CN1987477A

CN1987477A - 河道沉积物中重金属的连环拟合方法

Info

Publication number: CN1987477A
Application number: CN 200610130658
Authority: CN
Inventors: 孙井梅; 黎荣; 赵新华
Original assignee: Tianjin University
Current assignee: Tianjin University
Priority date: 2006-12-28
Filing date: 2006-12-28
Publication date: 2007-06-27
Anticipated expiration: 2026-12-28
Also published as: CN1987477B

Abstract

一种河道沉积物中重金属的连环拟合方法，利用人工神经网络技术与线性回归方法拟合植物附近沉积物中该重金属含量，根据沉积物中重金属间的相关关系，采用神经网络方法拟合沉积物中具有良好相关关系的其他重金属含量；最后采用移动平均法拟合相邻点的沉积物重金属含量预测排污河道沉积物中重金属的污染情况，该方法包括以下步骤：根据所要监测的河道，筛选确定植物体内重金属含量与沉积物中重金属含量间关系模型；确定沉积物中重金属间含量关系模型；确定沉积物中重金属含量沿河分布的拟合模型。本发明极大地节省取样和检测的时间、人力及费用，使排污河道沉积物重金属的定期检测成为可能。同时，为污染底泥的环保疏浚及安全处理或处置提供参考。

Description

河道沉积物中重金属的连环拟合方法

技术领域

本发明涉及环境工程中的河道治理领域，特别是涉及河道底泥污染预测及拟合方法。

背景技术

污水河道由于受历年排放的污染物大量积聚而形成沉积物，成为潜在污染源。沉积物的监测在我国大部分地方还未列入常年工作范围，历史数据和监测点选择经验较少，河道沉积物的监测点选择大都参考水质监测点的位置，一般河道水质监测点的选择依据行政区界的划分或主要构筑物(如排水口，支流入口)的下游。这种情况存在以下两个问题：一方面，由于水体的流动性大，水体中的污染物在一定区域内的混合稀释程度较大；而沉积物相对较稳定，沉积物中的污染物迁移扩散的速度较慢、范围较小，有限的监测点并不能实现全面的污染物监测；另一方面，沉积物的采集要比河水难，这主要是由于上覆水的存在造成取样困难，河道地势复杂，排水口多等原因，造成在实际操作中，往往需要很多个取样点才能反映河道沉积物的污染状况。因此，在环境保护的技术研究领域中，开发研究河道底泥污染预测及拟合方法，具有重要的理论意义和实用价值。

经研究发现，对河道两侧的植物进行取样的操作，比直接对河道中的沉积物取样相对容易，而植物体内某种重金属的含量与该植物生长地附近的沉积物中的某种重金属的含量之间存在较好的线性关系。因此，可通过监测植物体内某种重金属的含量，拟合出附近沉积物中该重金属的含量。并且，根据沉积物中不同重金属间存在不同程度的相关关系，可通过线性或非线性回归的方法互相拟合或预测。河道沉积物中重金属含量的纵向分布具有动态数列的特点，可通过监测河道部分断面底泥的重金属含量，利用移动平均法对整个河道重金属污染程度进行拟合或预测。

因此，能够实现一种经济、可行的河道底泥污染预测及拟合的方法，对于环境保护和监测领域，有着重要的意义。

发明内容

为解决上述问题，本发明提供一种河道沉积物中重金属的连环拟合方法，即通过监测在河道中或者周围生长的植物中的某种重金属的含量，采用线性回归方法拟合植物附近沉积物中该重金属的含量；然后根据沉积物中重金属间的相关关系，采用神经网络方法拟合沉积物中具有良好相关关系的其他重金属的含量；最后采用移动平均法拟合相邻点的沉积物中重金属的含量。

一种河道沉积物中重金属的连环拟合方法，利用人工神经网络技术与线性回归方法拟合植物附近沉积物中该重金属含量，然后根据沉积物中重金属间的相关关系，采用神经网络方法拟合沉积物中具有良好相关关系的其他重金属含量；最后采用移动平均法拟合相邻点的沉积物重金属含量预测排污河道沉积物中重金属的污染情况，其特征在于，该方法包括以下步骤：

根据所要监测的河道，筛选确定植物体内重金属含量与沉积物中重金属含量间关系模型；

确定沉积物中重金属间含量关系模型；

确定沉积物中重金属含量沿河分布的拟合模型。

所述根据所要监测的河道，筛选确定植物体内重金属含量与沉积物中重金属含量间关系的模型，还包括测试植物地上部分茎的重金属含量和沉积物重金属的含量。

所述植物体内重金属含量与其根部土壤/沉积物中重金属含量在一定范围内均呈正比。

所述确定沉积物中重金属间含量关系的模型，采用人工神经网络方法进行河道重金属间的拟合，进一步包括以下步骤：

经过试算选用含有1个隐层的BP神经网络模型。隐层内含有10个神经元，输入与隐层之间采用非线性激励函数，隐层与输出层之间采用线性激励函数。参数为：

学习速率：0.01 期望误差：0.01 训练周期：1000

训练函数：trainrp 隐层数：1 输入单元：1 输出单元：1

激励函数：sigmoid- 非线性函数

(f (x) = \frac{1}{1 + e^{- x}});

