测其累积负荷的方法。
人工神经网络是一种受生物神经网络启发的计算系统，它基于一组称为人工神经元的连接单元。目前已经有学者成功应用人工神经网络估算道路重金属的累积负荷。然而，目前还没有将此技术应用到道路苯系物的累积负荷预测中。该方法能够较为准确的预测道路苯系物累积负荷，从而识别苯系物累积负荷较高的路段，从而有利于决策部门选择合适的路段进行道路雨水回用，保障道路雨水回用安全。
发明内容
本发明为了解决现有技术中针对城市道路苯系物累积负荷的监测以及其空间分布规律的识别难度大，耗时长，成本高问题，提供一种城市道路表面苯系物累积负荷的预测方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种预测城市道路表面苯系物累积负荷的方法，包括如下步骤：S1：采集研究区域内用于构建预测模型的多维数据，所述多维数据包括所述研究区域内的道路周边的功能区的面积百分数；确定所述研究区域的样品采集区及苯系物在所述样品采集区的道路表面各级粒径颗粒上的累积负荷；所述功能区包括居住区、商业区和工业区；S2：根据人工神经网络构建预测模型，设置所述多维数据为输入层，得到的输出层为模拟的道路苯系物在各级粒径颗粒上的累积负荷；S3：根据所述道路苯系物在各级粒径颗粒上的累积负荷或苯系物在各级粒径颗粒上的总的累积负荷对构建的预测模型进行可靠性评价和反馈调试；S4：根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路苯系物的累积负荷进行预测。
优选地，所述步骤S1中包括如下步骤：S11：将所述研究区域划分成50m-100m大小相同的正方形网格，每个正方形网格内道路周边的土地根据土地利用类型分别定义为所述功能区中居住区、工业区或商业区；所述面积百分数为：以一个正方形网格为中心同时与距该正方形网格2-3格的正方形网格共同组成的正方形为总面积，所述为中心的正方形网格内功能区的面积占所述总面积的面积百分数；S12：采集所述样品采集区内道路表面各级粒径颗粒，每个所述样品采集区采集一个样品，采集的样品数大于15个，每个样品采集2至6m2道路表面样品，所有样品的采集时间为距上一次降雨结束超过7天；S13：采用标准分样筛通过湿式筛分法将采集到的所述样品由大到小筛分为3至5级粒径；S14：检测所述每个样品的总固体质量和各级粒径颗粒质量，分别检测所述各级粒径颗粒中甲苯、乙苯和邻-/间-/对-二甲苯的累积负荷，获得所述苯系物在道路表面各级粒径颗粒上的累积负荷。
优选地，所述步骤S2中通过Matlab构建所述预测模型，采用前馈神经网络结合误差反向传播算法。
优选地，所述预测模型包括一个输入层，一个或多个隐藏层和一个输出层；所述输入层的输入神经元个数为所述研究区域中所述功能区的种类数，所述隐藏层的隐藏神经元的个数为6至14个，所述输出层的输出神经元个数为道路颗粒筛分的粒径级数；所述输出层的第k个输出神经元的值Yo,k为：
Figure GDA0003197654140000031
其中wojk是第j个所述隐藏神经元和第k个所述输出神经元之间神经元连接的权重；bk是第k个所述输出神经元的偏置；n是所述隐藏神经元的数量；whij是第i个输入与第j个隐含神经元之间神经元连接的权重；bj是第j个所述隐藏神经元的偏置；m是所述输入神经元的数量；Xi是第i个所述输入神经元的值，对应于所述商业区，工业区、居住区的功能区面积分数的归一化值。
优选地，其特征在于，所述隐藏层的激活函数为：fh(x)＝2/(1+exp(-2x))-1，所述输出层的激活函数为：fo(x)＝x。
优选地，使用所述误差反向传播学习算法计算最小代价函数以获得对应的wo和wh值；所述最小代价函数E包括均方差项和正则化项为：
Figure GDA0003197654140000041
其中，Yo,k为第k个所述输出神经元的污染物负荷计算值，Ym,k为归一化后污染物负荷量；λ是正则化系数；w包括wojk和whij。
优选地，所述苯系物在各级粒径颗粒上的总的累积负荷为：
Figure GDA0003197654140000042
其中，TBLa是苯系物a在道路表面颗粒上的总累积负荷，BLa,k是苯系物a在第k级粒径颗粒上的累积负荷，mk是道路表面第k级粒径颗粒的累积负荷。
优选地，所述可靠性评价的方法采用留一交叉验证法，所述留一交叉验证的相对预测误差计算公式为：
Figure GDA0003197654140000043
标准交叉验证误差的计算公式为：
