基于ANN与GIS耦合技术的地下水污染敏感性评价.pdf

第3 5 卷第4 期 中国矿业大学学报 v 0 1 ．3 5N o ．4 2 0 0 6 年7 月J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y J u l ．2 0 0 6 文章编号1 0 0 0 1 9 6 4 2 0 0 6 0 4 0 4 3 1 0 6 基于A N N 与G I S 耦合技术的地下水 武 污染敏感性评价 强，戴国锋，吕华，马振民，赵增敏，王志强 中国矿业大学资源与安全工程学院，北京 1 0 0 0 8 3 摘要地下水污染敏感性分析及其制图是目前国际水文地质研究的热点和前沿课题，也是防治地 下水污染问题工作的前导．根据研究区域内地下水污染特征，提出了多因子组合条件下地下水污 染敏感性分析的定量化方法，结合选定的评价因子类别确定了人工神经网络 A N N 模型的结构， 获取各评价子专题层的权重系数，在此基础上运用地理信息系统 G I S 与人工神经网络耦合技术 对各子专题层进行加权复合叠加，构建出污染敏感性分析模型，并据此提出了研究区域地下水污 染敏感性分区评价成果图． 关键词人工神经网络；非线性；地下水；敏感性；地理信息系统 中图分类号P6 4 1文献标识码A S t u d yo fV u l n e r a b i l i t yE v a l u a t i o nt oC o n t a m i n a t i o no f G r o u n d w a t e rB a s e do nT e c h n i q u eo fA N N G I S W UQ i a n g ，D A IG u o f e n g ，L VH u a ，M AZ h e n m i n ， Z H A OZ e n g - m i n 。W A N GZ h i q i a n g S c h o o lo fR e s o u r c e sa n dS a f e t yE n g i n e e r i n g ，C h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ，B e i j i n g1 0 0 0 8 3 ，C h i n a A b s t r a c t T h ee v a l u a t i o na n dm a p p i n gf o rt h ev u l n e r a b i l i t yo fc o n t a m i n a t i o no fg r o u n d w a t e ra r e i m p o r t a n c ef o rh y d r o g e o l o g i c a ls t u d i e s ．I nt h i sp a p e r ，am e t h o du s i n ga nA N N G I Sc o u p l e dr o o d e lt oa n a l y z et h ev u l n e r a b i l i t yt oc o n t a m i n a t i o no fg r o u n d w a t e rw a sp r e s e n t e d ．C o m b i n i n gt h es e l e c t e ds p e c i f i e df a c t o r s ，as t r u c t u r eo fA N Nm o d e lw a sp r o p o s e da n dt h ew e i g h t i n gc o e f f i c i e n t s o fe a c ht h e m a t i cl a y e rw e r ea l s oa c q u i r e d ．B a s e do nt h et e c h n i q u eo fA N N G I S 。