一种含沙水流对鱼类致死影响预测的方法与流程

1.本发明涉及一种含沙水流对鱼类致死影响预测的方法，是一种生态评估方法，是一种水利工程建设运行对河流生态影响的评估方法。


背景技术：

2.水库在运行阶段为了减少库容淤积、延长水库寿命，在退役拆除阶段为了拆除坝体、恢复河流连续性，往往需要进行水力排沙。排沙时水库下泄产生的高含沙水流，会导致下游河道短时间内含沙量和溶解氧剧烈波动，甚至导致鱼类等水生动植物的大量死亡。而鱼类在河流水生态系统中处于最高层次，对河流物质和能量循环具有重大贡献，也是反应河流生态的指示性生物。
3.目前对鱼类受悬移质泥沙影响程度的评估方法主要有两类：第一类是依据水库排沙的可能平均或最高含沙量预估鱼类死亡率。然而以恒定的含沙量阈值来判别鱼类受影响程度显然存在很多不确定性。第二类是统计分析的方法，通过样本数据建立评价因子与目标因子的相关关系，包括：stress index(si)评估模型和severity of ill effects(sev)评估模型。这两种模型将悬浮泥沙浓度及鱼类暴露时间作为评价因子，比单一采用泥沙浓度更能准确评估对鱼类影响程度。然而，这两个模型存在很大缺陷：由于两个模型过于简单，仅仅考虑泥沙浓度及其持续时间，未能考虑溶解氧、水温等对鱼类生存起到关键作用的因素，致使该模型难于准确的反应鱼类的生存状态，使用时受到诸多限制。由于这两个模型都属通过实测数据评估高含沙水体对鱼类影响程度，无法预测可能出现的不同浓度情况下的高含沙水体对鱼类影响程度，即没有预测评估功能。
4.如何正确的评估在泥沙水流中的多个因子之间的复杂非线性关系所影响的鱼类生态环境，是一个需要解决的问题。


技术实现要素：

5.为了克服现有技术的问题，本发明提出了一种含沙水流对鱼类致死影响预测的方法。所述的方法提出基于反向传播神经网络模型的高含沙水体对鱼类影响程度的预测方法，能够考虑多个因子之间的复杂非线性问题，通过反向传播神经网络模型对样本数据的学习，不仅可以根据实测数据评估对鱼类的影响，而且可以根据实测数据预测可能发生的不同含沙量情景下对鱼类的影响程度。
6.本发明的目的是这样实现的：一种含沙水流对鱼类致死影响预测的方法，所述方法的步骤如下：
7.步骤1，数据采集：采集研究对象的各项数据，包括：鱼种类、含沙量、泥沙中值粒径、水温、氧溶解度、时间，形成原始数据集；
8.步骤2，模型实验：根据原始数据集构建模拟真实环境的实验模型，在实验的模型中模拟被研究对象的生活环境，采集各项实验数据；实验数据至少包括：鱼种类和大小、持续时间、含沙量和沙颗粒级配、水温、溶解氧；由实验数据构建含沙水体中被研究对象死亡
率的实验数据集；
9.步骤3，构建反向传播神经网络模型：构建包含输入层、隐含层和输出层的3层反向神经网络，训练算法为bayes正则化算法，最大迭代次数20000，学习率按照经验设置为0.01；
10.1)输入层：输入参数包括鱼种类、持续时间、含沙量、泥沙中值粒径、水温、溶解氧共6个实验观测数据；输入层与隐含层间选用双曲线正切函数tansig作为传递函数；通过每个样本的6个实验观测数据记录原始的试验信息并传递给神经网络；
11.2)隐含层：通过试算法得到隐含层神经元数量p＝12，即隐含层共12个神经元；试算公式：
[0012][0013]
式中：p为隐含层神经元数量；m为输入层参数数量，取m＝6；n为输出层参数数量，输出层为鱼类死亡率1个参数，故n＝1；a为[1，10]之间的常数；
[0014]
3)输出层：输出层输出值要经过反归一化处理，输出结果为鱼类死亡率；隐含层与输出层间的选取线性函数purelin作为传递函数；
[0015]
4)反向传播神经网络模型的预测能力判断：使用均方根误差、平均相对误差绝对值和纳什效率系数评价反向传播神经网络模型的预测能力，计算公式分别为：
[0016]
均方根误差：
[0017][0018]
平均相对误差绝对值：
[0019][0020]
纳什效率系数：
[0021][0022]