Figure GDA0003197654140000044
其中，N是样品数量，TBLpredicted是预测结果，TBLmeasured是实际样品检测结果。
优选地，反馈调试的条件为：相对预测误差>40％。
优选地，所述对整个城市范围内道路苯系物的累积负荷进行预测的公式为：
BPAa＝∑(BLa,k×mk)/1000
其中BPAa是苯系物a在单位面积道路上的累积负荷；BLa,k是苯系物的粒度k的负荷a；mk是粒径k颗粒的负荷。
本发明的有益效果为：提供一种预测城市道路表面苯系物累积负荷的方法，基于采集的多维数据利用人工神经网络构建预测模型，预测出道路上苯系物的累积负荷；该方法只需获取道路周边功能区的面积百分数就可以建立道路苯系物在各颗粒粒径上累积负荷的预测模型，数据获取难度较低；建立的预测模型可靠性高，预测结果精确；将有助于估算道路苯系物累积负荷，从而保障道路雨水回用安全；更进一步的，这个方法可以为雨洪管理和水环境保护的相关城市规划决策提供重要指导。
附图说明
图1是本发明实施例1中的一种预测城市道路表面苯系物累积负荷的方法示意图。
图2是本发明实施例1中采集研究区域内用于构建预测模型的多维数据的方法示意图。
图3是本发明实施例2中土地利用地图和采样点分布图。
图4是本发明实施例2中各级粒径苯系物和颗粒累积负荷留一交叉验证结果与实测结果对比。
图5是本发明实施例2中苯系物道路单位面积累积负荷空间分布。
具体实施方式
下面结合附图通过具体实施例对本发明进行详细的介绍，以使更好的理解本发明，但下述实施例并不限制本发明范围。另外，需要说明的是，下述实施例中所提供的图示仅以示意方式说明本发明的基本构思，附图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的形状、数量及比例可随意的改变，且其组件布局形态也可能更为复杂。
实施例1
本发明提供一种预测城市道路表面苯系物累积负荷的方法，其特征在于，包括如下步骤：
1.采集研究区域内用于构建预测模型的多维数据，所述多维数据包括所述研究区域内的道路周边的功能区的面积百分数；确定所述研究区域的样品采集区及苯系物在所述样品采集区的道路表面各级粒径颗粒上的累积负荷；所述功能区包括居住区、商业区和工业区；
具体方法包括如下步骤：
11.将所述研究区域划分成50m-100m大小相同的正方形网格，每个正方形网格内道路周边的土地根据土地利用类型分别定义为所述功能区中居住区、工业区或商业区；所述面积百分数为：以一个正方形网格为中心同时与距该正方形网格2-3格的正方形网格共同组成的正方形为总面积，所述为中心的正方形网格内功能；
在本发明的变通实施例中，功能区还包括进一步细分为其他区域，比如轻工业区、重工业区；在一个正方形网格中可能同时包含所有功能区的类型，也可能只包含其中一种。
12.采集所述样品采集区内道路表面各级粒径颗粒，每个所述样品采集区采集一个样品，采集的样品数大于15个，每个样品采集2至6m2道路表面样品，所有样品的采集时间为距上一次降雨结束超过7天；
在本发明的一种具体实施例中，正方形网格的分辨率为50m×50m，以距该正方形网格3格的正方形网格共同组成的正方形的大小为350m×350m；在另一种具体的实施例中，正方形网格的分别率为100m×100m，以距该正方形网格2格的正方形网格共同组成的正方形的大小为500m×500m；在实际应用中，可以根据研究区域的大小确定正方形网格的分辨率及总面积。
13.采用标准分样筛通过湿式筛分法将采集到的所述样品由大到小筛分为3至5级粒径；
在本发明的一种实施例中，其中5级粒径分别为：>300μm、300–150μm、150–100μm、100–75μm以及<75μm；当然，可以根据需要设置3级粒径。
14.检测所述每个样品的总固体质量和各级粒径颗粒质量，分别检测所述各级粒径颗粒中甲苯、乙苯和邻-/间-/对-二甲苯的累积负荷，获得所述苯系物在道路表面各级粒径颗粒上的累积负荷。
在本发明的一种实施例中，采用气相色谱-质谱联用法检测其中甲苯、乙苯、邻-/间-/对-二甲苯的累积负荷。
2.根据人工神经网络构建预测模型，设置所述多维数据为输入层，得到的输出层为模拟的道路苯系物在各级粒径颗粒上的累积负荷；
根据人工神经网络使用Matlab构建预测模型，设置多维数据为输入层，得到的输出层为模拟的道路苯系物在各级粒径上的累积负荷，采用前馈神经网络(FFN)结合误差反向传播(BP)算法，这种神经网络模型由一个输入层，一个或多个隐藏层和一个输出层组成。在计算过程中，输入信号从输入层传输到隐藏层，然后输出到输出层。输入层神经元个数对应研究区域中功能区的种类数，隐藏层的神经元个数范围为6至14个，输出层设置的神经元个数对应道路颗粒筛分的粒径级数。
