人工神經(jīng)網(wǎng)絡(luò)在環(huán)境領(lǐng)域中的研究進展

嚴(yán)亞萍，王剛，姜盛基，徐敏

(蘭州交通大學(xué) 環(huán)境與市政工程學(xué)院，甘肅 蘭州 730070)

人工神經(jīng)網(wǎng)絡(luò)(ANN)，又可稱為神經(jīng)網(wǎng)絡(luò)，是模擬生物神經(jīng)網(wǎng)絡(luò)建立的一種進行信息處理的模型[1]。通過模擬動物大腦的機理和機制，同時結(jié)合動物神經(jīng)網(wǎng)絡(luò)的行為特征來實現(xiàn)信息處理。人工神經(jīng)網(wǎng)絡(luò)具有非常廣泛的研究內(nèi)容，也是多學(xué)科領(lǐng)域相互交叉的一個重要體現(xiàn)。由于其具有高度的并行結(jié)構(gòu)、并行實現(xiàn)能力、非線性處理能力、自學(xué)習(xí)能力、自組織性、自適應(yīng)性等特點[2]，所以在很多領(lǐng)域得到越來越多的應(yīng)用，并取得了一些令人矚目的成就，比如其在模式識別、人工智能、計算機科學(xué)、機器人、自動控制、信息處理、CAD等方面[1]都有極大的應(yīng)用價值。尤其在因素眾多、成分復(fù)雜的環(huán)境系統(tǒng)，人工神經(jīng)網(wǎng)絡(luò)能以其對復(fù)雜系統(tǒng)非線性問題強大的學(xué)習(xí)能力彌補常規(guī)數(shù)值計算方法的不足，凸顯出了絕對的優(yōu)勢。目前已有諸多學(xué)者成功地將ANN應(yīng)用于環(huán)境領(lǐng)域的很多方面，表明其在環(huán)境領(lǐng)域的研究已初步打開了良好的局面，并將具有廣闊的應(yīng)用前景。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展

人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本單元結(jié)構(gòu)，也是設(shè)計神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)，圖1為人工神經(jīng)元的模型，其本質(zhì)是由多個小的非線性函數(shù)組成一個大的非線性函數(shù)，反映的是輸入變量與輸出變量之間復(fù)雜的映射關(guān)系，具有非線性、非定常性、非凸性、非局域性[3]等特征。

圖1 人工神經(jīng)元模型

人工神經(jīng)網(wǎng)絡(luò)最初的雛形于20世紀(jì)中期被提出來，大致經(jīng)歷了三個階段：①萌發(fā)期：1943年，美國心理學(xué)家W.S.McCulloch和數(shù)學(xué)家Walter Pitts第一次提出了簡單的神經(jīng)元網(wǎng)絡(luò)模型，從此開啟了神經(jīng)網(wǎng)絡(luò)科學(xué)研究的新紀(jì)元。②反思期：1969年，有學(xué)者提出感知器存在巨大漏洞，甚至不能解決邏輯異或的問題，為感知器判了死刑，導(dǎo)致不少研究人員轉(zhuǎn)變了研究方向，從此人工神經(jīng)網(wǎng)絡(luò)的發(fā)展進入低迷期。③恢復(fù)期：美國物理學(xué)家Hopfield于1982年提出了著名的離散型神經(jīng)網(wǎng)絡(luò)模型(Hopfield模型)，同時在這一時期另一個代表模型——多層網(wǎng)絡(luò)的誤差傳播學(xué)習(xí)法算法(BP)的出現(xiàn)，使神經(jīng)網(wǎng)絡(luò)的發(fā)展又掀起一股高潮，進入了恢復(fù)期。

現(xiàn)已開發(fā)出的人工神經(jīng)網(wǎng)絡(luò)模型已有30多種，其中以BP網(wǎng)絡(luò)模型最具代表性，是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型。除此之外還有感知器網(wǎng)絡(luò)模型、線性神經(jīng)網(wǎng)絡(luò)模型、徑向基函數(shù)網(wǎng)絡(luò)模型(RBF)、反饋網(wǎng)絡(luò)模型、自組織網(wǎng)絡(luò)模型(SOM)、控制系統(tǒng)網(wǎng)絡(luò)模型等也是比較常見的幾種類型，表1列舉了幾種常見模型及其對應(yīng)的功能。上述各種模型都是為了解決特定問題而提出的，所以每一種模型都具有各自的功能[4]。