式中：yi分别为神经网络输出层值和实验数据集的实测值，即鱼类死亡率的模拟值和实测值；为期望值的平均值，即鱼类死亡率实测值的平均值；i为样本数据组数；n为全部样本数据个数；
[0023]
步骤4，对反向传播神经网络模型训练：
[0024]
1)根据实验数据集中选择数组数据，进行归一化处理，形成训练样本数据集；
[0025]
2)将训练样本数据集导入反向传播神经网络模型，对其中粒子群初始化；
[0026]
3)利用改进粒子群算法调用反向传播神经网络模型，以反向传播神经网络模型的输出误差作为适宜度函数；适宜度函数f：
[0027]
[0028]
式中：y
ki
分别为反向传播神经网络输出值和训练样本数据集中的期望值，即鱼类死亡率的预测值和实测值；k为改进粒子群算法中的迭代次数；
[0029]
改进粒子群算法和反向传播神经网络通过粒子信息和适宜度值进行信息耦合，通过不断迭代寻求最优适宜度的粒子群，即得到使得反向传播神经网络模型误差最小的参数；
[0030]
4)判断是否达到最大迭代数或预设精度，否则返回到步骤3)；
[0031]
5)将寻优得到的权值和阈值赋予反向传播神经网络，再利用梯度下降法对反向传播神经网络进行训练；
[0032]
步骤5，模型测试：实验数据集中另选数组数据形成测试样本数据集，将测试样本数据集输入经过步骤4训练的反向传播神经网络模型中，对反向传播神经网络进行测试，观察是否满足要求，如果不满足要求则调整反向传播神经网络参数并回到步骤4继续进行训练；
[0033]
步骤6，预测应用：根据预测需求，结合待预测的水库排沙过程生成多组环境变量数据，并对这些组数据进行归一化处理，输入到训练完成的反向传播神经网络模型中，输出相应的鱼类死亡率预测值。
[0034]
本发明的优点和有益效果是：本发明利用反向传播神经网络模型和改进粒子群算法对含沙水流对鱼类致死影响进行预测，并通过多重误差运算对反向传播神经网络模型进行调整，提高了预测的准确度，使预测误差处于
±
6％以内。本发明可用于水库排沙、拆坝等情况下的高含沙水流过程对鱼类影响的评估，相比已有的si、sev等评估方法，本发明能够综合考虑各种环境因子的影响，在预测精度上有了较大提升，为评估水库排沙的水生态影响提供了新的手段和依据。
附图说明
[0035]
下面结合附图和实施例对本发明作进一步说明。
[0036]
图1是本发明实施例所述方法的流程图；
[0037]
图2是本发明实施例所述应用实例的实验用沙颗粒级配；
[0038]
图3是本发明实施例所述应用实例的试验工况设置表；
[0039]
图4是本发明实施例所述应用实例采用试验环境因子和鱼类死亡率的拟合方程对照表；
[0040]
图5是本发明实施例所述应用实例的用于训练的部分样本数据和预测结果对比曲线图；
[0041]
图6是本发明实施例所述应用实例的改进粒子群算法-反向传播神经网络模型训练误差分析图；
[0042]
图7是本发明实施例所述应用实例的表3，是实验数据和改进粒子群算法-反向传播神经网络模型预测值对比表。
具体实施方式
[0043]
实施例：
[0044]
本实施例是一种含沙水流对鱼类致死影响预测的方法，所述方法的步骤如下，流
程如图 1所示：
[0045]
步骤1，数据采集：采集研究对象的各项数据，包括：鱼种类、含沙量、泥沙中值粒径、水温、氧溶解度、持续时间，形成原始数据集。
[0046]
本步骤用于采集被研究对象(目标鱼类)的生存环境，特别是水库排沙时所形成的高含沙量水体中目标鱼类的生存状态，即：高含沙水流致死过程，以便于进行室内实验。
[0047]
应用实例：为了定量评估高含沙水体对鱼类的影响，本应用实例进行了黄河上游花斑裸鲤(gymnocypris eckloni)和中下游鲤鱼(cyprinus carpio)两种黄河干流代表性鱼类作为被研究对象，在高含沙水体中生存特性。
[0048]
持续时间是指：作为被研究对象的目标鱼类暴露在高含沙水体中在某一死亡率下的一段时间，例如：花斑裸鲤暴露在64.17kg/m3的水中140分钟，有10％的花斑裸鲤死去，这里140 分钟则被称为“持续时间”。
