0 引言

近年来，随着国民经济不断发展，各地工业发展速度加快，环境问题日趋严重，土壤环境问题也日渐受到公众的重视。结合重金属的毒性、污染程度及受关注程度，本研究选择铅（Pb）、汞（Hg）、镉（Cd）、铬（Cr）、砷（As）5 种元素为主要研究对象，调查其在土壤中的现状含量，并预测若干年后的含量变化，评价其富集情况。为今后燃煤企业的布局、及燃煤点源周围居民区、农田布置提供思路。在以往的研究中，对土壤环境质量变化的研究主要侧重于现状研究与分析，污染预测具有很强的不确定性，某个影响因素的轻微变化，即可导致预测结果的巨大偏差，因此现阶段土壤污染预测方面的研究少之又少，预测模型和方法也屈指可数，多数研究无法对影响因素进行全面的把握。人工神经网络(Artificial Neural Network)是一个由大量简单的处理单元(神经元)广泛连接组成的人工网络，用来模拟大脑神经系统的结构和功能，它是一种能够建立输入量与输出量之间全局性非线性映射关系的分析方法，能从已知数据中自动归纳规则并获得数据的内在规律，目前主要应用于模式识别、人工智能等领域，并在环境评价和预测等方面的具体应用中表现出高于传统方法的精确度[1]。

因此，本研究选择BP神经网络法，输入层设置现状监测值、预测时间（电厂运行年份）、预测模式（无突变情景）3个神经元节点，并收集已发表论文中的相关数据进行学习训练和检验。能够在将电厂烟气排放作为主要影响因素的前提下，综合考虑到交通、工业、农业等影响因素，为今后的重金属定量预测研究提供新的思路和参考。

1 材料与方法

1.1 研究区概况

徐州市地处江苏省西北部、华北平原东南部，长江三角洲北翼，是江苏省地级市，是国家“一带一路”重要节点城市，淮海经济区中心城市，长江三角洲区域中心城市，徐州都市圈核心城市，国际新能源基地，有“中国工程机械之都”的美誉[2]。徐州市煤炭、电力的生产和供应工业属于优势增长部门，煤炭为竞争力较强的部门之一[3]。

本研究选择徐州茅村电厂作为研究对象。该电厂主要生产经营电力及相关产品，1975年开始筹建，1977年底建成投产第l台发电机组，到1987年底全部建成时，拥有4台125 MW和4台加200 MW国产燃煤机组，总装机容量为1300 MW。为当时全国第三大火力发电厂，是江苏电网和华东电网主力发电厂之一。属于国内运行时间较长的、规模较大的电厂，周围土地利用现状较为简单，且干扰较小，是理想的研究对象。

在盐胁迫下，敏感品种和耐受品种都存在特异转录因子，这可能是因为不同水稻品种在受到盐胁迫时可能采取不同的应对策略，来调节机体应对盐的生理活动，从而出现很多特异转录因子。此外，敏感品种和耐受品种应对盐胁迫时也有部分重叠的转录因子，这些重叠的转录因子可能是水稻对盐最基础响应的调控，起到基础性作用。这些特异转录因子和重叠转录因子的表达，从侧面说明水稻在盐胁迫时并不是由单个转录因子发生作用，而是有一系列转录因子参与胁迫应答，组成相互协调又相互抑制的调控网络。

1.2 土样采集与处理

本文的研究区以电厂烟囱为中心，地理坐标介于东经 117°26′65.37″～ 117°27′38.61″、 北纬 34°38′89.61″～ 34°40′11.73″之间，南北长约 4.5 km，东西宽约7.5 km，总面积约34 km2。研究区土地利用现状见图1。电厂周边土壤重金属污染主要受大气重金属沉降的影响，污染源为烟囱燃煤废气排放，根据HJ/T166—2004《土壤环境监测技术规范》，同时考虑研究区域现状、当地地理区位、地形地貌特征、常年风向及点源周围用地现状等因素，设置采样点见图1。以电厂烟囱为中心，共设采样点21个，其中上风向设点4个，下风向17个。在采样点周围利用多点采样方式，垂直采集0～20 cm的表层土壤，等量混合后，装入干净布袋，样品原始质量大于1 kg。Pb，Cd采用石墨炉原子吸收分光光度法检测，Hg，As采用原子荧光法检测，Cr采用火焰原子吸收分光光度法检测。

