本发明属于生态水文领域，具体涉及一种基于神经网络的城市感潮河段生态需水量预测方法。
背景技术：
随着经济的迅猛发展，人们对水资源的需求量越来越大，使得水量不断减少，水质不断恶化，生态系统遭到破坏，从而影响了人们的生活质量，阻碍了经济的持续发展，区域生态安全受到威胁。生态环境需水问题研究对于改善区域生态系统状况，促进地区人与自然和谐相处有重要的意义。
但是，目前关于生态环境需水量的研究还处于初级阶段，确定生态环境需水量的方法还很不成熟，计算得到的生态环境需水量存在比较大的偏差，这就给在水资源配置过程中合理的分配生态环境需水量，造成了不小的困难，因此有必要对生态环境的需水规律、计算方法进行研究，为治理生态环境恶化提供必要条件。
河流常被人们称为地球的动脉，是地球陆地表面因流水作用而形成的典型地貌类型。河流可以汇集和接纳地表径流，连通内陆和大海，是自然界能量流动和物质循环的一个重要途径。近几年在河流整治过程中，发现河流生态环境恶化严重，因而对河流生态环境状况的改善深感忧虑。
随着城市人口的集中和工农业的高度发展，人们利用城市河流的频率越来越高，生态需求量越来越大；另一方面由于人们自然改造能力的增强，在自然资源的开发利用的过程中，产生了三废：废水、废气、废渣，通过不同的渠道进入河流，严重损坏了城市河流生态系统。受到对河流追求最大功利性原理的驱动，人们只看到河流的经济功能，而忽视河流生态环境功能：其结果是使得河流水量日益减少，污染严重，环境质量日益下降。
以往生态环境需水研究的河流基本是有上游和沿途汇集的天然来水来满足需水要求；而城市河流由于人工控制设施多，天然来流少，国内对城市河流的生态环境需水研究还比较少，特别是针对城市感潮河段(感潮河段指的是河口至潮区界的河段)生态环境需水的研究更是处于起步阶段，对城市感潮河段生态环境需水特点、需水变化的影响因素的研究还没有。
城市感潮河段生态环境需水主要受两类因素的影响：一类是河道生态系统本身的结构特征，如植被类型、空间结构等，如感潮河流受潮汐作用影响等；另一类是影响河道生态系统的外界环境因子，如气候、降水、蒸发、以及城市河道沿岸排污口均会对河道的生态环境需水产生影响。在上述两类影响因素中以外界排入河道的污水和感潮河段生态系统本身空间结构对河道生态环境需水影响最大。
目前的城市感潮河段生态需水分析方法具有很大的局限性。不论是使用水文学法(又称为标准设定法，其计算依据是各类水文要素对流量的设定范围，比较具有代表性的方法包括设定平均流量的百分比或自然流量的保证率等)还是水力定额法(如果将河流平均深度、平均流速和湿周长度等作为反映生物栖息地质量的水力学指标,且在浅滩栖息地能够使这些指标保持在相当满意的水平上,那么也足以维护生物体和水生生境健康)进行生态需水量的计算，都没有考虑到城市感潮河段的自身特性：首先，上述方法没有将城市污水纳入影响河段生态需水的范畴中；其次，上述方法没有考虑到潮汐的顶托作用对感潮河段生态需水的影响，故所计算出的生态需水量并不能反映实际情况。此外，目前也并没有相关的预测模型用来预测城市感潮河段的生态需水。
bp神经网络是目前应用最为广泛的神经网络模型，作为一种智能信息处理系统，在许多领域已经开始发挥重要的作用。bp神经网络被引入水文领域以来，补充了传统的数学方法的弊端，为水文预测提供了新的手段。但目前该网络在生态领域的运用并不多，更没有将bp神经网络用于某一个特定生态环境区域生态需水量研究的例子。
技术实现要素：
本发明的目的是为克服已有技术的不足之处，提出一种基于神经网络的城市感潮河段生态需水量预测方法。本发明考虑了城市化和感潮河段潮汐作用的影响，对城市感潮河段的生态需水进行了预测分析，对城市河流的生态环境需水研究有很高的实用价值。
本发明提出的一种基于神经网络的城市感潮河段生态需水量预测方法，其特征在于，包括以下步骤：
1)统计近n年待分析城市感潮河段入海口盐度测站的每月海水盐度和入海口的每月入海水量，根据城市感潮河段主要生物类型及其耐盐度，计算近n年的该城市感潮河段每月盐平衡需水量，表达如下：
式中，a为城市感潮河段每月盐平衡需水量，s为入海口盐度测站所测每月海水盐度，o为城市感潮河段主要生物耐盐度，r为入海口每月入海水量；
