一种基于GA-BP的区域地下水脆弱性评价方法

技术领域

本发明涉及地下水脆弱性分析技术领域，特别是涉及一种基于GA-BP的区域地下水脆弱性评价方法。

背景技术

地下水是水循环的重要组成部分，是城市供水的重要水源，也是重要的饮用水源之一。地下水脆弱性是指由于自然条件变化或人类活动影响，地下水遭受破坏的趋向和可能性，反应了地下水对自然或人类活动影响的应付能力，脆弱性越高，相应区域的地下水相对来说越容易遭受污染，进行地下水脆弱性分析对于地下水污染风险评价十分重要。目前常见的地下水脆弱评价方法有GOD指标法、DIVERSITY法以及DRASTIC法，其中，DRASTIC法应用最为广泛，但该方法因其指标固定，未考虑具体评价区域特殊性（区域特征污染物、评价区特殊的水文地质条件、人口密集情况等），因此会影响评价结果的准确性和精准度。

BP神经网络泛化能力强，结构简单易于实现，适合解决判断图像像素为噪声点还是信号点的分类问题，但是BP神经网络的寻优不具有唯一性，会出现局部极小现象；另一方面，初始权值和阈值是随机给的，导致了训练的次数较多，收敛速度慢。遗传算法（GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，自适应能力强。该算法的搜索不依赖梯度信息，只需求解函数在约束条件下的可行解，具有全局搜索的特性，不易陷入局部极小，可以较好地解决BP神经网络存在的问题，并且能够有效提高神经网络的泛化性能。基于GA-BP进行区域地下水脆弱性分析具有重要意义。

发明内容

本发明的目的是提供一种基于GA-BP的区域地下水脆弱性评价方法，使用遗传算法来优化BP神经网络，得到最优的GA-BP，通过GA-BP优化权重能够提高地下水脆弱性评价的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于GA-BP的区域地下水脆弱性评价方法，该方法包括以下步骤：

基于研究区域的地下水埋深D、净补给量R、含水层介质A、土壤介质S、地形T、包气带介质影响I、渗透系数C、土地利用类型L这几个评价指标构建DRASTICL模型，并对各指标进行分级；

分别优化BP神经网络及遗传算法，并利用遗传算法优化BP神经网络的初始权值和初始阈值，得到最优的GA-BP的权重；

选取最优的GA-BP权重耦合DRASTICL模型，建立GA-BP-DRASTICL模型，基于ArcGIS技术平台，运用综合指数法将各指标分级和权重进行叠加，应用自然间断法对地下水脆弱性进行划分。

进一步地，所述分别优化BP神经网络及遗传算法，包括：

从训练函数、学习率和隐含层神经元节点数三个方面，以拟合系数R

从种群规模、交叉概率和变异概率三个方面，以MSE为评价指标，优化遗传算法。

进一步地，所述最优的GA-BP中BP神经网络模型选取trainlm为训练函数、学习率取0.1、隐含层神经元节点数取6；最优的GA-BP中遗传算法的种群规模为40、交叉概率为0.6和变异概率为0.1。

进一步地，所述利用遗传算法优化BP神经网络的初始权值和初始阈值，首先用遗传算法对初始权值和初始阈值进行快速的全局搜索，再利用BP算法在局部进行最优搜索，获得BP神经网络的初始权值和初始阂值的最优值。

进一步地，所述基于GA-BP-DRASTICL模型评价地下水脆弱性，包括：

基于研究区域内地下水埋深D、净补给量R、含水层介质A、土壤介质S、地形T、包气带介质影响I、渗透系数C、土地利用类型L各评价指标的分级，结合最优的GA-BP中指标权重，在ArcGIS中进行叠加，应用自然间断法将研究区域重新划分为五类：极低脆弱性区域、低脆弱性区域、中脆弱性区域、高脆弱性区域和极高脆弱性区域。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于GA-BP的区域地下水脆弱性评价方法，建立了多指标的耦合评价模型，其中，使用遗传算法来优化BP神经网络，得到GA-BP最优权重，GA-BP神经网络预测模型采用启发式的搜索方法，在全局解空间多区域内寻找最优解或近似最优解，避免BP神经网络初始权值和阈值随机产生而陷入局部最优解，导致网络训练失败的现象；通过GA-BP优化权重能够提高地下水脆弱性评价的准确性，GA-BP-DRASTICL模型最佳，减少了人为主观的影响，真正实现了客观赋权重，大大提高了多参数输入预测模型精准度和对参数获取差异性评价的鲁棒性，更能适应用于区域地下水脆弱性分析。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于GA-BP的区域地下水脆弱性评价方法的流程图；

图2为本发明GA-BP-DRASTICL模型构建框架示意图；

图3（a）为本发明对比例DRASTICL模型的脆弱性评价结果示意图；

图3（b）为本发明对比例BP-DRASTICL模型的脆弱性评价结果示意图；

图3（c）为本发明最优的GA-BP-DRASTICL模型的脆弱性评价结果示意图；

图4为本发明地下水脆弱性分区占比柱状示意图；

图5为本发明研究区域基于GA-BP-DRASTICL的区域地下水脆弱性分析结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于GA-BP的区域地下水脆弱性评价方法，使用遗传算法来优化BP神经网络，得到最优的GA-BP，通过GA-BP优化权重能够提高地下水脆弱性评价的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的基于GA-BP的区域地下水脆弱性评价方法，包括以下步骤：

基于DRASTICL模型（地下水埋深D、净补给量R、含水层介质A、土壤介质S、地形T、包气带介质影响I、渗透系数C），结合土地利用类型L，构建DRASTICL评价模型，并对各指标进行分级（表1）。

