[发明专利]一种基于SOM分类技术的河口流域水环境质量评价方法

说明书

技术领域

本发明涉及河口水环境质量评价方法，属于水环境水质分类评价技术领域。

背景技术

在水质量评价中，最重要也最难处理的是水的物理、化学、生物等特征分析。目前国内的常用的方法有分级加权平均法、模糊数学法、灰色系统理论方法、主成分分析法等，这些方法都是基于一定的数学基础和理论依据，其结果也大都是以数字的形式给出。如果想要以可视化的方法将结果直观的显示出来就要借助其他的软件工具，如GIS、PowerBuilder等，并且需要在应用前先将结果或部分结果计算出来再导入该软件中进行可视化，步骤较多，而且往往不便于一个较大的区域的水质评价，因为评价区域越大，水质情况越复杂，需要设置的采样站点和采样的项目也越多。此外，上述方法分析的主观性强，定量化程度不高，结果精度严重依赖于研究者的经验能力，且对数据深层次的挖掘不够。

在神经网络中，SOM网络全称自组织特征映射网络(self-organizingfeaturemap)，是由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出。他认为当一个神经网络接受外界输入模式时将会自动分为不同的对应区域，而各区域对输入模式也都有各自不同的响应特征，这就是SOM网络的建立基础。

SOM算法是一种无导师聚类法，在没有指引示范的情况下，它能将任意维输入模式(矢量)在输出层映射成一维或者二维的离散图，并保持其拓扑结构不变。再通过对输入模式的反复学习，可以使连接权值空间分布密度与输入模式的概率分布趋于一致，从而反应输入模式的统计特征。它具有自稳定性，无需外界给出评价函数，能够识别向量空间中最有意义的特征，抗噪音能力强。SOM网络作为一种竞争型神经网络，主要特点为：处理的数据量大、复杂数据的降维简化、拓扑有序、数据的分类、可视化的结果显示、过程的可控制性。

SOM网络自诞生以来，已经得到了大量的应用，应用SOM分类方法可以有助于城市功能人口分类，也可以提高遥感影像的分类解译精度和高光谱影像混合像元的分解精度。由于SOM较高的分类精度，其技术方法已经逐渐引入对环境质量的评价中。SOM具有的一种以拓扑有序的方式将任意维输入模式变换为一维或者二维特征映射的特点，这在水质分析中具有一定的优势，加上MATLAB软件的SOM工具箱的应用，其过程更为方面，结果更为直观，因而在水环境评价中也得到了不错的应用。

但应当指出，目前国内在对河口湿地水生态环境研究中，尚未有将SOM神经网络模型与GIS进行系统级别的无缝集成，生成具有生态环境智能评价、并能将成果快速以电子地图方式显示和输出等功能的实用电子自动化系统出现。

发明内容

针对上述问题，本发明提供了一种基于SOM算法集成GIS技术的流域水环境质量评价系统的构建方法，其是通过开发平台搭建系统基本框架，集成GIS处理地理信息的功能，模块化SOM分类技术，提高水质分类评价精度，实现对水环境信息快速处理、评价和地图可视化并输出的功能，为水质评价提供科学依据。

为达到上述目的，本发明采取的具体技术方案为：

一种基于SOM分类技术的河口流域水环境质量评价方法，其特征在于，包括以下步骤：

步骤一、利用数据采集设备收集河口流域水质数据，并获取相应河口流域的空间地理数据；

步骤二、对上述获取的水质数据和相应的空间地理数据进行预处理，编制为数据表格，该数据表格包括站位的点号和对应的经纬度数据；

步骤三、利用图像处理模块对步骤一中所述的地理图层做颜色修饰和叠放顺序调整，形成水质分析底图，再通过数据处理模块导入步骤二中所述的数据表格，根据站位的经纬度数据将水质数据生成为点数据图层；

步骤四、利用SOM分类功能对步骤一中所述的水质数据进行计算分类，具体计算过程为：

(1)将每个站位点的指标数据存入数组，使样本数据转换为样本向量，设样本数量为m，样本指标数为n，即样本向量为n维，转换公式如下：

X_i＝(x_i1,x_i2,...,x_in)^T,i＝1,2,...,m(1)

(2)用计算机随机生成初始权值矩阵W，设分类类别为s：

W_i＝(x_i1,x_i2,...,x_in)^T,i＝1,2,...,s(2)

(3)根据公式(3)对样本向量和每一个权值向量进行归一化处理，得到结果和