三峡水库蓄水前后近坝水域的水质评价与分析.pdf

万方数据
万方数据
12经网络的学****机理,以水质标准中评价因子的归一化值作为输入样本,以对应的水质级别作为分类类别,对概率(2)Pbenol(3)TN确的数学模型,就能很好的模拟水质状况和污染物浓度之间的非线性关系。特别是概率神经网络,能很好的完成[6]进行了评价分析。由于资料的限制,该文献没有考虑总磷的作用。本文也将采用概率神经网络水质评价模型,并考虑总磷的影响,对三峡水库蓄水前后近坝水域水质进行评价,并分析评价结果,以期获得准确的水质状况和变化情况,为管理和控制三峡水库的水污染提供前提条件。概率神经阕络神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,其组织能够模拟生物神经系统对真实世界所作出的交互反应。按照网络的拓扑结构和运行方式,神经网络模型分为前馈多层式网络模型、反馈递归式网络模型、随机型网络模型和自组织竞争网络模型等。[7]BPRBF络相比,概率神经网络具有网络学****过程简单,无需反复训练网络;网络容错性好,模式分类能力强;网络的扩充性能好等优点。概率神经网络的径向基函数层神经元数目等于输人样本数目,网络权值为输入样本的函数;竞争输出层神经元数目等于分类类别数目,网络权值由输入样本及其对应的类别确定。网络训练成熟后直接用于模式分类。此时,径向基函数层确定各种输入模式与样本模式的相似程度,竞争输出层选择最可能的类别作为输出。概率神经网络水质评价模型的构建和使用构建概率神经网络水质评价模型,实际上就是根据国家水环境质量标准确定网络权值的过程,即根据概率神w络中,便可直接得到评价结果。现有的水质评价方法通常采用“一果否决制”,即对所有的水质评价因子进行单因子评价,用其中最差的级别作为最终的水质级别。这种方式假设污染物浓度和其环境效应具有线性关系,也忽略了污染物之间的相互影响,和现实情况不符,有可能导致水质评价的失真。同时,在某些特定的水流条件下,某些水质因子的超标并不影响水体的主要功能,而“一票否决制”无法反映这种状况。以总氮为例,如果流动性强,水体交换速率较快,即使总氮VV因此,本文不采用“一票否央制”,而将污染物雌兰垡蜃归类,对每一类因子分别进行评价,得出不同类因子的评价结果,找到对三峡水库近坝水域水质影响最大的控制性因子,同时找出每一类因子存在或可能发生的水污染问题,提早进行防治。在对同一类因子评价时,也不采用“一票否决制”,而是对多个因子联合进行评价,这是为了更好的反映水质评价结果与评价因子之间的非线性关系,以及因子之间的相互影响,更合理更科学的评价水质。根据对三峡库区水体功能的要求,本文采用国家环保总局和国家质量监督检验检疫总局联合颁布实施的《地表水环境质量标准》”。作为水质评价分类标准。根据已有的监测资料,对照该标准,本文选取个水质评价因子,并将其分为氧平衡因子、毒物因子、营养盐类因子三类,分别进行水质评价:(1)DocODBOq《地表水环境质量标准》中,针对不同的水体流动形态,河流和湖泊,磷的评价标准不20036135mlO水到水位。由于三峡水库位于长江干流,蓄水前后流量都很大,水体流动性能强,蓄水并没有改变其近坝水域的流动特性,仍然属于河道型水库。因此本文选择河流水质评价标准对其进行水质评价。蓄水前后近坝水域水质变化水力发电学报年
万方数据
驰翼錾霎茎g=jji{iiiioEi五:戮桑籮￡"!!i=iill|i?i