在本发明的一种实施例中，输入层设置为3个输入神经元，对应于商业，工业和居住区土地利用面积百分数，隐藏层中设置了12个隐藏层神经元，在输出层中设置5个输出神经元，这5个输出神经元对应于5级粒径颗粒上各种苯系污染物的累积负荷。
所述输出层的第k个输出神经元的值Yo,k为：
Figure GDA0003197654140000071
其中wojk是第j个所述隐藏神经元和第k个所述输出神经元之间神经元连接的权重；bk是第k个所述输出神经元的偏置；n是所述隐藏神经元的数量；whij是第i个输入与第j个隐含神经元之间神经元连接的权重；bj是第j个所述隐藏神经元的偏置；m是所述输入神经元的数量；Xi是第i个所述输入神经元的值，对应于所述商业区，工业区、居住区的功能区面积分数的归一化值。
在本发明的一种实施例中，隐藏层的激活函数为：fh(x)＝2/(1+exp(-2x))-1，输出层的激活函数为：fo(x)＝x。
使用所述误差反向传播学习算法计算最小代价函数以获得对应的wo和wh值；所述最小代价函数E包括均方差项和正则化项为：
Figure GDA0003197654140000072
其中，Yo,k为第k个所述输出神经元的污染物负荷计算值，Ym,k为归一化后污染物负荷量；λ是正则化系数，用于避免校准过程中的过拟合；w是神经元连接的权重，包括wojk和whij。该方法有3个超参数，包括最大迭代次数ME，学习率LR和正则化系数λ，其中ME通常大于20000。
3.根据所述道路苯系物在各级粒径颗粒上的累积负荷或苯系物在各级粒径颗粒上的总的累积负荷对构建的预测模型进行可靠性评价和反馈调试；
苯系物在各级粒径颗粒上的总的累积负荷为：
Figure GDA0003197654140000073
其中，TBLa是苯系物a在道路表面各级粒径颗粒上的总累积负荷，BLa,k是苯系物a在第k级粒径颗粒上的累积负荷，mk是道路表面第k级粒径颗粒的累积负荷。
可靠性评价的方法采用留一交叉验证法，所述留一交叉验证的相对预测误差计算公式为：
Figure GDA0003197654140000081
标准交叉验证误差的计算公式为：
Figure GDA0003197654140000082
其中，N是样品数量，TBLpredicted是预测结果，TBLmeasured是实际样品检测结果。
反馈调试验证结果欠佳的条件为：相对预测误差>40％，此时调整学习率LR和正则化系数λ重新进行训练，其中LR的调整范围为0.0001-0.01，λ的调整范围为0.001-0.1，以获得更好的交叉验证结果，并记录下最佳交叉验证结果时的LR和λ。
4.根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路苯系物的累积负荷进行预测。
具体为：利用所有采样点的居住区、工业区、商业区等功能区的面积百分数和苯系物在道路颗粒各级粒径上的累积负荷作为训练数据，并采用步骤S3中最佳交叉验证结果时的LR和λ值对模型进行训练，以获得最优神经元连接权重和偏置的值；计算研究区域中所有网格的居住区、工业区、商业区等功能区的面积百分数；采用上述每一个网格的居住区、工业区、商业区等功能区的面积百分数作为输入数据，并使用训练获得的最优神经元连接权重和偏置的值，计算所有网格苯系物在各级粒径颗粒上的累积负荷，最终计算整个区域道路苯系物在单位面积道路上的累积负荷，其计算公式为：
BPAa＝∑(BLa,k×mk)/1000
其中BPAa是苯系物a在单位面积道路上的累积负荷(mg/m2)；BLa,k是苯系物的粒度k的负荷a(μg/g)；mk是粒径k颗粒的负荷(g/m2)。
实施例2
本实施案例区域位于广东省深圳市，选择了16个包含典型商业，工业和住宅用地的道路。所有道路表面相对平坦，铺设沥青。土地利用特征和采样点如图3所示。研究区域(5km×3.5km)划分为分辨率为50m×50m的网格。网格中道路周边的居住区、工业区和商业区土地利用面积百分数定义为距该网格3格范围内所有网格组成的正方形区域(7格×7格，350m×350m)内居住区、工业区和商业区分别占总面积的百分数。同时采集道路表面各级粒径颗粒及溶解态的污染物，为了确定道路表面污染物的累积已经达到平衡状态，研究中所有样品的采集选择距上一次降雨结束超过7天时采集时采集，每个采样点采集4m2道路表面样品，采集到的样品采用标准筛通过湿式筛分法分为>300μm、300–150μm、150–100μm、100–75μm以及<75μm共5级粒径来进行苯系物指标的检测，同时检测每个样品的总固体质量和各级粒径颗粒质量。所有各级粒径颗粒样品采用气相色谱-质谱连用法检测其中甲苯、乙苯、邻-/间-/对-二甲苯的累积负荷。