表1 常見的人工神經(jīng)網(wǎng)絡(luò)模型及其功能

2 人工神經(jīng)網(wǎng)絡(luò)在環(huán)境領(lǐng)域的應(yīng)用

環(huán)境領(lǐng)域中的各因素間大多具有非線性，這也是自然界具有的普遍特性，所以ANN具有非線性這一特性對于解決環(huán)境質(zhì)量預(yù)測、環(huán)境質(zhì)量評價、污染建模等問題有很大的優(yōu)勢。隨著人工智能的迅速發(fā)展，應(yīng)用于環(huán)境領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)模型也日漸豐富，但目前應(yīng)用最多的仍然是BP模型，此外RBF、 感知器網(wǎng)絡(luò)模型、前饋網(wǎng)絡(luò)模型也多有涉及。BP模型和RBF模型是針對模式識別、分類等問題的代表模型，均可用于環(huán)境質(zhì)量預(yù)測和環(huán)境質(zhì)量評價，但BP模型多用于環(huán)境質(zhì)量預(yù)測和環(huán)境監(jiān)測；RBF由于其在分類方面的能力優(yōu)于BP模型，更多地用于環(huán)境質(zhì)量評價時的等級分類問題。

2.1 環(huán)境質(zhì)量預(yù)測

在人工神經(jīng)網(wǎng)絡(luò)沒有興起之前，人們普遍采用數(shù)值計算法和統(tǒng)計分析法這兩種傳統(tǒng)方法來進行環(huán)境質(zhì)量預(yù)測，由于環(huán)境系統(tǒng)因素的復(fù)雜性和非線性，傳統(tǒng)的預(yù)測方法并不能很好的解決此類問題，而且傳統(tǒng)方法靈敏度不高，需要花費大量的時間和精力。在20世紀(jì)80年代人工神經(jīng)網(wǎng)絡(luò)興起后，人們逐漸認(rèn)識到它的優(yōu)勢和便捷，所以近年來已有越來越多的學(xué)者對ANN在環(huán)境領(lǐng)域的應(yīng)用做了相關(guān)研究。

2.1.1 環(huán)境空氣質(zhì)量預(yù)測 在環(huán)境空氣質(zhì)量預(yù)測方面，大多集中于對SO2、CO2、PM2.5等幾種常見的大氣污染物的預(yù)測。

郭慶春[5]對基于神經(jīng)網(wǎng)絡(luò)的大氣污染預(yù)測進行了總結(jié)，結(jié)果表明在大氣污染預(yù)測的應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)較傳統(tǒng)預(yù)測方法具有諸多優(yōu)勢，比如預(yù)測速度快、預(yù)測精度大、容錯性強、動態(tài)自適應(yīng)能力強等。Bashir等[6]提出了支持向量機、M5P模型樹和人工神經(jīng)網(wǎng)絡(luò)三種機器學(xué)習(xí)算法，并將它們應(yīng)用到城市大氣污染監(jiān)測預(yù)報系統(tǒng)，對地面O3、NO2、SO2濃度進行預(yù)測，在大量的實驗基礎(chǔ)上發(fā)現(xiàn)M5P算法具有樹狀結(jié)構(gòu)效率高、泛化能力強的特點，而人工神經(jīng)網(wǎng)絡(luò)由于在具有許多屬性的小數(shù)據(jù)集上的泛化能力差導(dǎo)致復(fù)雜網(wǎng)絡(luò)過度擬合，預(yù)測效果最差。Dunea等[7]介紹了應(yīng)用地面O3、CO2和TSP時間序列的各種前饋神經(jīng)網(wǎng)絡(luò)(FANN)和小波前饋神經(jīng)網(wǎng)絡(luò)(WFANN)在四個監(jiān)測站的篩選，結(jié)果顯示由于時間序列的特異性，NO2很難建模，F(xiàn)ANN對O3的預(yù)測結(jié)果良好，兩種模型(FANN和WFANN)對PM2.5的預(yù)測值都偏高。

