河道沉积物中重金属的连环拟合方法技术

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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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。
技术实现思路
为解决上述问题，本专利技术提供一种，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，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)=11+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Ft=At+At-1+.....At-n+1n,]]>所述参数n取值为n＝2，对沉积物中重金属含量进行模拟。本专利技术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为本专利技术具体实施例中的河道沉积物重金属含量移动平均拟合图。具体实施例方式图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为本专利技术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，通过实例对本专利技术做进一步的说明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)=11+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与本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。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...

【专利技术属性】
技术研发人员：孙井梅，黎荣，赵新华，
申请(专利权)人：天津大学，
类型：发明
国别省市：12[中国|天津]