t h et h e m a t i cl a y e r sw e r es u p e r i m p o s e da c c o r d i n gt ot h er e s p e c t i v ew e i g h t ，a n dae v a l u a t i o nm o d e lo fv u l n e r a b i l i t yt oc o n t a m i n a t i o no fg r o u n d w a t e rw a se s t a b l i s h e d ．F i n a l l y ，t h ev u l n e r a b i l i t ye v a l u a t i o nt oc o n t a m i n a t i o no fg r o u n d w a t e ri nac a s es t u d yw a sp r e s e n t e d ． K e yw o r d s a r t i f i c i a ln e u r a ln e t w o r k ；n o n l i n e a r ；g r o u n d w a t e r ；v u l n e r a b i l i t y ；G I S 水资源是人类赖以生存的最重要的自然资源 之一，据已有监测资料表明，我国许多城市的地下 水已受到不同程度的污染，而污染的形成与分布规 律还不十分清楚，致使长期以来地下水污染敏感性 分析成为一个难以解决的课题．而基于A N N 与 G I S 耦合技术给解决这一问题提供了一种新的研 究方法，其污染敏感性的分析为自然环境、社会经 济等方面提供了管理决策的重要依据． 为了有效管理和保护地下水资源，划分易于被 人为活动影响的区域，进行有机污染敏感性分区已 成为环境管理、环境监测和保护部门必不可缺少的 手段．本文根据研究区的水文地质条件、水化学条 收稿日期2 0 0 5 一0 5 2 6 基金项目教育部科学技术研究重大培养项目 2 0 0 4 2 9 5 ；教育部跨世纪优秀人才基金项目 2 0 0 0 3 作者简介武强 1 9 5 9 一 ，男，内蒙古自治区清水河县人，教授，博士生导师，从事水资源与水环境方面的研究． E - m a i l w u q c u m t b ．e d u ．c nT e l 0 1 0 6 2 3 1 4 6 8 1 万方数据 4 3 2中国矿业大学学报 第3 5 卷 件及污染物特性等情况的局部差异，以G I S 的空 间数据统计分析功能为操作平台，针对现行地下水 污染的敏感性分析模型的不足，将A N N 技术引入 到地下水污染的敏感性评价中，作为一种新的评价 方法而加以研究． 国外地下水敏感性评价中，最典型的是美国环 境保护署于1 9 8 7 年由A l l e r 等提出的地下水敏感 性评价的D R A S T I C 模型，该模型主要考虑了地下 水面深度、净补给量、包气带性质、含水层导水系数 等参数．D R A S T I C 模型是一种权重一评分法，每一 个参数给定了一个相对权重值 其范围为1 ～5 ， 以反映各个参数的相对重要程度．评价过程中将各 参数的评分值和各自赋权的乘积迭加得出敏感性 综合指数，然后根据综合指数值的大小进行地下水 敏感性分析和评价．而国内地下水敏感性研究起步 较晚，但发展很快，目前国内研究大多局限于直接 引用D R A S T I C 模型或在D R A S T I C 模型的基础 上修改参数进行评价．无论是D R A S T I C 模型还是 改进的D R A S T I C 模型，评价过程中参数权重值均 为固定的常数 其范围为1 ～5 ，这并不能客观地 ，反映出不同研究区各评价因子对敏感性的真实影 响程度，即难以克服评价因子权重确定过程中人为 经验因素的影响．因此，现行模型中评价因子的权 重系数不能够针对不同研究区做出相应的调整及 根据地下水敏感性特点实现权重动态变化，得到的 评价结果不能真实反映地下水系统的污染敏感性 特征，这是目前国内外地下水敏感性评价模型的一 个重要缺陷． ～ 1 研究区域概况 研究区域位于山东济南市东部，是该市大型水 源地补给区之一，区域地下水环境具有高度的敏感 性．