2)构建一个bp神经网络，该神经网络的输入为城市感潮河段入海口的每月入海水量r，输出为城市感潮河段每月盐平衡需水量a；将步骤1)的得到的近n年的每月数据，包括：城市感潮河段入海口的每月入海水量r和感潮河段每月盐平衡需水量a，按时间顺序平均分成4组，任意选取其中3组作为训练数据用来训练该神经网络，第4组数据作为测试数据用来检测该神经网络的预测效果，并利用相关系数r1来评价该神经网络预测的效果：当r1小于设定阈值l1时，则重新训练该神经网络，得到新的相关系数r1；若r1大于等于设定阈值l1时，则保存该神经网络，该神经网络即为城市感潮河段每月盐平衡需水量预测网络；
相关系数r1的表达式如下：
式中，x1为输入测试数据中城市感潮河段入海口的每月入海水量后通过感潮河段每月盐平衡需水量预测网络得到的城市感潮河段每月盐平衡需水量的预测值，y1为步骤1)计算得到的测试数据中感潮河段每月盐平衡需水量的实际值；cov(x1，y1)为x1，y1的协方差，var[x1]为x1的方差，var[y1]为y1的方差；
3)选取该城市感潮河段具有代表性的m个雨量站；统计每个雨量站近n年每月降雨量；
4)计算步骤3)选取的m个雨量站的近n年每月降雨量的平均值，作为近n年该城市感潮河段每月平均降雨量b；
5)统计近n年该城市感潮河段入海口的每月最高海表温度和最低海表温度；
6)根据步骤5)统计得到的近n年的每月最高海表温度和最低海表温度，计算每月最高海表温度和最低海表温度的平均值，得到近n年的每月平均海表温度c；
7)统计近n年该城市感潮河段周围每月排入主河段的污水量，得到近n年每月污水排放总量d；
8)统计该城市感潮河段每月入海口输沙量，得到近5年每月城市感潮河段输沙量e；
9)根据步骤1)得到的近n年入海口每月入海水量r，将各月入海水量的10％作为每月生态需水量z；
10)重复步骤2)，运用bp神经网络建立城市感潮河段每月生态需水量预测网络；该神经网络的输入为每月平均降雨量b、每月平均海表温度c、城市感潮河段每月盐平衡需水量a、每月污水排放总量d和每月城市感潮河段输沙量e，输出为每月生态需水量z；
利用相关系数r2评价该神经网络预测的效果：当r2小于设定阈值l2时，则重新训练该bp神经网络，得到新的相关系数r2；当r2大于等于设定阈值l2时，则保存该神经网络，该神经网络即为城市感潮河段每月生态需水量的预测网络；
相关系数r2的表达式如下：
式中，x2为输入测试数据中每月平均降雨量b、每月平均海表温度c、城市感潮河段每月盐平衡需水量a、每月污水排放总量d和每月城市感潮河段输沙量e后通过城市感潮河段生态需水量预测网络得到的城市感潮河段每月生态需水量的预测值，y2为步骤9)计算得到的测试数据中每月生态需水量的实际值；cov(x2，y2)为x2，y2的协方差，var[x2]为x2的方差，var[y2]为y2的方差；
11)利用步骤10)得到的城市感潮河段每月生态需水量预测网络，预测城市感潮河段的生态需水量；具体方法如下：
11-1)得到未来某年每月该城市感潮河段主要排污口的污水排放量作为每月污水排放总量的预测值d′，并分别计算近n年每月平均降雨量的平均值、每月平均海表温度的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和d′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市建设影响下城市感潮河段在未来某年每月的生态需水量的预测结果；
11-2)通过未来某年每月入海水量的预测值，输入步骤2)得到的城市感潮河段每月盐平衡需水量预测网络，得到未来某年每月城市感潮河段每月盐平衡需水量的预测值a′；分别计算近n年每月平均降雨量的平均值、每月平均海表温度的平均值、每月污水排放总量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和a′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市感潮河段盐平衡影响下城市感潮河段生态需水量的预测结果；