基于遗传算法（GA）和神经网络（BP）优化权重。选取最优的GA-BP耦合DRASTICL模型，建立GA-BP-DRASTICL模型。最优权重计算结果见表2。

基于ArcGIS技术平台，运用综合指标法对各指标进行叠加分析，计算地下水脆弱性综合指数，应用自然间断法将地下水脆弱性划分为五类。

地下水脆弱性综合指数计算公式：

地下水脆弱性综合指标

式中，

本发明实施例以韶关市为研究区域，将地下水埋深（D）、净补给量（R）、含水层介质（A）、土壤介质（S）、地形（T）、包气带介质影响（I）、渗透系数（C）、土地利用类型（L）等评价指标构建DRASTICL模型。

从训练函数、隐含层神经元节点数、学习率、种群规模、交叉概率、变异概率等方面分别优化BP神经网络及遗传算法（GA）；结合实测的硝酸盐浓度验证，选取最优的BP-GA耦合DRASTICL模型评价地下水脆弱性，如图2所示。

其中，分别优化BP神经网络及遗传算法，包括：

（1）从训练函数、学习率和隐含层神经元节点数三个方面，以拟合系数R

如表3至表5所示，当BP神经网络模型选取trainlm为训练函数、学习率取0.1、隐含层神经元节点数取6时，网络预测准确性最高，模型拟合程度最好，相应的R

（2）从种群规模、交叉概率和变异概率三个方面，以MSE为评价指标，优化遗传算法。优化结果见表6至表8。

由表6至表8可知，当种群最大进化代数为60、种群规模为40、交叉概率为0.6和变异概率为0.1时，GA的准确性最好。因此，最优的GA-BP中遗传算法的种群规模为40、交叉概率为0.6和变异概率为0.1。

具体地，利用遗传算法优化BP神经网络的初始权值和初始阈值，首先用遗传算法对初始权值和初始阈值进行快速的全局搜索，再利用BP算法在局部进行最优搜索，获得BP神经网络的初始权值和初始阂值的最优值。

示例地，基于传统模型的权重和机器学习后优化的权重，分别绘制DRASTICL、BP-DRASTICL、GA-BP-DRASTICL模型的地下水脆弱性评价图，如图3（a）-3（c）所示。不难看出，不同的模型获取的脆弱性评价结果不尽相同。

地下水脆弱性模型筛选：

利用硝酸盐浓度验证DRASTICL、BP-DRASTICL、GA-BP-DRASTICL模型，通过计算硝酸盐浓度与脆弱性指数间的相关系数进行模型验证和比选（如表9）。

结果表明，GA-BP-DRASTICL模型Pearson相关系数和Spearman相关系数分别达到0.719和0.845，均高于DRASTICL、BP-DRASTICL模型，表明通过GA-BP优化权重能够提高地下水脆弱性评价的准确性，显然GA-BP-DRASTICL模型最佳（表9）。GA-BP-DRASTICL模型减少了人为主观的影响，真正实现了客观赋权重。

地下水脆弱性结果分析：

研究区域各脆弱性分区面积百分比柱状图见图4。基于GA-BP-DRASTICL模型的研究区地下水脆弱性情况见图5。

结合图5，开展研究区地下水脆弱性结果分析。

极低脆弱性和低脆弱性区域：在研究区域内分布广泛，分别占总面积的28.75%和26.53%。在这些区域，地势较高，地形陡峭，降水滞留时间短，地表径流向盆地中心汇集，地下水埋藏较深，基岩裂隙小，含水层介质以风化花岗岩为主，部分地方含有很深的溶洞，包气带厚度大，防污性能好。此外，这些区域主要为山区及森林保护区，污染源分布少，地下水被污染的可能性小。

中脆弱性区域：在研究区域内零星分布，占总面积的19.05%。在这些区域，地形较陡，降水容易形成地表径流携带污染物，地下水埋藏较浅，包气带介质为碎屑岩，垂直裂隙发育，含水层介质是以灰质砾岩为主的碎屑岩。在西部的乐昌和乳源地区岩溶发育，地表漏斗、落水洞发育，污染物可通过管道直接进入地下水。此外，在这些区域耕地占有很大比例，农药化肥的大量使用也容易造成地下水污染。

高脆弱性和极高脆弱性区域：主要分布在研究区域中部的武江区、浈江区和曲江区城区及东北部的南雄市、翁源县南部地区，分别占总面积的7.95%和17.72%。在这些区域，地形平坦，地下水埋藏浅，含水层主要为砾卵石和砂质粘土为主，包气带以粗砂和粉砂土为主，降水滞留时间长，地表污染物容易随降雨直接渗入地下水。同时，城区内生活污染源和工业园分布广泛，若不加以防护，地下水很容易遭受污染。

综上，本发明提供的基于GA-BP的区域地下水脆弱性评价方法，建立了多指标的耦合评价模型，其中，使用遗传算法来优化BP神经网络，得到最优的GA-BP，GA-BP神经网络预测模型采用启发式的搜索方法，在全局解空间多区域内寻找最优解或近似最优解，避免BP神经网络初始权值和阈值随机产生而陷入局部最优解，导致网络训练失败的现象；通过GA-BP优化权重能够提高地下水脆弱性评价的准确性，GA-BP-DRASTICL模型最佳，减少了人为主观的影响，真正实现了客观赋权重，大大提高了多参数输入预测模型精准度和对参数获取差异性评价的鲁棒性，更能适应用于区域地下水脆弱性分析。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。