中国石油化工总公司某炼油厂坐落于此，由于 不合理的生产和生活活动，尤其是污水的不合理排 放，诸如在生产过程中的跑、冒、滴、漏，以及炼油厂 周边广大区域内排污渠道渗漏、垃圾堆放场的淋 渗、生活污水坑、工业污水坑的渗漏等分散污染源 的存在，这对地下水环境产生严重影响，常会造成 地下水中的污染组分含量迅速升高，污染范围不断 扩大，水化学类型显著改变．这些严重制约着工农 业生产的发展，危害人民的身体健康． 研究区域在地貌上属于构造剥蚀低山丘陵区 和山前倾斜冲洪积平原的过渡带，地形南高北低， 三面环山．本区域属暖温带大陆性气候，年平均降 水量为6 5 0m m ，降水集中在7 至9 月，占全年降水 量的5 7 ．8o A ． 区域内主要发育有第四系、奥陶系石灰岩及燕 山期火成岩3 种地层．第四系主要分布在研究区的 山间沟谷、山前及北部的广大地区；奥陶系石灰岩 在炼油厂厂区和以南地区出露地表，厂区以北隐伏 于第四系以下；局部零星分布的火成岩侵入体皆隐 伏于第四系以下．在研究区域内广泛发育的奥陶系 灰岩含水层岩溶裂隙发育，渗透性较强，富水性中 等，为研究区域的主要含水层；该石灰岩层倾向北， 倾角1 0 。左右．岩溶水含水层主要接受研究区以南 石灰岩裸露补给区域的地下水径流补给及大气降 水补给，地下水流向由南向北，局部为由南西向北 东，炼油厂所在地段地下水水力坡度平均值为 2 ．5 ‰，地下水排泄以人工开采为主．地下水水位埋 深2 0 ～4 0m ，地下水水位变化受大气降水和人为 周期性开采控制，具有枯水期与丰水期周期性交替 变化的特点． 2A N N 技术的特点 A N N 是在现代神经科学研究成果的基础上， 根据对人脑的组织结构、功能特征进行模仿而发展 起来的一种新型信息处理系统和计算体系口] ．它属 于高维非线性动力学系统范畴，可实现输入到输出 之间的高度非线性映射，具有良好的自适应、自组 织特征及较强的学习和容错能力，能通过学习人为 给定的样本范例而获取知识[ 2 ] ．A N N 的这些特征 有助于消除或降低目前地下水有机污染的敏感性 分析过程中不确定因素的影响，同时也预示了其在 该领域中的应用前景． 。3G I S 的特点 G I S 是采集、存储、管理、分析和描述整个或部 分地球表面的，与空间和地理分布有关的数据的空 间信息系统，除具有完备的空间特性外，还具有极 强的空间信息综合分析能力，是地理分析的有力工 具．G I S 不仅能完成管理大量的地理数据的任务， 还能完成地理分析、评价、预测和辅助决策的任务． 4A N N 与G I S 耦合技术在地下水敏感性 评价中的应用 利用有限的检出数据，对地下水污染敏感性状 况进行评价，具有影响因素多、条件不精确、数据不 全面的特点．由于A N N 具有大规模并行、分布式 存储和处理、自组织、自适应能力，特别适于处理需 要同时考虑许多因素和条件的不精确和模糊的信 万方数据 第4 期武强等基于A N N 与G I S 耦合技术的地下水污染敏感性评价4 3 3 息处理问题；而G I S 具有强大的空间查询、空间分 析、以及对数据空间属性的表达和存储的独特功 能．将A N N 与G I S 耦合可以很好地发挥出它们各 自的优势．A N N 与G I S 耦合技术，就是利用G I S 强大的空间信息处理功能，对各种图形信息进行量 化，提取数据，为A N N 提供必需的输入和训练条 件，用A N N 分析模型对数据进行处理，采用非线 性的方式描述各评价因素之间的关系，确定其决策 权重，再应用G I S 的空间查询和分析功能对A N N 的输出进行处理，以可视化的地图的形式，给出地 下水污染敏感性在空间上分布结果，流程见图1 ． 影响地下水敏感性的主控因素研究 选取主控因素 根据所选定的主控因 素，应用人工神经网络技 术确定各主控因素对地下 水污染敏感性的权重系数 影响因素专题图 搿| | 豁忖给I l 鲁麓性质| | 埋深I | H 。””。1 | 导水性 建立敏感性耦合评价模型 评价结果成图、输出 图1A N N 与G I S 耦合模型工作流程 F i g ．1 A N N G I Sc o u p l e dm o d e lw o r kf l o wc h a r t 4 ．