蒲國林等[8]將人工蜂群算法與反向傳播神經(jīng)網(wǎng)絡(luò)相結(jié)合，即將反向傳播神經(jīng)網(wǎng)絡(luò)模型進行改進，用來預(yù)測四川達州市2016年空氣質(zhì)量，結(jié)果表明，該混合算法的效果要比未進行改進的反向傳播神經(jīng)網(wǎng)絡(luò)算法好，預(yù)測精度也更高，實現(xiàn)了一種較為理想的空氣質(zhì)量預(yù)測模型。高宇航[9]選取南京市2015年10月～2016年8月的空氣污染濃度，以此為數(shù)據(jù)集成功建立了空氣質(zhì)量預(yù)測模型，該模型以BP模型為主體，但鑒于BP網(wǎng)絡(luò)還不夠完善，因此對它進行了進一步的改進，提出了基于貝葉斯正則化改進的L-M神經(jīng)網(wǎng)絡(luò)，經(jīng)證明比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量模型在很多方面(包括預(yù)測精度、收斂速度、學(xué)習(xí)能力、訓(xùn)練速度等)都有顯著的提升。

Sousa等[10]采用基于主成分分析的多元線性回歸模型(PCR)和基于主成分分析的前饋神經(jīng)網(wǎng)絡(luò)(PC-FANN)來預(yù)測葡萄牙波爾圖地區(qū)第二天的O3濃度，結(jié)果表明PC-FANN對O3的預(yù)測結(jié)果更準(zhǔn)確，同時采用主成分分析法會提高人工神經(jīng)網(wǎng)絡(luò)的精度。申浩洋等[11]選取西安市雁塔區(qū)小寨區(qū)域的環(huán)境空氣監(jiān)測數(shù)據(jù)構(gòu)建了BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并用實際監(jiān)測數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)模型進行檢驗，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確地預(yù)測SO2日均濃度，即用BP人工神經(jīng)網(wǎng)絡(luò)來預(yù)測SO2的 24 h 質(zhì)量濃度是可以實現(xiàn)的。Oduro等[12]提出了一種基于MARS和ANN模型的汽車CO排放評估方法，將MARS算法與L-M優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型進行比較發(fā)現(xiàn)ANN模型表現(xiàn)出良好的預(yù)測性能，而MARS的預(yù)測精度略低。安帥等[13]也以BP神經(jīng)網(wǎng)絡(luò)為模型預(yù)測某煉廠催化裂化裝置尾氣中SO2的每小時質(zhì)量濃度，結(jié)果同樣驗證了該模型有較好的可行性和較高的精確度，可以用來預(yù)測SO2濃度的變化趨勢。

楊帆[14]建立了三種CO2通量預(yù)測模型，分別是基于個體變學(xué)習(xí)率優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型、基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型、基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型，對結(jié)果對比后發(fā)現(xiàn)，其中基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)CO2通量模型預(yù)測效果最好，無論從訓(xùn)練速度、學(xué)習(xí)能力、準(zhǔn)確度等方面都有較優(yōu)的性能。Franceschi等[15]為了預(yù)測哥倫比亞波哥大當(dāng)?shù)氐腜M2.5和PM10濃度，從監(jiān)測網(wǎng)的13個站點收集了2010～2015年期間的監(jiān)測數(shù)據(jù)，并用主成分分析法和K均值聚類法確定了神經(jīng)網(wǎng)絡(luò)模型的輸入變量，進而建立了PM2.5和PM10預(yù)測的神經(jīng)網(wǎng)絡(luò)模型，結(jié)果表明此模型適用于預(yù)測高濃度污染的肯尼迪站每小時PM2.5和PM10，因此，可以進一步考慮將數(shù)據(jù)挖掘技術(shù)與確定性模型相結(jié)合來建立小時預(yù)測模型。付彥麗[16]建立了三種人工神經(jīng)網(wǎng)絡(luò)模型來預(yù)測PM2.5的質(zhì)量濃度，分別是BP神經(jīng)網(wǎng)絡(luò)、T-S 模糊神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)，對比分析這三種方法后仍然發(fā)現(xiàn)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在預(yù)測PM2.5質(zhì)量濃度時效果最佳。