11-3)收集气候变化条件下未来某年每月的平均降雨量预测值b′，分别计算近n年每月平均海表温度的平均值、每月污水排放总量的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和b′输入城市感潮河段生态需水量预测网络，得到气候变化影响下城市感潮河段生态需水量的预测结果。
本发明的特点及有益效果在于：
(1)本发明综合考虑了城市感潮河段的特殊性质，将降雨资料、海表温度、感潮河段盐平衡需水量、污水排放总量和输沙量作为影响生态需水量的影响因素，符合城市感潮河段的实际情况。
(2)本发明通过建立的感潮河段盐平衡需水量预测网络，可以预测感潮河段的盐平衡需水量；通过建立的城市感潮河段生态需水量预测网络，并根据规划资料预测未来生态需水量，供决策部门参考。
具体实施方式
本发明提出的一种基于神经网络的城市感潮河段生态需水量预测方法，下面结合具体实施例，对本发明做进一步说明。
本发明提出的一种基于神经网络的城市感潮河段生态需水量预测方法，包括以下步骤：
1)统计近n年(n的取值范围为5-10年，本实施例为5年)待分析城市感潮河段入海口盐度测站的每月海水盐度和入海口的每月入海水量，根据城市感潮河段主要生物类型,查阅相关生物文献，确定其适应盐度的能力，计算近n年的该感潮河段每月盐平衡需水量a，表达如下：
式中，a为城市感潮河段每月盐平衡需水量，s为入海口盐度测站所测每月海水盐度，o为城市感潮河段主要生物耐盐度，r为入海口每月入海水量；
2)根据步骤1)统计的近n年城市感潮河段入海口的每月入海水量r和计算得到的近n年的城市感潮河段每月盐平衡需水量a，运用bp神经网络建立城市感潮河段每月盐平衡需水量的预测网络，该网络的输入为城市感潮河段入海口的每月入海水量r，输出为城市感潮河段每月盐平衡需水量a；具体方法如下：
构建一个bp神经网络，将步骤1)的得到的近n年(本实施例为5年)的每月数据(包括：城市感潮河段入海口的每月入海水量r和感潮河段每月盐平衡需水量a)按时间按顺序平均分成4组，任意选取其中3组作为训练数据用来训练该神经网络，第4组数据作为测试数据用来检测该神经网络的预测效果，并利用相关系数r1来评价该神经网络预测的效果：当r1小于设定阈值l1时(阈值l1的取值范围0.80-0.90，本实施例为0.85)，则重新训练该神经网络，得到新的相关系数r1(重新训练神经网络时，训练数据和测试数据保持不变)；若r1大于等于设定阈值l1时，则保存该神经网络，该神经网络即为城市感潮河段每月盐平衡需水量预测网络；相关系数r1的表达式如下：
式中，x1为输入测试数据中城市感潮河段入海口的每月入海水量后通过感潮河段每月盐平衡需水量预测网络得到的城市感潮河段每月盐平衡需水量的预测值，y1为步骤1)计算得到的测试数据中感潮河段每月盐平衡需水量的实际值；cov(x1，y1)为x1，y1的协方差，var[x1]为x1的方差，var[y1]为y1的方差；
3)选取该城市感潮河段具有代表性的m个(3-5个雨量站)(本实施例为3个)雨量站；代表性的雨量站位于所分析城市感潮河段所在流域，并且其降雨资料代表性好；统计每个雨量站近n年(本实施例为5年)每月降雨量；
4)计算步骤3)选取的m个雨量站的近n年每月降雨量的平均值，作为近n年该城市感潮河段每月平均降雨量b；
5)根据该城市感潮河段入海口的海表温度监测资料，统计近n年(本实施例为近5年)的每月最高海表温度和最低海表温度；
6)根据步骤5)统计得到的近n年的每月最高海表温度和最低海表温度，计算每月最高海表温度和最低海表温度的平均值，得到近n年的每月平均海表温度c；
7)统计近n年所分析城市感潮河段周围每月排入主河段的污水量，得到近n年每月污水排放总量d；
8)统计该城市感潮河段每月入海口输沙量，得到近5年每月感潮河段输沙量e；
9)根据步骤1)得到的近n年入海口每月入海水量r，将各月入海水量的10％作为每月生态需水量z；
10)重复步骤2)，运用bp神经网络建立城市感潮河段每月生态需水量预测网络；该神经网络的输入为每月平均降雨量b、每月平均海表温度c、城市感潮河段每月盐平衡需水量a、每月污水排放总量d和每月感潮河段输沙量e，输出为每月生态需水量z；具体方法如下：