1 影响污染敏感性的主控因素 导致地下水污染的因素很多，包括地质、水文 地质、污染物排放条件及物理化学性质等，它不仅 包括包气带、含水层的特征，也包括含水层净补给 量等E a ] ．主控因素的选择是污染敏感性本质的反 映，它不仅决定了预测神经网络模型的输入层结 构，同时也影响着分析评价的准确性．事实上，地下 水污染敏感性可以理解为地下水对有碍于其使用 价值的人为活动的敏感性，即抵御人为污染的能 力Ⅲ． 本次研究在详细地分析了影响研究区污染敏 感性的诸多影响因素的基础上[ 5 。8 ] ，选择了对污染 敏感性有重要影响的包气带介质性质 厶 、地下 水埋深 I 。 、净补给 J 。 、含水层导水性 I t 作为4 大主控因素． 4 ．2 主控因素影响分析及其量化 根据各主控因素对地下水污染敏感性影响程 度的大小，对研究区内各主控因素值进行量化，利 用G I S 对各种主控因素建立子专题图层，并进行 图形信息空间量化处理分析．各主控因素的含义及 量化方法如下． 4 ．2 ．1 包气带介质的影响 包气带是指水位线以上的非饱和区或非连续 饱和区．包气带介质的类型决定了渗流路径的长度 和路线、污染物在迁移过程的稀释、吸附、降解及物 理化学反应等．包气带内的任何裂隙对渗流路线起 控制作用．本次研究中，对包气带介质影响强度的 量化是根据研究区中不同评价单元内包气带介质 的性质特征进行划分的，量化时选择对敏感性有显 著影响的介质层．当有多层介质时，则考虑各层介 质的相对厚度以及各层介质对敏感性的影响大小． 量化结果如图2 a ．1 研究区北部包气带介质中黏 ‘土层稳定分布，平均厚度在5 ～8m 之间，且黏土 层以下石灰岩风化带中岩石的节理与裂隙多被黏 土充填，一般充填带厚度1 0m 左右，包气带介质 中黏土层和充填带较厚且透水性很弱，所以能够作 为阻隔污染物向下运移的良好屏障，有利于提高地 下水防护能力，其赋值为1 ．0 ；2 对于包气带介质 为固结岩石的，考虑其裂隙、节理、溶洞的发育程度 进行量化．由于研究区中南部包气带介质为奥陶系 灰岩，该层灰岩岩性较脆，节理及岩溶裂隙发育，对 地表污染防护能力较低，从而对地下水污染敏感性 的影响很大，故将其赋值为6 ．0 ；3 研究区域中部 地区包气带介质上层是黄土状亚沙土，下层是红黏 土，在这种二元结构中由于红黏土能够有效地限制 着污染物向含水层迁移，其对敏感性的影响较大， 故选择红黏土作为包气带介质，其赋值为2 ．0 ；4 研究区内第四系黄土状亚沙土广泛分布，该层发育 较为均匀，上部含沙量较高，向下黏质成分增高．由 于黄土状亚沙土限制着污染物向含水层迁移的能 力介于红黏土和灰岩之间，其赋值为4 ．0 ． 4 ．2 ．2 地下水埋深 地下水埋深决定着污染物到达含水层之前所 经过的距离及与周围介质接触的时间．通常地下水 埋深越大，污染物到达含水层所需时间越长，则污 染物稀释机会越多，这同样适用于承压含水层．显 然，非承压含水层由于接近地表，最易被污染．承压 含水层具有天然防止污染物从地表渗入的性质，其 敏感性较低．对于承压含水层，地下水埋深指地表 蓟含水层顶板即承压层底板的深度．对非承压含水 层，其埋深则指地表至等水位线的深度．根据地下 水埋深的大小将研究区进行划分，量化结果如图 2 b ．1 对于埋深小于2 5m 的地区，赋值为5 ．0 ；2 对于埋深为2 5 ～3 0m 的地区，赋值为4 ．0 ；3 对于 埋深为3 0 ～3 5m 的地区，赋值为3 ．0 ；4 对于埋深 大于3 5m 的地区，赋值为2 ．0 ． 4 ．2 ．3 净补给 净补给指单位面积内渗入地表并达到含水层 万方数据 4 3 4 中国矿业大学学报第3 5 卷 的总水量，而且这里净补给量指年均补给量．污染 物通过补给水垂直传输到含水层并在含水层内水 平运移，因此，补给水是污染物运移到含水层的主 要载体．补给量越大，地下水污染的潜势越大．研究 区属暖温带季风大陆性气候，年均降水量为 6 5 0m m ．量化过程中对于净补给影响程度的大小 依据研究区年均降水量乘以评价单元的有效入渗 系数来划分，如图2 c ．