林承勇[17]選取國內(nèi)三個代表性城市——北京、武漢、廣州為研究區(qū)域，并以2014年的歷史監(jiān)測數(shù)據(jù)對PM2.5濃度預(yù)測進行建模，構(gòu)建了三種神經(jīng)網(wǎng)絡(luò)模型，包括時間序列網(wǎng)絡(luò)模型、基于MIV雙BP網(wǎng)絡(luò)模型和粒子群優(yōu)化的雙BP網(wǎng)絡(luò)模型，從預(yù)測效果來看，這三種模型都可以實現(xiàn)不錯的預(yù)測效果，其中基于粒子群優(yōu)化的雙BP網(wǎng)絡(luò)模型對PM2.5濃度的預(yù)測效果最為突出。Huang等[18]以石家莊空氣質(zhì)量監(jiān)測站的數(shù)據(jù)為基礎(chǔ)，結(jié)合數(shù)據(jù)挖掘技術(shù)，建立了神經(jīng)網(wǎng)絡(luò)模型來預(yù)測大氣污染狀況，研究表明該模型具有較高的預(yù)測精度，能較好地滿足實際應(yīng)用的需要，可為環(huán)境保護部門提供可靠的決策依據(jù)。綜合上述的研究結(jié)果可以發(fā)現(xiàn)基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型整體效果要優(yōu)于其他模型。

2.1.2 環(huán)境水質(zhì)預(yù)測 神經(jīng)網(wǎng)絡(luò)模型除了可以預(yù)測空氣質(zhì)量濃度，還可以用于水質(zhì)預(yù)測，例如地下水水質(zhì)預(yù)測、地表水水質(zhì)預(yù)測。

劉宇同[19]用BP神經(jīng)網(wǎng)絡(luò)預(yù)測了2014年黑龍江斷面的水質(zhì)，以2005～2013年黑龍江斷面的監(jiān)測數(shù)據(jù)為數(shù)據(jù)集建立了模型，然后再用此模型預(yù)測2014年黑龍江的斷面水質(zhì)，通過與實際監(jiān)測數(shù)據(jù)的比較，該模型具有較好的預(yù)測效果，說明BP神經(jīng)網(wǎng)絡(luò)預(yù)測地表水質(zhì)是可行的。Kim等[20]采用幾種聚類方法，來減輕訓(xùn)練數(shù)據(jù)集的不平衡，進而建立了一個神經(jīng)網(wǎng)絡(luò)集成模型，并將其應(yīng)用于洛東江桑東站水質(zhì)變量的預(yù)測，結(jié)果發(fā)現(xiàn)所有的聚類神經(jīng)網(wǎng)絡(luò)模型都比不聚類的模型有更好的預(yù)測效果。Bui等[21]采用人工神經(jīng)網(wǎng)絡(luò)預(yù)測越南Dau Tieng水庫的藍(lán)藻水華，將pH、溶解氧、溫度、總?cè)芙夤腆w、總氮、總磷、生化需氧量和化學(xué)需氧量作為輸入，三個藍(lán)藻屬(項圈藻、微囊藻和顫藻)作為三層前饋反向ANN的輸出，預(yù)測結(jié)果令人滿意，實驗值與預(yù)測值之間存在較低的誤差和較高的相關(guān)系數(shù)，對所建立的神經(jīng)網(wǎng)絡(luò)的敏感性分析表明，總氮和溫度對微囊藻毒素濃度的影響最大。

2.2 環(huán)境質(zhì)量評價

神經(jīng)網(wǎng)絡(luò)用于環(huán)境質(zhì)量評價時，一般在水質(zhì)模型評價方面應(yīng)用較多。萬雅虹[22]建立了BP神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，并對吉林省敦化新甸段的地表水水質(zhì)斷面進行了水質(zhì)評價，研究表明用遺傳算法優(yōu)化后的神將網(wǎng)絡(luò)顯示出了巨大的優(yōu)勢，證明了其用于水質(zhì)評價的可行性。

Salari等[23]采用美國密歇根州灣監(jiān)測站的數(shù)據(jù)，建立了基于最小二乘法的數(shù)學(xué)模型和前饋神經(jīng)網(wǎng)絡(luò)兩種模型來模擬水質(zhì)參數(shù)，通過驗證發(fā)現(xiàn)，數(shù)學(xué)建模的優(yōu)點是使用簡單，可以直觀地對兩個或多個參數(shù)進行敏感性分析；而人工神經(jīng)網(wǎng)絡(luò)具有用普通數(shù)學(xué)方法無法解決復(fù)雜關(guān)系的建模能力，而且在大多數(shù)情況下，與數(shù)學(xué)方法相比，神經(jīng)網(wǎng)絡(luò)具有更準(zhǔn)確的評價結(jié)果。黃斌[4]在評價沅江中上游水質(zhì)狀況時，先用傳統(tǒng)評價方法對1994～2003年沅江的水質(zhì)情況做了評價，然后又建立了水質(zhì)評價神經(jīng)網(wǎng)絡(luò)模型、湖泊富營養(yǎng)化神經(jīng)網(wǎng)絡(luò)模型和總磷濃度預(yù)測模型對沅江的水質(zhì)、五強溪的富營養(yǎng)化狀況進行進一步的評價并同時預(yù)測了它的總磷濃度，結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)對水質(zhì)狀況評價的效果要比傳統(tǒng)的評價方法(如單因子分析法、主成分分析法、季節(jié)性肯達爾檢驗法等)理想，評價結(jié)果更準(zhǔn)確，比較符合水質(zhì)的實際情況。