  

图1 采样点分布

1.3 样本数据收集

根据主成分分析法，得出研究区首要污染因子为成土自然地质因子，其次为燃煤电厂烟气影响，再次是汽车尾气及周围其他人为污染源输入造成的重金属叠加。因此，依据上述结果，考虑到数据是否能够量化、是否能够获取等因素，选取电厂土壤现状重金属监测值、电厂运行年份（运行年份=预测年份 -电厂运行年份）、预测模式（无突变情景）作为输入层。

考虑到数据获取方法和准确度方面的问题，收集国内外已发表的关于燃煤电厂周围土壤重金属含量论文中的监测数据，筛选以燃煤电厂烟气排放为主要重金属人为来源的案例，调查电厂投产生产时间，搜集当地背景值。因现状监测时间间隔较短，重金属含量难有明显区别，遂默认燃煤电厂运行时的背景值为监测值。根据电厂运行时间和现状监测采样时间计算电厂运行年份。对比现状监测值和背景值的差值，计算年平均变化量，判断预测模式，保留无突变情景的案例。无突变情景是指电厂规模基本保持不变，发电规模和现状基本一致，交通运输及居民活动排污状况保持不变的情况。将各研究现状监测的平均值作为输出层的预测结果输出。

本研究考虑数据的可得性和合理性，设置了3个输入层，分别为选取电厂土壤现状重金属监测值、预测年份（即电厂运行年份）、预测模式（无突变情景），1个输出层，为重金属预测含量。

1.4 BP网络的构建

BP网络的输入、输出层的神经元数目完全由使用要求来决定，本文根据基于可操作性和合理性，设置了3个输入层，分别为选取电厂土壤现状重金属监测值、预测年份（即电厂运行年份）、预测模式（无突变情景），1个输出层，为重金属预测含量。

Math Works公司推出的高性能数值计算可视化软件MATLAB软件具有程序可读性强、程序简单等特点，适于建立BP网络。在进行网络设计时，应从网络的层数、各层神经元个数以及学习方法等方面加以考虑，从而建立可靠的网络。

林强信说，我们其实是一家人，所以我一直都在关注着景花厂，关注着阿花和你。我要没猜错的话，你们现在又有了难处，对吧？

（3）取，n取整数。计算隐含层单元数为n的BP神经网络，得均方误差Mse2=7。

BP神经网络的实现主要考虑网络层数的确定、输入层节点数、输出层节点数、隐含层神经元节点数等几个因素。

1.4.1 网络结构的确定

收集各案例的土壤背景值、土壤重金属现状监测值、燃煤电厂运行时间3个数据，共收集数据80组，作为学习样本数据。将本研究的研究区域土壤重金属背景值和现状监测值作为测试样本，对模型进行检验。采用同样的BP神经网络预测模型结构，共构建5个重金属预测模型。

①北京市委组织部把生态清洁小流域建设、农村治污达标率作为各区县委、政府领导班子届中考核的指标，明确了地方政府责任。政府出台《关于推进山区小流域综合治理和关停废弃矿山生态修复的意见》（京政办发〔2006〕66 号），市发改委、市财政局每年从基本建设资金、水资源费和土地出让金中安排一定比例资金用于生态清洁小流域建设；投资标准从25万元/km2提高到 50万元/km2；制定废弃矿山治理规划，实现全市现有3 667 hm2废弃矿山全部生态修复，裸露矿山重新披绿；2014年标准又提高到 65万元/km2。

施肥和补播短期内对甘南高寒草甸草原的DM载畜量和DCP载畜量较好的促进作用，其中，补播有利于禾本科草类DM和DCP载畜量的增加，施肥在生长季后期(9月)对牧草DCP载畜量的促进作用较明显，施肥和补播对ME载畜量无明显促进作用。6月按照DM载畜量安排放牧，7，8和9月按照DCP载畜量安排放牧，才符合保护草地生态的目标。

