發布時間：2022-01-14所屬分類：農業論文瀏覽：1次
摘 要： [摘要] 優良的地下水灌溉水質是發展綠色農業的重要條件。 但傳統農業在農田灌溉方面， 著重于對灌溉系統進行建設與管理。 忽略了地下水源的開發與綜合利用。 近年來， 隨著遼寧省經濟社會快速發展， 人們的生產活動日益頻繁， 掠奪式開采與開發地下水， 導致地下水資源
[摘要] 優良的地下水灌溉水質是發展綠色農業的重要條件。 但傳統農業在農田灌溉方面， 著重于對灌溉系統進行建設與管理。 忽略了地下水源的開發與綜合利用。 近年來， 隨著遼寧省經濟社會快速發展， 人們的生產活動日益頻繁， 掠奪式開采與開發地下水， 導致地下水資源嚴重不足。 不僅水源受到污染， 且地下水灌溉水質質量不斷下降。 故本文將以我國遼寧省某灌區為例進行研究， 采用 SOM 神經網絡模型對灌區地下水灌溉水質分析評價。
[關鍵詞] SOM; 神經網絡; 地下水; 灌溉水質; 分析評價
對地下灌溉水水質進行分析評價， 主要針對水質指標值， 采用科學的方法建立合理的參數模型，以此分析、確定地下灌溉水水質等級。 當前針對 地 下 灌 溉 水 水 質 進 行 分 析 評 價 的 主 要 方 法 分為：層次分析法及主成分分析法和單因子分析法、模糊綜合評價法、屬性識別模型法、灰色聚類法、物元可拓法、神經網絡分析法 8 種。 但上述方法各自具有一定的屬性缺點。 因此，需通過兩種或兩種以上的方法進行綜合分析、 評價。 本文通過采用 SOM 神經網絡綜合分析法， 對某灌溉區地下水水質進行評價分析。 在分析中，基于地下水灌溉水水質影響因素為重要指標， 通過選擇礦化度及堿度和酸度為地下水灌溉水質評價的主要因子。 研究評價結果表明，基于 SOM 神經網絡背景綜合評估地下水灌溉水質， 網絡拓撲結構能夠始終保持不變，且在聚類過程中，能夠更加直觀反映不同類在競爭層二維平面的相對位置， 從而有效防止了水質評價分析結果受高維樣本數據影響， 簡化了整個分析運算過程， 使分析評價結果更加客觀、真實。
1 地下水灌溉水質研究中 SOM 神經網絡的基本概念
SOM 神經網絡是自組織競爭型神經網絡中的一種， 該自組織競爭型神經網絡能夠基于不同的外界環境進行自動識別。 因此，它是一種無監督學習網絡模型。 具體到地下水水質分析中，此神經模型可對水源環境進行自動識別， 以此按照不同參數特征進行數據分類[1]。
此概念主要由芬蘭赫爾 辛基大學教 授 Teuvo Kohonen 提出，該神經網絡中的不同網絡權值可通過 SOM 自組織特征映射進行識別、調整。 因此，神經網絡始終收斂于一種表示狀態。 在這一收斂形態中， 某種具體的輸入模式只與一個神經元比較敏感及匹配，故在此過程中，某一特定神經元可在模式識別過程中， 充當某一輸入模式的數據檢測器，因此確保了數據分析與模型評估的科學性。
2 地下水灌溉水質研究中 SOM 神經網絡的結構及應用原理
在采用上述神經網絡模型， 對地下水灌溉水質進行總體分析評價時，主要應用原理為：在網絡學習過程中， 當在網絡模型中輸入地下水質的相關樣本數據時， 競爭層神經元權值與輸入樣本之間的歐幾里德距離， 會被神經網絡模型競爭層中的神經元進行計算分析， 獲勝神經元即為最后經過計算分析得到的距離最小的神經元[3]。 然后，對相鄰神經元權值及獲勝神經元權值進行調整，從而保證周邊權值與獲勝神經元權值能夠與該 SOM 神經網絡模型中輸入的數據樣本一致。 模型經過對相關數據進行反復運算，以此使 SOM 神經網絡模型中各神經元的連接權值呈現出不同的樣本分布特征。 按照該數據分布特征，將具有相似性的數據納入同一神經元中， 以此使同類神經元具有相同或大致相似的分布權數。 因此，通過具體權數分析評價， 最終對地下水灌溉水水質總體情況進行分析[4]。
3 基于 SOM 神經網絡評估地下水灌溉水質的操作流程
通過上述概 念梳 理 及 對 SOM 神經 網 絡 結 構的應用原理進行分析可知，基于 SOM 神經網絡評估地下水灌溉水質， 需按照一定的步驟及操作流程進行模型數據分析， 因此在具體應用實踐中需嚴格遵循以下流程：
4 基于 SOM 神經網絡評估地下水灌溉水質的實例
本文 主 要 以 遼 寧 省 某 農 田 灌 溉 地 下 水 的 10 個水樣作為水質等級評價實例， 進行模型分析評價。 在具體分析評價過程中，首先結合上述模型科學選取該農田灌溉區影響地下水質的具體因素[5]。