李哲等[24]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到富水性評價中，對陜北神府礦區(qū)的風(fēng)化基巖層進行了富水性評價，最后得出富水性結(jié)果有5個等級：弱富水區(qū)、較弱富水區(qū)、中等富水區(qū)、較強富水區(qū)、強富水區(qū)。李世明等[25]運用BP神經(jīng)網(wǎng)絡(luò)來評價太湖的藍(lán)藻水華狀態(tài)，研究表明評價結(jié)果與實際情況相符合，即證明了BP神經(jīng)網(wǎng)絡(luò)用于評價水體富營養(yǎng)化的可行性。除了評價地表水水質(zhì)，也有人將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到地下水評價中，例如鄒濤[26]在研究新疆某地區(qū)地下水水質(zhì)情況時，就采用了BP神經(jīng)網(wǎng)絡(luò)，而且其評價結(jié)果比綜合指數(shù)法、聚類分析和模糊綜合評價法等方法的科學(xué)性、準(zhǔn)確度要高。

Khaki等[27]通過采用現(xiàn)有水質(zhì)參數(shù)，來評估應(yīng)用模糊神經(jīng)系統(tǒng)和神經(jīng)網(wǎng)絡(luò)模擬總?cè)芙庑怨腆w和電導(dǎo)率水平的潛力，該研究以馬來西亞蘭加特盆地2008～2013年6年間的5個采樣站的水質(zhì)數(shù)據(jù)進行分析，發(fā)現(xiàn)這些計算值與各自的地下水質(zhì)量測量值之間存在密切的一致性。也有學(xué)者將神經(jīng)網(wǎng)絡(luò)用于評價大氣質(zhì)量，宋暉等[28]就將人工神經(jīng)網(wǎng)絡(luò)用于大氣質(zhì)量智能評價預(yù)警系統(tǒng)，利用該系統(tǒng)可以實現(xiàn)對大氣的自動預(yù)測，并對大氣質(zhì)量及時做出智能評價，也可以通過監(jiān)測局部的大氣污染趨勢對整個大氣系統(tǒng)做出預(yù)警。李祚泳等[29]以環(huán)境質(zhì)量標(biāo)準(zhǔn)中的數(shù)據(jù)為訓(xùn)練集，建立了BP神經(jīng)網(wǎng)絡(luò)模型，然后用此模型來評價大氣環(huán)境質(zhì)量，結(jié)果表明該方法比模糊數(shù)學(xué)法和灰色系統(tǒng)法的評價結(jié)果更科學(xué)、更合理。

神經(jīng)網(wǎng)絡(luò)在環(huán)境評價中最常規(guī)的應(yīng)用就是水質(zhì)評價和大氣質(zhì)量評價。此外神經(jīng)網(wǎng)絡(luò)還被用于環(huán)境風(fēng)險評價、生態(tài)脆弱性評價等方面。羅雨[30]為了評價溢油事故對海洋生態(tài)環(huán)境的損害和風(fēng)險，以遼寧省盤錦港為研究區(qū)域，建立了RBF神經(jīng)網(wǎng)絡(luò)模型，該模型可以計算出溢油的擴散范圍，進而評價對海洋生態(tài)系統(tǒng)的環(huán)境風(fēng)險。肖歡[31]以四川省為研究區(qū)域，利用3S技術(shù)建立了生態(tài)脆弱性數(shù)據(jù)庫，并在此數(shù)據(jù)庫的基礎(chǔ)上建立了兩種生態(tài)環(huán)境脆弱性評價的神經(jīng)網(wǎng)絡(luò)模型——即BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機模型，經(jīng)驗證BP神經(jīng)網(wǎng)絡(luò)的脆弱性評價效果更好，顯著性更高。劉永春[32]還將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于發(fā)動機生產(chǎn)作業(yè)環(huán)境綜合評價，該模型將專家的評價思想賦予到神經(jīng)網(wǎng)絡(luò)的連接權(quán)值上，可以靈活、智能地對發(fā)動機生產(chǎn)作業(yè)產(chǎn)生的環(huán)境影響及對人體的舒適等級做出科學(xué)的評價。