BP(Back Propagation)神经网络由2部分组成：信息的正向传播与误差的反向传播。在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态[4]。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标[5]。

BP神经网络的隐含层神经元个数的确定过程较为复杂，目前如何选取最优的隐层神经元个数还没有完善的理论指导。本研究参考焦斌等[6]将经验公式和试凑法相结合的方法，应用如下：

（1）根据经验公式，确定隐含层单元数目的选取范围 n1≤n≤n2，即 2≤n≤12；

对电场周围土壤中重金属含量进行预测，就是通过建模进行训练，找出隐含在土壤重金属含量、电厂运行时间、当地发展模式和预测值之间的非线性映射关系。

当小象认出安吉，迈着笨拙的步子兴奋地朝安吉赶来的那个瞬间，是安吉一周里最幸福的时刻。又一个周三，安吉再次来到大象园，却没有看到等在栏杆里的熟悉的身影。

 

式中：m为输出端节点数；p为训练样本集的总体数目；为网络的期望输出；ypj为网络输出端实际输出值。

根据参考文献，患者留置尿管拔除前干扰膀胱收缩导致拔管后排尿困难的影响因素复杂，需要确认患者拔管后膀胱功能恢复情况，临床多通过间歇夹闭导管训练膀胱功能判断膀胱功能是否恢复良好，但目前尚无明确的医学循证。

（4）若 Mse1＜Mse2，则令 n1=n，；反之 Mse1，令 n2=n。

（5）若 n1＜ n2，则返回步骤（2），依次循环；反之，退出程序，算法结束。

按照上述算法，得到n为3，认为其为较优的隐含层单元个数。

建立3输入、1个输出、3隐含层的3层BP神经网络,其拓扑结构见图2。

  

图2 BP神经网络结构模型

1.4.2 学习速率的选取

学习速率决定每一次循环中所产生的权值变化量。为减少寻找学习速率的训练次数以及训练时间，本文采用变化的自适应学习速率，使网络的训练在不同的阶段自动设置不同学习速率的大小，初始学习速率为0.01。

1.4.3 样本数据的处理

通常情况下神经网络的输入向量在导入到神经网络之前需要进行数据归一化。由于原始数据中不同数据组间量纲不同、数量级相差较大的现象，所以如果把原始数据组直接输入网络，数量级比较大的数据组将会掩盖数量级比较小的，这就直接导致网络模型映射失真而得不到良好的训练结果。因此，为提高网络训练速度，需将样本数据映射到（0,1）之间进行归一化处理。常用的归一化方法有公式法和MATLAB函数法2种。两种方式都是现将样本数据的输入向量和输出向量都归一化到区间内，等网络模型期望输出的数据符合设定的要求后，再将输出的结果进行反归一化，最终输出值为和所需数据相同的数量级结果[7]。

1.4.4 网络的MATLAB实现

设计好的BP网络需要通过MATLAB软件来具体实现，在MATLAB环境下，BP网络的学习训练以及仿真程序设计主要是调用相应的函数。首先列出输入函数（金属监测值、电厂运行年份、预测模式）和目标向量（5种重金属预测值）。神经网络模型是选择S型函数作为输入层和隐含层、隐含层与输出层之间的传递函数。然后再进行学习训练，将检验样本输入值)代入网络模型，运用仿真函数simuff进行仿真，得出检验样本的仿真值。

碎片化信息在机器学习处理下成为知识库中的知识。现在问题是学习者获取的碎片化信息往往难以构成一个比较合理的语义关系图。例如学习者接触到“flower”时候，但是很长一段时间内也一直没有出现关系密切的“leaf”，机器学习的规则应能发现此问题并自动增补关系密切的知识变量。