[0049]
步骤2，模型实验：根据原始数据集构建模拟真实环境的实验模型，在实验模型中模拟被研究对象的生活环境，采集各项实验数据；实验数据至少包括：鱼种类和大小、持续时间、含沙量和沙颗粒级配、水温、溶解氧；由实验数据构建含沙水体中被研究对象死亡率的实验数据集。
[0050]
实验模型为1m
×
1m
×
0.8m(长
×
宽
×
高)的有机玻璃实验水槽，两种鱼类分为两组实验，两组试验均在这一水槽中进行。水槽底部安装有调速电机带动的螺旋桨以保证泥沙悬浮。试验用沙取自相应鱼类的捕获地点，颗粒级配曲线如图2所示。两种试验鱼共计16组，试验选用的试验鱼体重0.5～1kg，每次试验使用10条。试验水槽条件与试验鱼栖息地自然条件保持一致，两种鱼类试验的水温、溶解氧初始状态以及试验用沙分别参照黄河上游和中下游河道条件，试验工况设置见图3中的表1。试验时每15～30min测量一次水温和溶解氧，当鱼类死亡时加测一组。
[0051]
通过16组工况试验的数据，得出黄河鲤鱼和花斑裸鲤两种鱼类的死亡与暴露在高含沙水体中到死亡的持续时间、含沙量、溶解氧、水温等多种环境因子之间关系值。单个试验工况内的样本和不同工况的样本具有相同的亲疏关系，即相当于分别进行了439次物理实验，在每次水槽参数与相应样本数据相同时记录了鱼类死亡率。
[0052]
通过试验数据可得到试验鱼死亡率与含沙量的线性相关方程，如图4中的表2所示。使用各环境因子拟合得出的方程，其r2均小于0.5，表明环境因子的线性组合对死亡率解释性较差，不能充分考虑死亡率受多个环境因子联合制约的机理，不宜采用线性拟合方程推算鱼类的死亡率。
[0053]
步骤3，构建反向传播神经网络模型：构建包含输入层、隐含层和输出层的3层反向神经网络，训练算法为bayes正则化算法，最大迭代次数20000，学习率按照经验设置为0.01。
[0054]
为了准确评估鱼种类、持续时间、含沙量、溶解氧、水温等多种因素对试验鱼死亡率的影响，应用实例采用人工神经网络对鱼类所受的致死影响进行预测，根据16组试验的测量数据确定了439条用于训练、验证和测试神经网络的样本数据，每条测量数据由试验鱼种类、持续时间、含沙量、泥沙中值粒径、溶解氧、水温和试验鱼死亡率共7个变量组成。
[0055]
1)输入层：输入参数包括鱼种类、持续时间、含沙量、泥沙中值粒径、水温、溶解氧共6个实验观测数据；输入层与隐含层间选用双曲线正切函数tansig作为传递函数；通过每
个样本的6个变量(即：鱼种类、持续时间、含沙量、泥沙中值粒径、水温、溶解氧)记录原始的试验信息并传递给神经网络。
[0056]
2)隐含层：通过试算法得到隐含层神经元数量p＝12，即隐含层共12个神经元；试算公式：
[0057][0058]
式中：p为隐含层神经元数量；m为输入层参数数量，取m＝6；n为输出层参数数量，输出层为鱼类死亡率1个参数，故n＝1；a为[1，10]之间的常数。
[0059]
3)输出层：输出层输出值要经过反归一化处理，输出结果为鱼类死亡率；隐含层与输出层间的选取线性函数purelin作为传递函数。
[0060]
4)反向传播神经网络模型的预测能力判断：使用均方根误差、平均相对误差绝对值和纳什效率系数评价反向传播神经网络模型的预测能力，计算公式分别为：
[0061]
均方根误差：
[0062][0063]
平均相对误差绝对值：
[0064][0065]
纳什效率系数：
[0066][0067]
式中：yi分别为神经网络输出层值和实验数据集的实测值，即鱼类死亡率的模拟值和实测值；为期望值的平均值，即鱼类死亡率实测值的平均值；i为样本数据组数；n为全部样本数据个数。
[0068]
反向传播神经网络模型同时具有较强的随机性和不确定性特点，存在学习收敛速度慢、不能保证收敛到全局最小点等缺陷。目前对于反向传播神经网络预测精度提升的方法主要有两种：一是改进权重和阈值的计算方法；二是改善权重和阈值的初始化方法。本实施例采用方法二，用改善权重和阈值的初始化方法提高神经网络输出的精度。即，采用具有收敛快速和强大的全局搜索能力的改进粒子群算法改善反向传播神经网络的上述缺陷。