2.3 環(huán)境監(jiān)測

環(huán)境監(jiān)測內(nèi)容廣泛，其中包含許多測定污染物的方法，例如分光光度法、X射線熒光法、色譜法等，這些傳統(tǒng)的方法大都具有一定的局限性。隨著人們對人工神經(jīng)網(wǎng)絡(luò)的認(rèn)識日趨成熟，便有不少學(xué)者嘗試著將人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的測定方法結(jié)合起來。

Zupan等[33]采用了充分的例子來證實自組織神經(jīng)網(wǎng)絡(luò)(K-ANN)和反向傳播神經(jīng)網(wǎng)絡(luò)(CP-ANN)在監(jiān)測方法中具有廣泛的應(yīng)用領(lǐng)域，包括聚類、分類、映射、對象選擇、建模等，通過舉例歸納發(fā)現(xiàn)，K-ANN 和CP-ANN可以非常靈活地適應(yīng)不同類型的問題，并且可以完成針對幾乎任何類型的任務(wù)，但不代表它在任何情況下都可以成功。申金山[34]首次開創(chuàng)了國內(nèi)外尚未報道的基于人工神經(jīng)網(wǎng)絡(luò)的分光光度法和液相化學(xué)發(fā)光分析法相結(jié)合的一種新型測量方法，該方法恰到好處地利用化學(xué)計量學(xué)可以對發(fā)光信號進行處理這一特點來彌補液相發(fā)光分析法選擇性方面的欠缺，為液相化學(xué)分光分析領(lǐng)域開辟了一條新途徑，作者認(rèn)為在不久的將來，該方法一定可以被廣泛地應(yīng)用和推廣，取得重要突破。

Li等[35]綜述了一些具有代表性的人工神經(jīng)網(wǎng)絡(luò)模型，如反向傳播、徑向基函數(shù)、遺傳算法人工神經(jīng)網(wǎng)絡(luò)等在X射線熒光光譜分析中的發(fā)展和應(yīng)用，并詳細(xì)討論了神經(jīng)網(wǎng)絡(luò)在過度擬合、泛化和算法效率等方面的性能，發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)可以有效地避免過度擬合的現(xiàn)象，而提高模型效率方面可以通過改進神經(jīng)網(wǎng)絡(luò)來實現(xiàn)。

Benvidi等[37]設(shè)計了一種有效的人工神經(jīng)網(wǎng)絡(luò)方法，用于分光光度法測定合成色素；該方法將遺傳算法和部分群優(yōu)化算法相結(jié)合，對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，然后利用該算法處理吸光度和分析濃度之間的關(guān)系，結(jié)果表明該混合算法綜合了粒子群算法和遺傳算法的優(yōu)點，能夠準(zhǔn)確測定合成色素的著色劑濃度。

Hassaninejad-Darzi 等[38]提出了用偏最小二乘法和人工神經(jīng)網(wǎng)絡(luò)兩種方法同時對三元堿性染料混合物進行紫外-可見分光光度定量，結(jié)果表明，偏最小二乘法和人工神經(jīng)網(wǎng)絡(luò)均能較好地捕捉具有高重疊吸收光譜的組分之間的相互作用，且具有較高的精度，兩種算法的預(yù)測值與實際值之間具有良好的一致性(R2>0.997)，表明提出的同時測定純樣品中三種堿性染料的方法的有效性。方正等[39]將遺傳算法和人工神經(jīng)網(wǎng)絡(luò)結(jié)合，建立了誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型(GA-BP)，并將其用于塑料樣本的光譜分析，成功地將塑料樣本進行識別，有助于塑料分類。由此可見，人工神經(jīng)網(wǎng)絡(luò)可與環(huán)境監(jiān)測中的多種測定分析方法相結(jié)合，提高了測定精度，并拓展了應(yīng)用范圍。

2.4 環(huán)境化學(xué)

近年來出現(xiàn)了不少學(xué)者將人工神經(jīng)網(wǎng)絡(luò)拓展到環(huán)境化學(xué)的研究中，其中大部分集中于對環(huán)境化學(xué)中涉及的有機物結(jié)構(gòu)的研究。