1 区域内的裸露灰岩和第四 系厚度覆盖较薄的部位内，有效补给量约为 2 7 3m m ／a ，大气降水可以直接渗入地下，对地下水 污染的潜势较大，将其赋值为6 ．0 ；2 研究区向北 第四系厚度逐渐增大，完全被第四系覆盖的北部地 区有效补给量约为1 4 3m m ／a ，地下水被污染的潜 势相对较小，故将其赋值为3 ．0 ；3 位于灰岩裸露 地区和第四系完全覆盖之间的过渡带，有效补给量 约为2 0 8m m ／a ，地下水被污染的潜势介于二者之 间，则将其赋值为4 ．0 ． 4 ．2 ．4含水渗透性 污染物在含水层中的运移路线及运移路径的 长度由含水层介质控制，从而又影响着污染物的稀 释、吸附、分散、降解程度．一般而言，含水层介质的 颗粒尺寸越大或裂隙和溶洞越大，其渗透性越强， 含水层的敏感性越高．研究区域内奥陶系灰岩含水 层稳定发育，奥陶系灰岩是研究区域的主要含水 层．本次研究中考虑灰岩含水层中节理裂隙的发育 程度不同，根据含水层渗透性的相对差异情况进行 量化评分，如图2 d ．1 对于含水层灰岩节理及岩 溶裂隙发育，渗透性相对较大地区，赋值为4 ．0 ；2 对于研究区东南部灰岩含水层，由于火成岩的侵 入，在一定程度上阻碍了地下水的运移，起到了相 对的阻水作用，所以地下水敏感性较低，将其赋值 为2 ．0 ；3 对于含水层渗透性大小介于上述2 种含 水层之间的过渡地区，由于含水层中部分节理裂隙 被充填，含水层节理及岩溶裂隙一般发育，地下水 敏感性亦介于两者之间，故将该地区赋值为3 ．0 ． 图2研究区域地下水敏感性的各主控因素量化 F i g ．2 M a po fm a i nf a c t o rs c o r e so fv u l n e r a b i l i t yt Og r o u n d w a t e ri nr e s e a r c ha r e a 4 ．3 提取训练样本点数据 对A N N 进行训练，首先要提供一组训练样 本，其中的每个样本由输入样本与理想输出对组 成．根据研究区地下水污染敏感性的特征，进行专 题数据调查，逐一提取各主控因素的量值，在此基 础之上对各主控因素的量值分别进行评分，形成 2 0 套输入输出训练集数据序列 z 。，z ，⋯，X 。；t 。， t ，⋯，t 。 ，为A N N 训练提供必需的输入和训练 条件． 4 ．4 通过A N N 确定各主控因素权重系数 根据对评价区污染敏感性特征的综合研究，采 用改进的有选择的B P 网络模型有3 层输入层、 隐含层和输出层，输入层和隐含层各有4 个神经 元，输出层有1 个神经元．其网络结构如图3 所示． 评价过程中，取样本点数据对神经网络进行训 练．根据训练集数据序列，利用人工神经网络的自 适应与学习功能，以简单函数的多次迭代，实现对 映射函数，的逐次逼近，最终得到满意的预测模 型．当所有实际输出与其理想输出的误差的均方根 E ，≤0 ．0 1 时，表明训练结束；否则，通过修正权 值，使网络的实际输出与理想输出一致．取隐含层 及输出层的学习率均为0 ．6 ，当经若干次训练后， 其误差均方根E { 一9 ．9 8 60 3 15 0 28 5 13 5 6 l O ～， 达到精度要求，训练结束，各神经元间的连接权值 得以确定． 输入层f隐层々 输出层， 图3B P 人工神经网络结构示意图 F i g ．3M a po fB PA N Ns t r u c t u r es k e t c h 根据下列公式 1 ～ 5 对各神经元之间的权 重加以分析处理，便可得到输入因素对输出因素的 万方数据 第4 期 武强等基于A N N 与G I S 耦合技术的地下水污染敏感性评价4 3 5 决策权重，即权重系数 如表1 ．结果表明研究区 的地下水污染敏感性明显地受水文地质条件控制． 包气带介质、地下水埋深和含水层导水性特征是影 响地下水污染敏感性的最主要因素，这与区内地下 水污染敏感性特征是一致的． 1 显著相关系数 r i 。一∑W “ 1 ～e - X ／ 1 e - X ， 1 l X W j k ． 2 2 相关指数 R 。