本实施中，预测模型的构建在Matlab2016a软件中进行。建模过程中，输入层共3个神经元，分别对应采样点居住区、工业区和商业区面积百分数；输出层共5个神经元，分别对应苯系物在5级粒径颗粒上的累积负荷，隐藏层采用12个神经元，在本例的多次试验和数据范围内，该模型的最佳工作参数设定如下：最大迭代次数(ME)＝50000，学习速率(LR)＝0.0005，正则化系数(λ)＝0.002，苯系物总负荷的交叉验证结果如表1所示。
表1苯系物总负荷的交叉验证结果
Figure GDA0003197654140000091
由表1可知，该模型对苯系物的验证RPE在22.37％-35.13％之间，通常认为约30％的RPE值是可以接受的，因此认为该方法建立的模型具有较好的预测结果。
明晰各级粒径的苯系物和颗粒的累积负荷能更加深入了解道路苯系物的累积规律。模型中各级粒径苯系物及颗粒的留一交叉验证结果和实测结果的采用线性拟合进行对比如图4所示。颗粒，甲苯和对二甲苯的R2值相对较高(分别为0.791,0.615和0.611)，邻二甲苯和间二甲苯的相应值均在0.5以上，乙苯的R2值最低(0.498)。考虑到苯系物累积是一个相对复杂的过程，因为它们的沸点低，受到一系列因素(如土地利用和交通)的影响，这些线性拟合得出的数值可以在误差范围内被认为是令人满意结果，因此基于人工神经网络利用土地利用面积百分数开发的模型可用于预测道路苯系物累积负荷，建模结果可用于绘制苯系物的空间分布。
接下来，利用所有采样点的居住区、工业区和商业区土地利用类型的面积百分数和苯系物在道路各级粒径颗粒上的累积负荷作为训练数据，并采用实施例1中步骤3中得出的最佳交叉验证结果：LR＝0.0005和λ＝0.002值对模型进行训练，获得最优神经元连接权重和偏置的值计算研究区域中所有网格的居住区、工业区和商业区土地利用面积百分数；采用上述所有网格的居住区、工业区和商业区土地利用面积百分数作为输入数据，并使用训练获得的最优神经元连接权重和偏置的值，计算所有网格中苯系物在各级粒径颗粒上的累积负荷，最终根据公式计算整个区域道路苯系物在单位面积道路上的累积负荷并绘制空间分布地图，如图5所示。这些地图提供了一种可视化的方法来研究苯系物累积负荷在路面上的空间分布，并有助于识别可能产生含有较高浓度苯系物雨水径流的区域。此外，这些地图还可以帮助决策者选择适当的地区来收集雨水进行回用。图5中浅色区域是雨水回用优先选择的区域，因为当有降雨产生时，它们可能产生含有较低苯系物浓度的雨水径流。这将有助于高效雨水回用策略的实施。
实施例3
低网格划分分辨率下道路苯系物累积负荷的模拟与预测
与实施案例1类似，本实施案例区域位于广东省深圳市。在本实施案例中，研究区域(5km×3.5km)划分为分辨率为100m×100m的网格。网格中道路周边的居住区、工业区和商业区面积百分数定义为距该网格3格范围内所有网格组成的正方形区域(7格×7格，700m×700m)内居住区、工业区和商业区分别占总面积的百分数。同时采集道路表面各级粒径颗粒及溶解态的污染物，采集到的样品采用标准筛通过湿式筛分法分为>300μm、300–150μm、150–100μm、100–75μm以及<7μm共5级粒径来进行苯系物指标的检测，同时检测每个样品的总固体质量和各级粒径颗粒质量。
建模过程中，输入层共3个神经元，输出层共5个神经元，隐藏层采用12个神经元，选择的工作参数设定如下：最大迭代次数(ME)＝50000，学习速率(LR)＝0.0005，正则化系数(λ)＝0.002，在100m×100m网格划分分辨率下此模型对苯系物的验证RPE在41.81％-57.33％之间，整体高于50m×50m网格划分分辨率下的RPE，因此认为较高网格划分分辨率下建立的模型具有较好的预测结果。
实施例4
较少筛分级数下道路苯系物累积负荷的模拟与预测
与实施案例1类似，本实施案例区域位于广东省深圳市，研究区域(5km×3.5km)划分为分辨率为50m×50m的网格。网格中道路周边的居住区、工业区和商业区面积百分数定义为距该网格3格范围内所有网格组成的正方形区域(7格×7格，350m×350m)内居住区、工业区和商业区分别占总面积的百分数。同时采集道路表面各级粒径颗粒及溶解态的污染物，本实施案例中，采集到的样品采用标准筛通过湿式筛分法分为>150μm、150–75μm以及<75μm共3级粒径来进行苯系物指标的检测，同时检测每个样品的总固体质量和各级粒径颗粒质量。