Zhang等[40]利用子集回歸的方法，建立了以電拓?fù)錉顟B(tài)指數(shù)(En)為函數(shù)的結(jié)構(gòu)-保留定量關(guān)系(QSRR)的六元回歸模型和用六個結(jié)構(gòu)參數(shù)作為輸入神經(jīng)元的6∶8∶1型的反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，來計算114個多環(huán)芳香硫雜環(huán)的En，結(jié)果顯示，六元回歸模型的相關(guān)系數(shù)為0.989，說明該模型可靠性高，具有良好的預(yù)測能力；BP-ANN的相關(guān)系數(shù)為 0.996，可以得出BP-ANN的預(yù)測精度更高，預(yù)測結(jié)果要優(yōu)于MLR-QSRR模型。

Ye等[41]為了評價硫酸根離子與痕量有機污染物反應(yīng)的二階速率常數(shù)(k)在水處理系統(tǒng)中的去除效率，建立了多元線性回歸(MLR)和人工神經(jīng)網(wǎng)絡(luò)兩種模型來測定硫酸根離子的k值，結(jié)果表明MLR方法對訓(xùn)練集有較好的擬合性，且對驗證集有合理的預(yù)測性；相比之下，ANN有更高的統(tǒng)計穩(wěn)定性，但預(yù)測效果較差。

Wei等[42]利用一種新的反應(yīng)指紋圖譜方法，探討了神經(jīng)網(wǎng)絡(luò)在有機化學(xué)反應(yīng)類型預(yù)測中的應(yīng)用；作者將預(yù)測因子與智能轉(zhuǎn)換相結(jié)合，建立了一個新系統(tǒng)，在給定一組試劑和反應(yīng)物的情況下，預(yù)測可能的產(chǎn)物，結(jié)果表明，基于指紋圖譜的神經(jīng)網(wǎng)絡(luò)算法能夠正確地識別出烯烴和鹵代烷烴反應(yīng)范圍內(nèi)大多數(shù)反應(yīng)類型。

2.5 其他

隨著人工智能的發(fā)展和人工神經(jīng)網(wǎng)絡(luò)技術(shù)的日漸成熟，ANN幾乎已滲透到環(huán)境科學(xué)的不同領(lǐng)域，也就是說它在環(huán)境領(lǐng)域的各個方面幾乎都有應(yīng)用。就目前的發(fā)展來看，ANN仍然在環(huán)境質(zhì)量預(yù)測和環(huán)境質(zhì)量評價領(lǐng)域的應(yīng)用最為廣泛，但也有學(xué)者進行了一些開創(chuàng)性研究，將其應(yīng)用于環(huán)境污染控制、生態(tài)建模、監(jiān)測水體中的BOD、COD和溶解氧、污水處理建模等方面。

張建軍等[43]建立了遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法模型，將其用于某關(guān)鍵部件的環(huán)境溫度控制系統(tǒng)，實現(xiàn)了對此關(guān)鍵部件的溫度響應(yīng)曲線模擬。結(jié)果顯示，ANN的預(yù)測結(jié)果與實測結(jié)果相當(dāng)接近，同時與傳統(tǒng)的PID控制方法相比，基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)的控制效果要優(yōu)于PID控制法，說明將遺傳算法ANN應(yīng)用于環(huán)境控制系統(tǒng)的可行性較好。李勝海等[44]首次探索性地將遺傳算法(GA)與離散Hopfield網(wǎng)絡(luò)(DHNN)結(jié)合在一起，將其應(yīng)用于水污染控制規(guī)劃優(yōu)化方案中；在GA與DHNN選擇優(yōu)化方案時，如果某一水體的某個控制斷面的某種污染物濃度超標(biāo)，則會優(yōu)先選擇降低該斷面污染物單位濃度所需的治理費用最少的方案，來達到最大化的環(huán)境和經(jīng)濟效益，即尋求最優(yōu)控制方案。

Ostad-Ali-Askari等[45]采用水質(zhì)與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對伊朗伊斯法罕Zayandeh Rood河邊緣地區(qū)地下水硝酸鹽污染進行了建模與評價。該模型以Zayandeh Rood河邊緣地區(qū)的100口井(77口農(nóng)業(yè)井、13口飲用井和10口花園井)為研究對象，采用MATLAB軟件和三層感知器網(wǎng)絡(luò)進行建模，將反向傳播學(xué)習(xí)規(guī)則應(yīng)用于訓(xùn)練過程，經(jīng)過多次實驗，發(fā)現(xiàn)具有一個隱藏層和19個神經(jīng)元的網(wǎng)絡(luò)在測試過程中誤差最小。