， I 1 一e - ， ／ 1 e - ， l ， 3 Y r “ 4 3 绝对影响系数 S 。。一R i ，／∑R p 5 i l 表1评价因子对地下水污染敏感性影响的权重系数 T a b l e1 W e i g h tso fs u b f a c t o r so f v u l n e r a b i l i t yt og r o u n d w a t e r 4 ．5 应用G I S 对多源空间地学信息进行复合叠 加 利用G I S 的强大的空间分析功能，将包含有 各主控因素关键属性的同一地区、统一比例尺的多 个专题图层进行空间复合叠加，生成一个新的数据 层，新数据层的各要素具有各叠加专题层要素的多 重属性和各叠加专题层要素属性的统计特征． 4 ．6 地下水污染敏感性指数计算 引入敏感性指数S 来对地下水污染敏感性进 行评价，敏感性综合评价指数的定义为某单元上的 各种主控因素对地下水污染敏感性的影响总和，可 用如下模型描述 S 一∑s i J i ， 式中S 为地下水污染敏感性指数；J 。为第i 个主控 因素子的相对权重；S i 为第i 个主控因素的敏感性 程度． 在A N N - G I S 耦合模型中，选择包含有各主控 因素的规则的、区域一致的多个专题图层的属性数 据进行数学计算，将各主控因素专题层的评价单元 量化分值分别与各自的权重系数值相乘，再按上述 公式得出研究区各评价单元的地下水污染敏感性 指数值． 4 ．7 确定分区阈值 根据上面计算得出的研究区内各评价单元的 污染敏感性指数，利用G I S 强大的统计特征，通过 G I S 的属性统计功能，可以得到地下水污染敏感性 指数的累计频数统计纵向直方图 图4 ，依据直方 图的统计分析特征，从而确定地下水污染敏感性的 分区阈值．即敏感性高的分区8 7 ．5 、敏感性较高 的分区6 ．4 S 7 ．5 、敏感性中等的分区5 ．4 S 6 ．4 、敏感性较低的分区4 ．3 S 5 ．4 和敏感性低 的分区S 4 ．3 ． 图4地下水污染敏感性指数的累计频数统计直方图 F i g ．4 C o l u m nc h a r to ft o t a lf r e q u e n c yo f v u l n e r a b i l i t yi n d e xt Og r o u n d w a t e r 4 ．8 地下水污染敏感性分区评价 利用G I S 强大的空间分析功能，根据上述频 数统计的直方图的阈值，定义地下水污染敏感性的 分区上下限，将研究区域划分为敏感性高、敏感性 较高、敏感性中等、敏感性较低和敏感性低5 个区 域，从而得到地下水污染敏感性的评价分区成果图 图5 ． 图5地下水污染敏感性分区成果 F i g ．5 E s t i m a t e dz o n e so fv u l n e r a b i l i t yi n d e xt O g r o u n d w a t e rp o l l u t i o n 1 敏感性低和较低区主要分布在炼油厂以 南、历城车站以北的广大地带，面积分别为 0 ．4 5 89k m 2 和3 ．2 6 73k m 2 ，共占据研究区面积的 3 9 ．4 5 ％．这个地区虽然地下水埋深不是很大，不有 利于降低地下水敏感性，但该区净补给量小，尤其 是包气带介质中有较厚的黏土层稳定分布，并且包 气带中灰岩风化裂隙多被黏土充填，因此其透水性 很弱，这有利于阻隔污染物向下运移。所以该区地 下水抗污染能力强，比较适合石油化工业的发展． 2 敏感性中等区主要分布在黄河石料厂、历 城水泥厂、济南炼油厂和烈士山一线以南大部分地 区，面积为3 ．8 5 56k m 2 ，占据研究区面积的 4 0 ．8 3 ％．由于这个地区地下水埋深较大，有利于降 万方数据 4 3 6中国矿业大学学报第3 5 卷 低地下水敏感性，但该区包气带介质主要为黄土状 亚沙土和半裸露灰岩，其透水性较强，加之含水层 导水性相对较强，这不利于提高地下水的防护能 力，所以综合各因素影响程度，该区地下水敏感性 中等，比较适合做居民区级及食品工业、机制加工 等工业区． 