建模过程中，输入层共3个神经元，对应采样点居住区、工业区和商业区3种土地利用类型的各面积百分数；输出层共3个神经元，对应苯系物在3级粒径上的累积负荷；隐藏层采用12个神经元；选择的工作参数设定如下：最大迭代次数(ME)＝50000，学习速率(LR)＝0.0005，正则化系数(λ)＝0.002，在3级筛分粒径下此模型对苯系物的验证RPE在52.66％-65.71％之间，整体高于5级筛分粒径下的RPE，因此认为较高的筛分级数下建立的模型具有较好的预测结果。本发明与现有技术相比，其有益效果与优点在于：
1.该方法建立了预测道路苯系物累积负荷空间分布的方法，其中道路周边居住区、商业区、工业区等功能区面积百分数作为输入参数易于获取，只需获得土地利用面积百分数就可以建立道路苯系物累积负荷的预测模型。
2.交叉验证结果证明该方法很好地模拟了道路苯系物的累积负荷，对苯系物总累积负荷模拟的相对预测误差在22.37％-35.13％之间，标准交叉验证误差在0.003-0.137之间，模型可靠性高，预测结果精确，说明构建的预测模型可用于道路苯系物的累积负荷的模拟。同时比较了不同输入数据下的模拟结果，表明在较高网格划分分辨率和较高的筛分级数下建立的模型具有较好的预测结果。
3.该模型同时提供了一种可视化的方法来研究苯系物累积负荷在路面上的空间分布规律，可以对雨水回用策略的制定和实施提供重要数据及技术支持，也可为雨水处理及回用设施的优化设计和运营管理提供重要依据。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (9)

1.一种预测城市道路表面苯系物累积负荷的方法，其特征在于，包括如下步骤：
S1：采集研究区域内用于构建预测模型的多维数据，所述多维数据包括所述研究区域内的道路周边的功能区的面积百分数；确定所述研究区域的样品采集区及苯系物在所述样品采集区的道路表面各级粒径颗粒上的累积负荷；所述功能区包括居住区、商业区和工业区；所述步骤S1中包括如下步骤：
S11：将所述研究区域划分成50m-100m大小相同的正方形网格，每个正方形网格内道路周边的土地根据土地利用类型分别定义为所述功能区中居住区、工业区或商业区；所述面积百分数为：以一个正方形网格为中心同时与距该正方形网格2-3格的正方形网格共同组成的正方形为总面积，为中心的正方形网格内功能区的面积占所述总面积的面积百分数；
S12：采集所述样品采集区内道路表面各级粒径颗粒，每个所述样品采集区采集一个样品，采集的样品数大于15个，每个样品采集2至6m2道路表面样品，所有样品的采集时间为距上一次降雨结束超过7天；
S13：采用标准分样筛通过湿式筛分法将采集到的所述样品由大到小筛分为3至5级粒径；
S14：检测每个所述样品的总固体质量和各级粒径颗粒质量，分别检测所述各级粒径颗粒中甲苯、乙苯和邻-/间-/对-二甲苯的累积负荷，获得所述苯系物在道路表面各级粒径颗粒上的累积负荷；
S2：根据人工神经网络构建预测模型，设置所述多维数据为输入层，得到的输出层为模拟的道路苯系物在各级粒径颗粒上的累积负荷；
S3：根据所述道路苯系物在各级粒径颗粒上的累积负荷或苯系物在各级粒径颗粒上的总的累积负荷对构建的预测模型进行可靠性评价和反馈调试；
S4：根据可靠性评价和反馈调试后的所述预测模型，对整个城市范围内道路苯系物的累积负荷进行预测。
2.如权利要求1所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，所述步骤S2中通过Matlab构建所述预测模型，采用前馈神经网络结合误差反向传播算法。
3.如权利要求2所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，所述预测模型包括一个输入层，一个或多个隐藏层和一个输出层；所述输入层的输入神经元个数为所述研究区域中所述功能区的种类数，所述隐藏层的隐藏神经元的个数为6至14个，所述输出层的输出神经元个数为道路颗粒筛分的粒径级数；所述输出层的第k个输出神经元的值Yo,k为：
Figure FDA0003197654130000021