在一般情況下，地下水水質情況會受水的 PH 值及水溫和水的礦化度、鹽度和堿度等影響，但由于上述因素中水的 PH 值及溫度值經過檢測，基本可以滿足當地灌溉用水水質標準[6]。 因此，本文在采用 SOM 神經網絡評估地下水灌溉水質時，主要選取水樣鹽度、水樣堿度及水樣礦化度三大指標，作為該省某農田灌溉區地下水水質評價因子。 如表 1 數據所示為遼寧省某農田灌溉區主要地下水灌溉水源樣本特征參數：
其次，在研究分析過程中，主要選用的水質評價 標 準 為 現 行 《農 田 灌 溉 水 質 標 準》(GB5084-- 2015)，水質主要等級分為四級，每個樣本分別包括堿度及礦化度和鹽度三個主要指標[7]。
在上述數據表中， 包括待評價分析樣本和標準樣本一共有 10 組不同的灌溉水水質樣本矢量，而在每個樣本矢量單元中， 又分別包括三個不同的評價指標。 本文在對上述樣本數據進行 SOM 神經網絡模型分析時， 基本算法及核心算法分別通過于 SOM 工具箱及 Matlab7.5 語言編程實現。采用 newsom(P，{D1，D2，…，Di｝函數創建一個基于 SOM 神經網絡的自組織競爭型特征的映射; 在上述函數關系式中，SOM 神經網絡模型的輸入向量采用 P 表示，SOM 神經網絡的網絡維數采用 i 表示。
與此同時，分別通過函數 sim(x)及 train(x)進行數據模型仿真處理運算。 通過采用 SOM 工具箱及 Matlab7.5 語言匯編 程序對上 述 樣 本 數 據 循 環模擬處理 30 次，在此基礎上，按照 SOM 神經網絡模型的不同維數， 對具體運算的數據結果進行科學分類[8]。
當上述分析流程結束后， 結合該灌溉區的實際情況，對 SOM 神經網絡模型中競爭層的神經元實際維數進行科學確定。 上表中待評價樣本及標準 樣 本 分 別 采 用 SOM 神 經 網 絡 工 具 箱 及 Matlab7.5 語言 程 序 進 行 訓 練 ， 訓 練 后 不 同 樣 本 在 SOMS 神經網絡競爭層中的具體分布情況如下表 2 數據所示。 此時，經過競爭獲勝神經元中的連接權值，分別代表了該水質等級故障樣本的聚類中心，并科學確定 每個訓練 樣本在 SOM 神經 網絡模型競爭層中的具體輸出位置。 在對該灌溉區的實際水質進行分析評價時， 可按照待評價水質樣本激活的獲勝神經元落入標準水質樣本聚類中心鄰域內的具體權值， 科學對該灌溉區內樣本水質的實際等級進行確定，以此實現對水質進行綜合評價，具體分析結果如下：
5 結語
綜上所述，地下水水質分析評價，是區域水資源管理及農業發展過程中的重要環節。 本文創新性地在評價分析過程中，引入了 SOM 神經網絡評估模型， 對遼寧省某灌溉區地下水水質進行分析評價。 在研究中，重點結合 SOM 自組織映射神經網絡的特性， 構建了基于地下水灌溉水質分析的 SOM 神經網絡模型。 通過對影響該區域地下水水質的主要因子進行分析。 在此基礎上， 結合 SOM 神經網絡模型中的 Matlab 神經網絡工具箱函數，對網絡模型進行仿真分析， 經過理論與實踐相結合，研究結果表明，基于 SOM 神經網 絡背景綜 合評估地下水灌溉水質，不僅操作過程簡便易行，且網絡結構更加科學完整， 為神經網絡模型提供了相關數據。 網絡模型通過訓練、學習及競爭，最終結合模型主觀意愿，將相應水質分析結果輸出，因此大大提高了地下水灌溉水水質分析的科學性和真實性， 由此為該灌溉區制定積極的水資源管理和開發對策提供了科學的參考依據。 ——論文作者：陳 亮
參考文獻：
[1]李學森.凌河流域水資源現狀及保護措施[J].水土保持應用技術， 2015，(03)：36-37.
[2]高素麗.遼陽市水資源開發利用和管理保護對策[J].水土保持應用技術，2011，(04)：45-47.
[3]白潔娜.基于T-S模型的神經網絡在節水灌溉技術選擇中的應用 [J].水利技術監督，2016，(1)：40-42.
[4]宋小波，蔡新，楊杰.基于改進AHP法的水閘安全性模糊綜合評價 [J].水電能源科學，2013，(2)：174-176+137.
[5]夏云林.農田水利節水灌溉技術淺析[J].水利規劃與設計，2015，(9)：45-47.
[6]李軍，蔣世瓊.基于改進AHP法的道路選線風險評估研究[J].安全與環境學報，2013，(1)：246-249.
[7]王春素.高效節水灌溉措施及效益評價[J].水利技術監督，2014，(4)：50-52.
[8]宋巖，劉群昌，江培福.基于改進AHP模糊物元模型的農業用水效率評價[J].人民長江，2013，(22)：30-33.
SCISSCIAHCI