选择重金属元素间相关系数较大的元素，使用神经网络进行元素间模拟拟合。

所述确定沉积物中重金属含量沿河分布的拟合模型，采用移动平均法进行模拟。

根据移动平均法的计算公式：为

F_{t} = \frac{A_{t} + A_{t - 1} + . . . . . A_{t - n + 1}}{n},

所述参数n取值为n＝2，对沉积物中重金属含量进行模拟。

本发明的有益结果在于：在未来对大沽河的管理中，对于某些不便于底泥取样的区域，可通过监测该区域植物体内重金属的含量拟合该位置沉积物中重金属含量。使用神经网络方法模拟可以用非线性函数拟合重金属含量，而又避免了确定是何种非线性函数，从而避免了计算各种参数，为实际工作提供了便利条件。利用此连环拟合方法可极大的节省取样和检测的时间、人力及费用，使排污河道沉积物重金属的定期检测成为可能。

附图说明

图1为沿岸植物体内重金属与附近沉积物中重金属间关系的回归线图；

图2为某一种重金属拟合另一种或多种重金属的BP拟合图；

图3为两种或多种重金属拟合另一种重金属的BP拟合图；

图4为本发明具体实施例中的河道沉积物重金属含量移动平均拟合图。

具体实施方式

图1沿岸植物体内重金属与附近沉积物中重金属间关系的回归线图；

图2为某一种重金属拟合另一种或多种重金属的BP拟合图；

图3为两种或多种重金属拟合另一种重金属的BP拟合图；

图4为本发明具体实施例中的河道沉积物重金属含量移动平均拟合图(n＝2，实线为移动平均线；点为监测值)

以下结合附图，通过实例对本发明做进一步的说明：

1)筛选确定植物体内重金属含量与沉积物中重金属含量间关系模型

例如，在大沽河上游沿线7个位置采取分布最广的三种植物：葎草、红蓼及芦苇，并取该位置的沉积物，测试植物地上部分茎的重金属含量和沉积物重金属的含量。如图1所示，为被监测河道的沿岸植物体内与土壤中Zn、Pb、Cu、Ni四种重金属含量的关系回归线图。

该图表明了沿岸植物体内重金属含量与其根部土壤/沉积物中重金属含量在一定范围内均呈正比，即随着土壤中重金属含量的增加植物体内重金属含量增加。根据植物体内重金属含量与沉积物中重金属含量的关系，在未来对大沽河的管理中，对于某些不便于底泥取样的区域，可通过监测该区域植物体内重金属的含量拟合该位置沉积物中重金属含量；或通过监测沉积物重金属含量拟合该位置植物体内重金属含量。

图1的回归线还表明了不同植物对不同污染底泥的修复效果，即红蓼对Pb的修复能力最强，不但适于低污染沉积物的修复而且适于严重污染沉积物的修复；葎草对轻度Pb污染的沉积物有较好的修复效果。芦苇对Cu污染(轻度和严重Cu污染)的沉积物的修复效果最好，其次是葎草。葎草对Zn和Ni的修复能力均最强，不但适于低污染沉积物的修复而且适于严重污染沉积物的修复；芦苇对轻度Zn污染的沉积物也可获得较好的修复效果。本研究的结果可直接指导大沽河的治理及未来的管理，根据底泥受污染的程度选择合适的植物修复不同污染的大沽河沉积物或沉积物安全填埋后的封顶植物。

2)确定沉积物中重金属间含量关系模型，该步骤采用人工神经网络方法进行大沽河底泥重金属间的拟合：

a)网络结构：经过试算选用含有1个隐层的BP神经网络模型。隐层内含有10个神经元，输入与隐层之间采用非线性激励函数，隐层与输出层之间采用线性激励函数。其它模型参数的选择采取保守方式，以牺牲训练速度换取模型稳定性，参数如下：

学习速率：0.01 期望误差：0.01 训练周期：1000

训练函数：trainrp 隐层数：1 输入单元：1 输出单元：1

激励函数：sigmoid- 非线性函数

(f (x) = \frac{1}{1 + e^{- x}})

b)拟合：在使用神经网络进行元素间含量的拟合时，发现相关系数较小的元素间模拟拟合的误差较大，而选择重金属元素间相关系数较大的元素进行元素间模拟拟合的误差较小，是可以接受的。如Pb拟合Cr、As、Cu的含量：在大沽河28组监测数据中分别随机抽取5组Pb与Cr、Pb与As、Pb与Cu的含量作为检验数据，相应的其余的23组为模型训练数据，结果如表1所示，拟合值与监测值对比见附图2。