其中wojk是第j个所述隐藏神经元和第k个所述输出神经元之间神经元连接的权重；bk是第k个所述输出神经元的偏置；n是所述隐藏神经元的数量；whij是第i个输入与第j个隐含神经元之间神经元连接的权重；bj是第j个所述隐藏神经元的偏置；m是所述输入神经元的数量；Xi是第i个所述输入神经元的值，对应于所述商业区，工业区、居住区的功能区面积分数的归一化值。
4.如权利要求3所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，所述隐藏层的激活函数为：fh(x)＝2/(1+exp(-2x))-1，所述输出层的激活函数为：fo(x)＝x。
5.如权利要求3所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，使用所述误差反向传播算法计算最小代价函数以获得对应的wo和wh值；所述最小代价函数E包括均方差项和正则化项为：
Figure FDA0003197654130000022
其中，Yo,k为第k个所述输出神经元的污染物负荷计算值，Ym,k为归一化后污染物负荷量；λ是正则化系数；w包括wojk和whij。
6.如权利要求1所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，所述苯系物在各级粒径颗粒上的总的累积负荷为：
Figure FDA0003197654130000023
其中，TBLa是苯系物a在道路表面颗粒上的总累积负荷，BLa,k是苯系物a在第k级粒径颗粒上的累积负荷，mk是道路表面第k级粒径颗粒的累积负荷。
7.如权利要求1所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，所述可靠性评价的方法采用留一交叉验证法，所述留一交叉验证法 的相对预测误差计算公式为：
Figure FDA0003197654130000031
标准交叉验证误差的计算公式为：
Figure FDA0003197654130000032
其中，N是样品数量，TBLpredicted是预测结果，TBLmeasured是实际样品检测结果。
8.如权利要求7所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，反馈调试的条件为：相对预测误差>40％。
9.如权利要求1-8任一所述的预测城市道路表面苯系物累积负荷的方法，其特征在于，所述对整个城市范围内道路苯系物的累积负荷进行预测的公式为：
BPAa＝∑(BLa,k×mk)/1000
其中BPAa是苯系物a在单位面积道路上的累积负荷；BLa,k是苯系物的粒度k的负荷a；mk是粒径k颗粒的负荷。
CN201810078955.7A 2018-01-26 2018-01-26 一种预测城市道路表面苯系物累积负荷的方法 Active CN108364090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810078955.7A CN108364090B (zh) 2018-01-26 2018-01-26 一种预测城市道路表面苯系物累积负荷的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810078955.7A CN108364090B (zh) 2018-01-26 2018-01-26 一种预测城市道路表面苯系物累积负荷的方法

Publications (2)

Publication Number Publication Date
CN108364090A CN108364090A (zh) 2018-08-03
CN108364090B true CN108364090B (zh) 2021-09-24

Family

ID=63007330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810078955.7A Active CN108364090B (zh) 2018-01-26 2018-01-26 一种预测城市道路表面苯系物累积负荷的方法

Country Status (1)

Country Link
CN (1) CN108364090B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340279A (zh) * 2020-02-19 2020-06-26 中汽数据有限公司 一种城市道路表面腐蚀性化学污染物累积含量的预测方法
