生態(tài)環(huán)境評價指標及模型1.1地表水質量評價指標體系的建立

自然界中影響地表水體質量的有害物質很多，無機化合物有幾十種，有機化合物有上百種，能溶解于水中的有七十多種，在不同地區(qū)，由于工業(yè)布局不同，污染源的差異很大，污染物的種類也不相同，因此影響地表水質量的因子的選擇，要根據(jù)評價區(qū)的具體情況而確定。針對礦區(qū)地表水污染的特點，我們將礦區(qū)地表水質量評價指標體系分為七個二級指標，即耗氧有機物指標、重金屬指標、酸堿鹽類指標、植物營養(yǎng)物指標、石油類、揮發(fā)酚類以及衛(wèi)生學指標。指標體系遞階結構圖如右：地表水質量評價指標的評價標準采用GB3838一2002《地表水環(huán)境質量標準》。各指標的水質標準表：1.2地表水質量評價的方法單因子評價法分項取監(jiān)測值的平均值與該項目標準值相比，比值≤1時，該項目達標（PH除外）。評價結果應分水質類別、超標項目、超標倍數(shù)和超標頻率四項分別說明。賦權綜合評價法1）指標值的無量綱化評價指標體現(xiàn)了指標對其描述現(xiàn)象的影響程度，但由于各個指標因素的物理意義彼此不同，單位不同，對評價對象的作用趨勢也不一致，有的屬于正指標，有的屬于逆指標，還有的屬于適度指標。各個指標之間不具有可比性，為了統(tǒng)一度量范圍，便于指標之間進行比較，應針對不同評價指標，根據(jù)他們的數(shù)值特性對其進行適當?shù)臒o量綱化。數(shù)據(jù)無量綱化的過程，實際是分級打分的過程。在劃出某一指標的給分范圍后，根據(jù)統(tǒng)計數(shù)據(jù)，給指標打分。2）指標值權重的確定權重的確定與指標的選取是同等重要的，因為指標體系中各指標對礦區(qū)水體質量影響的程度是不一樣的。有的影響大一些，有的影響小一些，因此在構建指標體系的同時，必須考慮各指標對系統(tǒng)的影響大小，即權重。權重確定的準確程度，直接影響指標體系的功能和質量。專家直接賦權法這種方法是目前比較常用的方法。由于專家對分析對象中各種因子有一個全面而深刻的認識，能夠根據(jù)評價區(qū)域的污染特點，評價的目的、范圍、等級和規(guī)模給出各種評價因子的相對重要性，從而最終確定權重。這種方法的優(yōu)點是能夠緊密結合評價區(qū)域的實際情況，利用專家的智慧，綜合平衡各種因素，給出一個恰當合理的權值。權重的再分配在指標體系建立的原則中，我們已經(jīng)指出，該指標體系本著全面性的原則而建立的，因此，指標選取的數(shù)量相對較多，一般的監(jiān)測機構可能不能將指標全部監(jiān)測，在這種情況下，可采取權重的再分配。即將未監(jiān)測指標的權重，按照監(jiān)測指標權重的比例，重新分配給監(jiān)測指標，實現(xiàn)權重的再分配。3）評價模型——賦權綜合評價模型在完成了對指標的無量綱化和確定了指標的權重之后，利用下式計算賦權綜合評價值R。其中：R賦權綜合評價值。為任一評價指標i的無量綱化所得數(shù)值，其值位于（0，l）之間。為任一評價指標i的權重。m為評價指標的個數(shù)。根據(jù)計算出的R值，對照綜合值R的分級標準，確定評價級別。4）評價準則根據(jù)計算出的R值，將地表水質量分為五級，分級標準如下表：2另外兩種評價方法1層次分析法層次分析法（即AnalyticalHierarchyProcess，簡稱AHP）是一種科學有效的決策分析工具。它是由美國著名運籌學家，匹茲堡大學教授T.L.Seaty于七十年代中期提出的。層次分析法有著深刻的數(shù)學原理，同時本質上又是一種決策思維方式。它把復雜的問題分解為各個組成因素，將這些因素按照支配關系分組形成有序的遞階層次結構，通過兩兩比較的方式確定層次中諸因素的相對重要性，然后綜合人的判斷來決定決策諸因素的相對重要性總的順序。層次分析法體現(xiàn)了人們的決策思維中分解、判斷和綜合的基本特征，具有適用性、簡潔性、實用性、系統(tǒng)性的優(yōu)點。應用AHP解決問題，大體可以分為四個步驟：第一，建立問題的遞階層次結構；第二，構造兩兩比較判斷矩陣；第三，由判斷矩陣計算被比較元素相對權重；第四，計算各層元素的組合權重。層次分析法對人們的思維過程進行了加工整理，提出了一套系統(tǒng)分析問題的方法，為科學管理和決策提供了較有說服力的依據(jù)。但層次分析法也有其局限性，主要表現(xiàn)在：（1）它在很大程度上依賴于人們的經(jīng)驗，主觀因素的影響很大，它至多只能排除思維過程中的嚴重非一致性，卻無法排除決策者個人可能存在的嚴重片面性。（2）比較、判斷過程較為粗糙，不能用于精度要求較高的決策問題。AHP至多只能算是一種半定量（或定性與定量結合）的方法。同時在應用層次分析法研究問題時常常遇到的兩個方面的棘手的問題：第一，如何根據(jù)實際情況抽象出較為貼切的層次結構；第二，如何將某些定性的量作比較接近實際定量化處理。2BP（Back-Propagation）反向傳播神經(jīng)網(wǎng)絡原理神經(jīng)是大腦的細胞，其主要功能是收集、處理和分發(fā)電信號。人類大腦采用聯(lián)通的神經(jīng)元來處理接收到的信號，神經(jīng)網(wǎng)絡模擬了這一思維過程。神經(jīng)網(wǎng)絡不是通過分步算法或復雜的邏輯程序來求解的，而是通過調(diào)整網(wǎng)絡中連接神經(jīng)元的權重，采用非算法、非結構的形式來實現(xiàn)的。神經(jīng)網(wǎng)絡已用于對各種遙感數(shù)據(jù)進行分類，而且有很多實例表明其分類結果優(yōu)于一些傳統(tǒng)的統(tǒng)計方法。這些成功可以歸因于兩大優(yōu)點：1）不要求數(shù)據(jù)呈正態(tài)分布；2）自適應性模擬具有特定拓撲結構的復雜非線性模式的能力。常用的BP神經(jīng)網(wǎng)絡模型由輸入層、隱含層（又稱中間層，一層或多層）和輸出層組成（如下圖所示）。相鄰之間的神經(jīng)元由權重系數(shù)相互連接，同一層內(nèi)的神經(jīng)元之間是平行的、無連接關系。輸入信號從輸入層節(jié)點，依次傳過各隱含層節(jié)點，然后傳到輸出節(jié)點，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。網(wǎng)絡的學習訓練過程是基于多層前饋網(wǎng)絡算法，該學習過程由正向傳播和反向訓練組成。正向傳播時，輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理，通過所有的隱層之后，再傳向輸出層，當數(shù)據(jù)到