同样的，也可以用重金属元素间相关系数较大的两元素(如Cr及As)或三元素(如Cr、As及Cu)拟合另一元素(如Pb)，因为Cr与Pb、As与Pb、Cu与Pb的相关系数均较大。在大沽河28组监测数据中随机抽取5组，其余相应的23组为模型训练数据，结果见表1和图3。

表1为拟合相对值误差(单位：％)

取样点	某一种元素拟合另一种或多种元素			多种元素拟合另一种元素
	某一种元素拟合另一种或多种元素			多种元素拟合另一种元素		Pb-Cr	Pb-As	Pb-Cu	CrAs-Pb	CrAsCu-Pb
	1	-27.48	10.41	-7.93	-19.68	Pb-Cr	Pb-As	Pb-Cu	CrAs-Pb	CrAsCu-Pb	6.63
7	1	-27.48	10.41	-7.93	-19.68	53.5	31.69	39.05	-64.77	-35.79	6.63
7	13	-28.17	0.85	-6.51	-25.88	53.5	31.69	39.05	-64.77	-35.79	-38.01
20	13	-28.17	0.85	-6.51	-25.88	-1.34	64.39	3.47	-13.29	21.24	-38.01

26

-17.61

-4.26

-11.69

-5.49

72.38

从图2和图3可以看出：通过学习，使用BP可以实现一对一或多对一的模拟及拟合，但仍有一些误差，特别是三元素拟合另一元素时，出现一个72％的误差。这是由于输入历史数据过少，学习中出现的次数过少，拟合的准确性也就差。这也说明了用神经网络进行拟合时历史数据的数量和准确性的重要性。

3)确定沉积物中重金属含量沿河分布的拟合模型

由于沉积物重金属含量的纵向分布具有动态数列，可以采用移动平均法进行模拟。根据移动平均法的计算公式：

F_{t} = \frac{A_{t} + A_{t - 1} + . . . . . + A_{t - n + 1}}{n}

取n＝2对大沽河沉积物中重金属含量进行模拟，即前两点的平均值作为第三点的拟合值，从而可以拟合三点之内任意一点的重金属含量，模拟拟合的结果见图4。

由图4可以看出，使用该平均法拟合结果误差较大，其追踪趋势和稳定性的特点对拟合是有利的，可以保障拟合值尽量接近实际值，滞后性的特点也是其弱点，对拟合极为不利，主要表现在很难准确拟合极值。因此使用该方法只适用于进行趋势拟合，峰值是值得注意的点。

Claims

1.一种河道沉积物中重金属的连环拟合方法，利用人工神经网络技术与线性回归方法拟合植物附近沉积物中该重金属含量，然后根据沉积物中重金属间的相关关系，采用神经网络方法拟合沉积物中具有良好相关关系的其他重金属含量；最后采用移动平均法拟合相邻点的沉积物重金属含量预测排污河道沉积物中重金属的污染情况，其特征在于，该方法包括以下步骤：

确定沉积物中重金属间含量关系模型；

确定沉积物中重金属含量沿河分布的拟合模型。

2.根据权利要求1所述的河道沉积物重金属的连环拟合方法，其特征在于，所述根据所要监测的河道，筛选确定植物体内重金属含量与沉积物中重金属含量间关系的模型，还包括测试植物地上部分茎的重金属含量和沉积物重金属的含量。

3.根据权利要求1所述的河道沉积物重金属的连环拟合方法，其特征在于，所述植物体内重金属含量与其根部土壤/沉积物中重金属含量在一定范围内均呈正比。

4.根据权利要求3所述的河道沉积物重金属的连环拟合方法，其特征在于，所述确定沉积物中重金属间含量关系的模型，采用人工神经网络方法进行河道重金属间的拟合，进一步包括以下步骤：

学习速率：0.01 期望误差：0.01 训练周期：1000

训练函数：trainrp 隐层数：1 输入单元：1 输出单元：1

激励函数：sigmoid- 非线性函数

(f (x) = \frac{1}{1 + e^{- x}});

5.根据权利要求1所述的河道沉积物重金属的连环拟合方法，其特征在于，所述确定沉积物中重金属含量沿河分布的拟合模型，采用移动平均法进行模拟。根据移动平均法的计算公式：为

F_{t} = \frac{A_{t} + A_{t - 1} + . . . . . + A_{t - n + 1}}{n} .

6.根据权利要求5所述的河道沉积物重金属的连环拟合方法，其特征在于，所述参数n取值为n＝2，对沉积物中重金属含量进行模拟。