Gebler等[46]利用人工神經(jīng)網(wǎng)絡(luò)建立了河流生態(tài)狀況的預(yù)測模型，對河流大型植物指數(shù)(MIR)、河流大型植物生物指數(shù)(IBMR)和河流大型植物營養(yǎng)指數(shù)(RMNI)三個生態(tài)狀態(tài)指標(biāo)進行了測試，此外，還測試了物種豐富度(N)和辛普森指數(shù)(D)兩個多樣性指數(shù)，研究了五種大型植物指數(shù)與水污染和水文地質(zhì)退化的綜合影響之間的關(guān)系；分析表明，廣泛的水文形態(tài)變化對河流水生植物有較強的影響，且同時考慮水質(zhì)參數(shù)和水文形態(tài)指標(biāo)時，可以檢測多種因素對大型植物的影響，從而達到最佳的網(wǎng)絡(luò)建模質(zhì)量。Jahani等[47]利用森林退化的生態(tài)和相關(guān)因素建立人工神經(jīng)網(wǎng)絡(luò)模型來預(yù)測生態(tài)系統(tǒng)的退化，從而為人們提供一種環(huán)境決策支持系統(tǒng)來評估森林項目的環(huán)境影響；優(yōu)化森林退化模型(OFDM)訓(xùn)練的多層前饋網(wǎng)絡(luò)的結(jié)果表明，OFDM的性能要優(yōu)于其他退化模型，同時該系統(tǒng)是一個智能的環(huán)境決策支持系統(tǒng)，它允許決策者模擬森林退化的標(biāo)準(zhǔn)，來達到并采用最佳的分配計劃；這就說明基于人工神經(jīng)網(wǎng)絡(luò)的多準(zhǔn)則決策分析(MCDA)法是解決MCDA問題的一種強有力的方法。

3 結(jié)束語

人工神經(jīng)網(wǎng)絡(luò)由于其廣泛的適用性和強大的非線性處理能力，在環(huán)境領(lǐng)域的應(yīng)用幾乎覆蓋了方方面面。能夠識別和學(xué)習(xí)輸入數(shù)據(jù)集與相應(yīng)目標(biāo)值之間的相關(guān)模式，經(jīng)過訓(xùn)練，還可以用來預(yù)測新的獨立輸入數(shù)據(jù)的輸出；有的模型也可以利用自身的分類功能用于環(huán)境質(zhì)量評價和化合物的結(jié)構(gòu)類型識別等，在很多問題上取得了令人滿意的結(jié)果。

但由于單一的人工神經(jīng)網(wǎng)絡(luò)模型往往存在訓(xùn)練時間長、收斂速度慢、欠擬合與過度擬合等缺陷，一般都會將人工神經(jīng)網(wǎng)絡(luò)與別的算法結(jié)合進行改進，克服自身的不足，然后再進行應(yīng)用。改進后的算法學(xué)習(xí)能力更強、速度更快、應(yīng)用范圍更廣、效果也更精確。就目前的發(fā)展趨勢來看，人工神經(jīng)網(wǎng)絡(luò)在環(huán)境領(lǐng)域的應(yīng)用仍然主要集中于環(huán)境質(zhì)量預(yù)測和環(huán)境質(zhì)量評價，在環(huán)境監(jiān)測方面的應(yīng)用也有所增加，僅次于環(huán)境質(zhì)量評價；不過近年來人工神經(jīng)網(wǎng)絡(luò)在環(huán)境領(lǐng)域的應(yīng)用范圍更加廣泛，例如在環(huán)境風(fēng)險評價、生態(tài)脆弱性評價、環(huán)境毒理學(xué)、環(huán)境優(yōu)化、污染防治系統(tǒng)建模等方面都逐漸有了應(yīng)用。

在實用方面，雖然已有不少實際應(yīng)用成果面世，但大多集中于機器人、醫(yī)學(xué)方面，在環(huán)境領(lǐng)域的應(yīng)用并不成熟也很少見，所以要想真正普及人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用，還需不斷提高計算機硬件設(shè)施，實現(xiàn)計算機神經(jīng)網(wǎng)絡(luò)化。相信在不久的將來，人工神經(jīng)網(wǎng)絡(luò)一定會被普及和推廣，在環(huán)境領(lǐng)域發(fā)揮巨大的實用價值。