[0069]
步骤4，对反向传播神经网络模型训练：
[0070]
1)根据室内实验数据集中选择数组数据，进行归一化处理，形成训练样本数据集。
[0071]
2)将训练样本数据集导入反向传播神经网络模型，对其中粒子群初始化。
[0072]
3)利用改进粒子群算法调用反向传播神经网络模型，以反向传播神经网络模型的输出误差作为适宜度函数；适宜度函数f：
[0073]
[0074]
式中：y
ki
分别为反向传播神经网络输出值和训练样本数据集中的期望值，即鱼类死亡率的预测值和实测值；k为改进粒子群算法中的迭代次数。
[0075]
改进粒子群算法和反向传播神经网络通过粒子信息和适宜度值进行信息耦合，通过不断迭代寻求最优适宜度的粒子群，即得到使得改进粒子群算法-反向传播神经网络模型误差最小的参数。
[0076]
4)判断是否达到最大迭代数或预设精度，否则返回到步骤3)。
[0077]
5)将寻优得到的权值和阈值赋予反向传播神经网络，再利用梯度下降法对反向传播神经网络进行训练。
[0078]
步骤5，模型测试：实验数据集中另选数组数据形成测试样本数据集，将测试样本数据集输入经过步骤4训练的反向传播神经网络模型中，对模型进行测试，观察是否满足要求，如果不满足要求则调整模型参数并回到步骤4继续进行训练。
[0079]
对改进粒子群算法-反向传播神经网络模型的实测可以采用实验数据中另选样本数据，输入到模型中，进行预测，再用实测值与预测值进行比较，如果两者相差在一定范围内，例如在
±
5％内，则认为达到了满意程度。这一测试可以采用多组样本进行测试，如果各种样本均达到误差范围，或偶有超出范围，也可以认为达到了满意程度。
[0080]
对于试验得出的439条测量数据，使用419条组成训练样本数据集对改进粒子群算法
‑ꢀ
反向传播神经网络模型进行训练和验证，其中随机选取的训练集占80％，验证集占20％。使用20条数据作为测试数据，测试样本数据集的6个变量值基本覆盖了试验测量的范围，具有较强的代表性。部分训练样本数据的预测和实测死亡率如图5所示，由图5可知，在不同试验鱼种类和含沙量时，实测值和预测值均较为接近且变化趋势一致。
[0081]
训练样本死亡率的数据点均集中分布于y＝x辅助线附近，相关系数r＝0.995，满足训练要求，见图6。通过对预测误差的分布进行统计可知，训练样本的预测误差基本处于
±
5％以内，仅有1组数据的误差大于10％。基于以上分析，认为建立的改进粒子群算法-反向传播神经网络模型在预测高含沙水体中花斑裸鲤和鲤鱼的死亡率时拥有较高的准确率。
[0082]
改进粒子群算法-反向传播神经网络模型训练完成后，为了消除反向传播神经网络模型的随机性对预测结果的影响，对20组样本的测试样本数据集重复计算10次取平均值进行分析，试验测量数据和预测结果如图7中的表3所示。测试样本数据集不用于神经网络训练，地位等同于普通待预测数据集。由表3可知死亡率的预测和实测值基本保持一致，平均误差1.81％，最大误差5.48％。
[0083]
步骤6，预测应用：根据预测需求，结合待预测的水库排沙过程生成多组环境变量数据，并对这些组数据进行归一化处理，输入到训练完成的反向传播神经网络模型中，输出相应的鱼类死亡率预测值。
[0084]
结合黄河下游水库某水库排沙过程，其产生的高含沙水流参数为：持续时间＝8h，下游河道含沙量40kg/m3、泥沙中值粒径0.01mm、溶解氧3.5mg/l、水温22℃，目标鱼类为鲤鱼。将待预测参数归一化后输入改进粒子群算法-反向传播神经网络模型，预测此排沙过程造成水库下游鲤鱼死亡率为：11.7％。
[0085]
最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如实验水槽及其所模拟的被研究对象的生存环境、神经网络以及各种公式的运用、
步骤的先后顺序等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。