CN113946794B (zh) * 2021-09-14 2024-06-04 深圳大学 零价铁/铜混合物对DBPs反应速率的预测方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101168153B1 (ko) * 2011-12-29 2012-08-07 지에스네오텍 주식회사 건물의 에너지 수요 예측 방법 및 그 시스템
CN103106347A (zh) * 2013-02-27 2013-05-15 北京师范大学 一种基于土壤属性空间分布的农业面源磷污染估算方法
CN105260575A (zh) * 2015-11-17 2016-01-20 中国矿业大学 一种基于神经网络的巷道围岩变形预测方法
CN105260599A (zh) * 2015-09-30 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于bp神经网络建模的冲击地压动态预测方法
CN106021884A (zh) * 2016-05-12 2016-10-12 武汉理工大学 一种基于神经网络原理的潜流湿地出水浓度的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103038772B (zh) * 2010-03-15 2017-10-24 新加坡保健服务集团有限公司 预测患者的存活性的系统和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101168153B1 (ko) * 2011-12-29 2012-08-07 지에스네오텍 주식회사 건물의 에너지 수요 예측 방법 및 그 시스템
CN103106347A (zh) * 2013-02-27 2013-05-15 北京师范大学 一种基于土壤属性空间分布的农业面源磷污染估算方法
CN105260599A (zh) * 2015-09-30 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于bp神经网络建模的冲击地压动态预测方法
CN105260575A (zh) * 2015-11-17 2016-01-20 中国矿业大学 一种基于神经网络的巷道围岩变形预测方法
CN106021884A (zh) * 2016-05-12 2016-10-12 武汉理工大学 一种基于神经网络原理的潜流湿地出水浓度的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型;陈志宝，丁杰，周海，程序，朱想;《中国电机工程学报》;20150205;第35卷(第3期);561-567 *

Also Published As

Publication number Publication date
CN108364090A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
Piryonesi et al. Examining the relationship between two road performance indicators: Pavement condition index and international roughness index
CN111260208B (zh) 基于风险场的区域网格化累积性环境风险评估系统及方法
Chen et al. The promise of Beijing: Evaluating the impact of the 2008 Olympic Games on air quality
Xie et al. Evaluation of the natural attenuation capacity of urban residential soils with ecosystem-service performance index (EPX) and entropy-weight methods
Ha et al. Identification of land use with water quality data in stormwater using a neural network