2 结果与分析

2.1 BP网络模型的拟合度及仿真检验

（2）取以n=2，计算隐层节点数为2时的BP网络，得到网络的均方误差Mse1，以均方误差Mse作为选取节点数的性能评价参数。

使用80组数据将网络训练好之后，使用研究区土壤背景值和2015年采样监测值在无突变情境下进行检验，所得结果和实际测量结果误差见表1。结果显示5个模型的拟合精度在88.31%～98.52%之间，各模型精度较高。

 

表1 BP模型拟合误差

  

元素Hg As Cd Cr Pb实测值/（mg·kg-1）0.2807.080.36661.3543.27模拟值/（mg·kg-1）0.2767.210.39667.0548.33相对误差/%1.481.788.149.3011.69模拟精度/%98.5298.2291.8690.7088.31

2.2 基于BP神经网络的土壤重金属含量预测

在模型证明可用之后，运用模型，预测5，10，15 a后在无突变情况下各采样点的重金属含量结果见表2。

实践教育作为一种教育思想，需要找到适宜的课程载体，以使这种思想转化为具体的、常态化的教育行为。这个载体我以为非综合实践活动课程莫属。综合实践活动课程是新课程改革的亮点，它具有综合性、开放性、实践性、经验性、活动性、生成性等特点。它是基于学生的直接经验和体验，注重知识技能的综合运用，体现生活和活动对学生发展价值的实践性课程。

 

表2 无突变情景下土壤重金属含量预测结果统计mg·kg-1

  

时间现状5 a后10 a后20 a后项目范围中位数均值范围中位数均值范围中位数均值范围中位数均值ω（H g）0.11～0.500.280.30.20～0.650.360.370.23～0.650.380.390.27～0.610.360.38 ω（A s）4.53～9.977.217.236.51～12.978.829.046.87～12.528.909.347.07～10.238.348.51 ω（C d）0.14～1.270.350.40.22～1.350.390.430.29～1.180.430.460.38～1.070.470.50 ω（C r）43.71～130.4059.2963.3546.21～124.2260.6865.2656.89～127.9965.6370.4567.88～134.8275.6180.98 ω（P b）21.32～71.0942.1345.1226.58～64.7336.7039.9432.57～64.6641.2543.5535.08～58.6444.1344.49

在电厂规模基本保持不变、发电量和现状基本一致、除尘设备效率不继续提高升级、交通运输及居民活动排污状况基本保持不变，现有的生活生产方式继续延续的情况下，重金属的人为输入量和现状基本一致，主要来自于电厂烟尘排放、交通尾气排放和某处矿山的影响。无突变情景下，土壤重金属含量逐渐升高，20 a后，研究区土壤监测点位Cd全部超标。Hg超标率在2035年达到95.24%。其余3种元素虽未超标，但其含量也不断升高，重金属富集情况不断恶化。

2.3 土壤重金属富集情况评价

采用地积累指数（I geo）法评价研究区土壤重金属的污染程度，其优势是考虑到背景值，能较为明显得反映出各个元素的富集情况，并将污染程度分级。I geo评价结果见表3。I geo≤0为清洁，0＜I geo≤1为轻度污染，1＜I geo≤2为偏中污染，2＜I geo≤3为中度污染，3＜I geo≤4为偏重污染，4＜I geo≤5为重度污染，I geo≥5为严重污染。无突变情景下，研究区各种金属元素I geo值整体升高，其中Hg元素在10a后由轻度污染变为偏中污染，说明电厂周围土壤受到电厂烟尘排放影响最大。虽然Cd的值仍为轻度污染，但由于Cd元素的背景值较高，所以其含量仍超二级标准。

 

表3 无突变情景下研究区土壤重金属L geo

  

时间现状5 a后10 a后20 a后H g 0.560.961.041.01 A s 0.330.680.720.59 C d 0.440.680.770.89 C r 0.350.430.540.75 Pb 0.540.420.550.58