构建一个bp神经网络，将近n年(本实施例为5年)的每月数据(包括：每月平均降雨量b、每月平均海表温度c、城市感潮河段每月盐平衡需水量a、每月污水排放总量d、每月城市感潮河段输沙量e和的每月生态需水量z按时间顺序平均分成4组，选取其中任意3组数据作为训练数据用来训练该bp神经网络，第4组数据作为测试数据用于检测该神经网络的预测效果，并利用相关系数r2来评价该神经网络预测的效果：当r2小于设定阈值l2时，则重新训练该bp神经网络，得到新的相关系数r2；当r2大于等于设定阈值l2(阈值l2的取值范围为0.80-0.90，本实施例设定的阈值为0.85)时，则保存该神经网络，该神经网络为城市感潮河段每月生态需水量预测网络；
相关系数r2的表达式如下：
式中，x2为输入测试数据中每月平均降雨量b、每月平均海表温度c、城市感潮河段每月盐平衡需水量a、每月污水排放总量d和每月城市感潮河段输沙量e后通过城市感潮河段生态需水量预测网络得到的城市感潮河段每月生态需水量的预测值，y2为步骤9)计算得到的测试数据中每月生态需水量的实际值；cov(x2，y2)为x2，y2的协方差，var[x2]为x2的方差，var[y2]为y2的方差；
11)利用步骤10)得到的城市感潮河段每月生态需水量预测网络，预测城市感潮河段的生态需水量；
城市感潮河段生态环境需水主要受两类因素的影响：一类是河道生态系统本身的结构特征，如感潮河流受潮汐作用影响等；另一类是影响河道生态系统的外界环境因子，特别是城市河道沿岸排污口会对河道的生态环境需水产生影响。本发明可以提供给城市感潮河段生态需水量分析和预测有效的参考信息。具体来说，通过建立的城市感潮河段生态需水量分析预测网络，将降雨量、输沙量的均值或极值情况输入分析预测网络，其他输入取近5年平均，可以分析降雨量、输沙量对城市感潮河段生态需水量的影响；通过收集城市规划中河段排污量的预测资料，其他输入取近5年平均，可以预测城市建设影响下未来的河段生态需水量，通过预测感潮河段盐平衡需水量，其他输入取近5年平均，可以预测感潮河段影响下未来的河段生态需水量。
本发明通过三种不同的方式对城市感潮河段的生态需水量进行预测，具体方法如下：
11-1)通过收集该地区城市建设规划资料，得到未来某年每月该城市感潮河段
主要排污口的污水排放量作为每月污水排放总量的预测值d′，并分别计算近n年(本实施例为5年)每月平均降雨量的平均值、每月平均海表温度的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和d′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市建设影响下城市感潮河段在未来某年每月的生态需水量的预测结果，供规划参考；
11-2)通过未来某年每月入海水量的预测值，输入步骤2)得到的城市感潮河段每月盐平衡需水量预测网络，得到未来某年每月城市感潮河段每月盐平衡需水量的预测值a′；分别计算近n年(本实施例为5年)每月平均降雨量的平均值、每月平均海表温度的平均值、每月污水排放总量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和a′输入步骤10)得到的城市感潮河段生态需水量预测网络，得到城市感潮河段盐平衡影响下城市感潮河段生态需水量的预测结果，供规划参考；
11-3)收集气候变化条件下未来某年每月的平均降雨量预测值b′，分别计算近n年(本实施例为5年)每月平均海表温度的平均值、每月污水排放总量的平均值、城市感潮河段每月盐平衡需水量的平均值和每月城市感潮河段输沙量的平均值；将上述各平均值和b′输入城市感潮河段生态需水量预测网络，得到气候变化影响下城市感潮河段生态需水量的预测结果，供规划参考。
在实际操作过程中，可以根据需要重点研究降雨、盐平衡需水量或排污量某一个因素主要影响下未来的生态需水量，也可以在城市规划过程中综合分析降雨、盐平衡需水量和排污量影响下的不同生态需水量，为规划提供参考依据。
在实际操作过程中，可通过matlab中的神经网络工具箱实现建立bp神经网络模型，也可根据vb、c语言等编程语言实现建立bp神经网络模型。
上面结合实施例对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。