Kheir et al. Spatial soil zinc content distribution from terrain parameters: A GIS-based decision-tree model in Lebanon
Zhou et al. Impacts of building configurations on urban stormwater management at a block scale using XGBoost
Hong et al. Modelling heavy metals build-up on urban road surfaces for effective stormwater reuse strategy implementation
CN108364090B (zh) 一种预测城市道路表面苯系物累积负荷的方法
Mirsanjari et al. Investigation of the impacts of urban vegetation loss on the ecosystem service of air pollution mitigation in Karaj metropolis, Iran
CN102982392A (zh) 一种基于地理信息系统的农业鼠害暴发风险指数评价方法
Arnold et al. Impact of the agricultural research service watershed assessment studies on the conservation effects assessment project cropland national assessment
Piryonesi et al. A machine-learning solution for quantifying the impact of climate change on roads
CN107273686B (zh) 雨洪径流氮磷输出负荷预测方法
Bonfanti et al. Using statistical analyses for improving rating methods for groundwater vulnerability in contamination maps
Eric et al. Modeling low impact development potential with hydrological response units
Avellaneda et al. On parameter estimation of urban storm-water runoff model
CN112102895B (zh) 一种耦合迁移转化过程的道路沉积物多环芳烃源解析方法
CN115936192A (zh) 一种土壤环境污染物风险预测方法及系统
CN112686497A (zh) 基于克里金插值的场地土壤环境损害鉴定实物量化方法
Brunner et al. Testing CASE: A new event‐based Morgan‐Morgan‐Finney‐type erosion model for different rainfall experimental scenarios
Borges et al. Ground-level ozone prediction using a neural network model based on meteorological variables and applied to the metropolitan area of São Paulo
Srimuruganandam et al. ANN-based PM prediction model for assessing the temporal variability of PM10, PM2. 5 and PM1 concentrations at an urban roadway
Asadollahfardi et al. Air pollution study using factor analysis and univariate Box-Jenkins modeling for the northwest of Tehran
CN112836842A (zh) 基于“源-汇”风险分析的流域水环境质量预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant