发布时间：2022-01-14所属分类：农业论文浏览：1次
摘 要： [摘要] 优良的地下水灌溉水质是发展绿色农业的重要条件。 但传统农业在农田灌溉方面， 着重于对灌溉系统进行建设与管理。 忽略了地下水源的开发与综合利用。 近年来， 随着辽宁省经济社会快速发展， 人们的生产活动日益频繁， 掠夺式开采与开发地下水， 导致地下水资源
[摘要] 优良的地下水灌溉水质是发展绿色农业的重要条件。 但传统农业在农田灌溉方面， 着重于对灌溉系统进行建设与管理。 忽略了地下水源的开发与综合利用。 近年来， 随着辽宁省经济社会快速发展， 人们的生产活动日益频繁， 掠夺式开采与开发地下水， 导致地下水资源严重不足。 不仅水源受到污染， 且地下水灌溉水质质量不断下降。 故本文将以我国辽宁省某灌区为例进行研究， 采用 SOM 神经网络模型对灌区地下水灌溉水质分析评价。
[关键词] SOM; 神经网络; 地下水; 灌溉水质; 分析评价
对地下灌溉水水质进行分析评价， 主要针对水质指标值， 采用科学的方法建立合理的参数模型，以此分析、确定地下灌溉水水质等级。 当前针对 地 下 灌 溉 水 水 质 进 行 分 析 评 价 的 主 要 方 法 分为：层次分析法及主成分分析法和单因子分析法、模糊综合评价法、属性识别模型法、灰色聚类法、物元可拓法、神经网络分析法 8 种。 但上述方法各自具有一定的属性缺点。 因此，需通过两种或两种以上的方法进行综合分析、 评价。 本文通过采用 SOM 神经网络综合分析法， 对某灌溉区地下水水质进行评价分析。 在分析中，基于地下水灌溉水水质影响因素为重要指标， 通过选择矿化度及碱度和酸度为地下水灌溉水质评价的主要因子。 研究评价结果表明，基于 SOM 神经网络背景综合评估地下水灌溉水质， 网络拓扑结构能够始终保持不变，且在聚类过程中，能够更加直观反映不同类在竞争层二维平面的相对位置， 从而有效防止了水质评价分析结果受高维样本数据影响， 简化了整个分析运算过程， 使分析评价结果更加客观、真实。
1 地下水灌溉水质研究中 SOM 神经网络的基本概念
SOM 神经网络是自组织竞争型神经网络中的一种， 该自组织竞争型神经网络能够基于不同的外界环境进行自动识别。 因此，它是一种无监督学习网络模型。 具体到地下水水质分析中，此神经模型可对水源环境进行自动识别， 以此按照不同参数特征进行数据分类[1]。
此概念主要由芬兰赫尔 辛基大学教 授 Teuvo Kohonen 提出，该神经网络中的不同网络权值可通过 SOM 自组织特征映射进行识别、调整。 因此，神经网络始终收敛于一种表示状态。 在这一收敛形态中， 某种具体的输入模式只与一个神经元比较敏感及匹配，故在此过程中，某一特定神经元可在模式识别过程中， 充当某一输入模式的数据检测器，因此确保了数据分析与模型评估的科学性。
2 地下水灌溉水质研究中 SOM 神经网络的结构及应用原理
在采用上述神经网络模型， 对地下水灌溉水质进行总体分析评价时，主要应用原理为：在网络学习过程中， 当在网络模型中输入地下水质的相关样本数据时， 竞争层神经元权值与输入样本之间的欧几里德距离， 会被神经网络模型竞争层中的神经元进行计算分析， 获胜神经元即为最后经过计算分析得到的距离最小的神经元[3]。 然后，对相邻神经元权值及获胜神经元权值进行调整，从而保证周边权值与获胜神经元权值能够与该 SOM 神经网络模型中输入的数据样本一致。 模型经过对相关数据进行反复运算，以此使 SOM 神经网络模型中各神经元的连接权值呈现出不同的样本分布特征。 按照该数据分布特征，将具有相似性的数据纳入同一神经元中， 以此使同类神经元具有相同或大致相似的分布权数。 因此，通过具体权数分析评价， 最终对地下水灌溉水水质总体情况进行分析[4]。
3 基于 SOM 神经网络评估地下水灌溉水质的操作流程
通过上述概 念梳 理 及 对 SOM 神经 网 络 结 构的应用原理进行分析可知，基于 SOM 神经网络评估地下水灌溉水质， 需按照一定的步骤及操作流程进行模型数据分析， 因此在具体应用实践中需严格遵循以下流程：
4 基于 SOM 神经网络评估地下水灌溉水质的实例
本文 主 要 以 辽 宁 省 某 农 田 灌 溉 地 下 水 的 10 个水样作为水质等级评价实例， 进行模型分析评价。 在具体分析评价过程中，首先结合上述模型科学选取该农田灌溉区影响地下水质的具体因素[5]。
在一般情况下，地下水水质情况会受水的 PH 值及水温和水的矿化度、盐度和碱度等影响，但由于上述因素中水的 PH 值及温度值经过检测，基本可以满足当地灌溉用水水质标准[6]。 因此，本文在采用 SOM 神经网络评估地下水灌溉水质时，主要选取水样盐度、水样碱度及水样矿化度三大指标，作为该省某农田灌溉区地下水水质评价因子。 如表 1 数据所示为辽宁省某农田灌溉区主要地下水灌溉水源样本特征参数：
其次，在研究分析过程中，主要选用的水质评价 标 准 为 现 行 《农 田 灌 溉 水 质 标 准》(GB5084-- 2015)，水质主要等级分为四级，每个样本分别包括碱度及矿化度和盐度三个主要指标[7]。
在上述数据表中， 包括待评价分析样本和标准样本一共有 10 组不同的灌溉水水质样本矢量，而在每个样本矢量单元中， 又分别包括三个不同的评价指标。 本文在对上述样本数据进行 SOM 神经网络模型分析时， 基本算法及核心算法分别通过于 SOM 工具箱及 Matlab7.5 语言编程实现。采用 newsom(P，{D1，D2，…，Di｝函数创建一个基于 SOM 神经网络的自组织竞争型特征的映射; 在上述函数关系式中，SOM 神经网络模型的输入向量采用 P 表示，SOM 神经网络的网络维数采用 i 表示。
与此同时，分别通过函数 sim(x)及 train(x)进行数据模型仿真处理运算。 通过采用 SOM 工具箱及 Matlab7.5 语言汇编 程序对上 述 样 本 数 据 循 环模拟处理 30 次，在此基础上，按照 SOM 神经网络模型的不同维数， 对具体运算的数据结果进行科学分类[8]。
当上述分析流程结束后， 结合该灌溉区的实际情况，对 SOM 神经网络模型中竞争层的神经元实际维数进行科学确定。 上表中待评价样本及标准 样 本 分 别 采 用 SOM 神 经 网 络 工 具 箱 及 Matlab7.5 语言 程 序 进 行 训 练 ， 训 练 后 不 同 样 本 在 SOMS 神经网络竞争层中的具体分布情况如下表 2 数据所示。 此时，经过竞争获胜神经元中的连接权值，分别代表了该水质等级故障样本的聚类中心，并科学确定 每个训练 样本在 SOM 神经 网络模型竞争层中的具体输出位置。 在对该灌溉区的实际水质进行分析评价时， 可按照待评价水质样本激活的获胜神经元落入标准水质样本聚类中心邻域内的具体权值， 科学对该灌溉区内样本水质的实际等级进行确定，以此实现对水质进行综合评价，具体分析结果如下：
5 结语
综上所述，地下水水质分析评价，是区域水资源管理及农业发展过程中的重要环节。 本文创新性地在评价分析过程中，引入了 SOM 神经网络评估模型， 对辽宁省某灌溉区地下水水质进行分析评价。 在研究中，重点结合 SOM 自组织映射神经网络的特性， 构建了基于地下水灌溉水质分析的 SOM 神经网络模型。 通过对影响该区域地下水水质的主要因子进行分析。 在此基础上， 结合 SOM 神经网络模型中的 Matlab 神经网络工具箱函数，对网络模型进行仿真分析， 经过理论与实践相结合，研究结果表明，基于 SOM 神经网 络背景综 合评估地下水灌溉水质，不仅操作过程简便易行，且网络结构更加科学完整， 为神经网络模型提供了相关数据。 网络模型通过训练、学习及竞争，最终结合模型主观意愿，将相应水质分析结果输出，因此大大提高了地下水灌溉水水质分析的科学性和真实性， 由此为该灌溉区制定积极的水资源管理和开发对策提供了科学的参考依据。 ——论文作者：陈 亮
参考文献：
[1]李学森.凌河流域水资源现状及保护措施[J].水土保持应用技术， 2015，(03)：36-37.
[2]高素丽.辽阳市水资源开发利用和管理保护对策[J].水土保持应用技术，2011，(04)：45-47.
[3]白洁娜.基于T-S模型的神经网络在节水灌溉技术选择中的应用 [J].水利技术监督，2016，(1)：40-42.
[4]宋小波，蔡新，杨杰.基于改进AHP法的水闸安全性模糊综合评价 [J].水电能源科学，2013，(2)：174-176+137.
[5]夏云林.农田水利节水灌溉技术浅析[J].水利规划与设计，2015，(9)：45-47.
[6]李军，蒋世琼.基于改进AHP法的道路选线风险评估研究[J].安全与环境学报，2013，(1)：246-249.
[7]王春素.高效节水灌溉措施及效益评价[J].水利技术监督，2014，(4)：50-52.
[8]宋岩，刘群昌，江培福.基于改进AHP模糊物元模型的农业用水效率评价[J].人民长江，2013，(22)：30-33.
SCISSCIAHCI