污染负荷指数法（pollution load index，PLI）能直观地反映出多种重金属对环境污染的贡献以及它们在时间、空间上的变化趋势。本研究采用李一蒙等[8]调整后包含轻度污染等级的分级标准：PLI≤1为无污染，1＜PLI≤2为轻度污染，2＜PLI≤3为中度污染，PLI≥3为重度污染。研究区现状PLI值为 1.36， 根据预测，5，10，20 a 后的区域 PLI值为1.50，1.62，1.68，仍旧为轻度污染，但数值升高明显，表明研究区重金属污染程度逐渐严重。无突变情景下，各个采样点的PLI值整体表现为升高趋势，5 a后研究区内不存在清洁点位，所有点位都为轻度污染或中度污染。使用Golden Software Surfer 8.0绘制的PLI等值线图，见图3。由图3可以看出，由于燃煤电厂烟尘排放的影响，在烟囱下风向1～2 km范围内土壤重金属PLI值逐渐升高，上风向变化不大。

  

图3 研究区PLI等值线变化对比

3 结论

（1）利用 MATLAB 建立 3输入、1个输出、3隐含层的3层BP神经网络，收集80组已发表论文中以电厂为主要污染物的相似案例作为学习样本，通过学习训练，使用研究区背景值和现状监测值进行检验，Hg，As，Cd，Cr，Pb 5 个元素的模拟精度达到98.52%，98.22%，91.86%，90.70%，88.31%， 精度较高，证明建立的BP神经网络具有较强的非线性函数处理能力、自组织能力、自学习能力，可用作研究区重金属含量预测。

（2）根据BP神经网络预测结果，在无突变情境下，5，10，15 a后研究区各元素含量整体上升。5 a后，所有监测点Hg，Cd的含量均超过土壤环境质量二级标准，10 a和20 a后各重金属含量继续升高。当地应注重Hg，Cd的土壤修复及防治。

（3）利用I geo和PLI对研究区无突变情况下土壤富集情况进行评价，不难看出，研究区各种金属元素富集情况逐渐加重。Hg含量受到电厂烟气排放影响最为严重，10 a后，Hg的I geo值仍为中度污染。5 a后研究区PLI不再存在无污染区域，由于燃煤电厂烟尘排放的影响，在烟囱下风向1～2 km范围内土壤重金属PLI值逐渐升高，上风向变化不大。

现将我院2016年6月到2017年6月的收治的66例急性心肌梗死患者作为研究对象,将其平均分成两组,观察组和对照组分别为33例患者。观察组有17例男性患者,16例女性患者,年龄在42-76岁之间,平均年龄为(54.6±1.7)岁,其中下壁梗死12例,广泛前壁梗死7例,前间壁梗死14例;对照组有19例男性患者,14例女性患者,年龄在39-72岁之间,平均年龄为(48.7±2.1)岁,其中下壁梗死患者16例,广泛前壁梗死9例,前间壁梗死8例。这其中已经排除药物过敏患者、有感染类疾病的患者以及心、肝功能不正常的患者。将两组患者进行对比,无明显差异,不具备统计学意义(P>0.05),可以进行比较。

[参考文献]

[1]王立威.人工神经网络隐层神经元数的确定[D].重庆：重庆大学，2012.

[2]洪银兴,安虎森,孙久文,等.“一带一路”战略与区域性中心城市建设[J].江苏师范大学学报(自然科学版),2017,35(1):1-4.

[3]尹思思.基于灰色分析方法的徐州矿产资源型城市产业接续研究[D].南京：南京林业大学,2012.

[4]LID,ZHANG H,LIANG S,et al.GAS RECOGNITION METHOD BASED ON COMPRESSIVE PERCEPTION THEORY:China，WO/2014/194482[P].2014-11-12.

[5]尹 博,张 灵,陈思平,等.基于敏感部位检测的色情图像识别方法:中国,102184419 B[P].2011-09-14.

[6]焦 斌,叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报,2013，16(3):113-116.

[7]郭阳阳.基于神经网络的海南变电站土壤对Q235钢的腐蚀预测研究[D].北京：华北电力大学，2016.

[8]李一蒙,马建华,刘德新,等.开封城市土壤重金属污染及潜在生态风险评价[J].环境科学,2015(3):1037-1044.