3 敏感性高和较高区主要分布在烈士山、义 和庄周围、黄河石料厂以南和安家庄以北的部分地 区，面积分别为0 ．3 3 60k m 2 和1 ．5 2 63k m 2 ，分别 占研究区面积的3 ．5 6 ％和1 6 ．1 6 ％．这些地区净补 给量和含水层导水性较大，且包气带介质多为裸露 灰岩，其节理及岩溶裂隙发育，对地表污染防护能 力较低，因此这些区域地下水敏感性偏高，地下水 最容易遭受污染，所以从长远发展的角度，应严格 限制建立新的厂矿和集中居民区，以减小污染负 荷． 5 结论 1 A N N 模型能够从样本训练数据序列的反 复学习中主动调整自身的连接权值，实现模型系统 参数的优化，获得从主控因素组合到污染敏感性之 间非线性映射关系，得出主控因素权重系数，从而 降低了评价预测过程中人为经验因素的影响．这是 其他分析模型难以具备的优点，同时也显示A N N 技术在处理复杂系统评价问题中的强大潜力． 2 地下水污染敏感性受控于多个因子，加之 评价因子的数值获取困难，G I S 技术的运用提高 了评价因子数值量化和获取的效率，缩短了地下水 污染敏感性评价的周期．G I S 的地理分析模型，在 地下水污染敏感性分析评价中展了卓有成效的应 用，成为现代敏感性评价预测的重要操作平台和定 量化的有效工具． 3 研究区域地下水敏感性高和较高区面积相 对较小，而敏感性偏低和中等区占绝大部分，且分 布较为集中．从分析评价结果来看，研究区域地下 水敏感性明显地受水文地质条件控制．包气带介 质、地下水埋深和含水层导水性特征是影响地下水 污染敏感性的最主要因素，而净补给的影响程度较 小，这与区域内地下水污染敏感性特征是一致的． 4 将A N N 和G I S 耦合技术作为一种新评价 方法，引入到地下水污染的敏感性评价中，有效地 弥补了现行地下水污染的敏感性分析模型的不足， 其分析评价成果可为自然环境、社会经济等方面提 供管理决策的重要依据．实践结果证明，将A N N 和G I S 耦合技术应用于地下水污染敏感性评价预 测是可行的，且具有较高的可信度．它为该问题的 解决提供了一条新途径，取得了良好的效果，具有 重要的理论和实践意义． 参考文献 C 1 ] 陈守余，周梅春．人工神经网络模拟实现与应用[ M ] ． 武汉中国地质大学出版社，2 0 0 0 1 3 6 ． F 2 ]阎平凡，张长水．人工神经网络与模拟进化计算[ M ] ． 北京清华大学出版社，2 0 0 0 1 - 3 2 ． [ 3 ] A L L E RLT ．D R A S T I C s t a n d a r d i z e ds y s t e mf o re v a l u a t i n gg r o u n d w a t e rp o l l u t i o np o t e n t i a lu s i n g h y d r o g e o l o g i cs e t t i n g s [ M ] ．[ S ．1 ．] O f f i c eo fR e s e a r c hD e v e l o p m e n t ，U SE P A ，1 9 8 5 ． [ 4 ] 付素蓉，王焰新，蔡鹤生．城市地下水污染敏感性分析 [ J ] ．地球科学一中国地质大学学报，2 0 0 0 ，2 5 5 4 7 7 4 8 1 ． F US u r o n g ，W A N GY a n - x i n ，C A IH e ．s h e n g ，e ta 1 ． V u l n e r a b i l i t yt Oc o n t a m i n a t i o no fg r o u n dw a t e ri nu r b a nr e g i o n s [ J ] ．E a r t hS c i e n c e - - J o u r n a lo fC h i n aU n i v e r s i t yo fG e o s c i e n c e s ，2 0 0 0 ，2 5 5 4 7 7 4 8 1 ． [ 5 ]向喜琼，黄润秋．基于G I S 的人工神经网络模型在地 质灾害危险性区划中的应用[ J ] ．中国地质灾害与防 治学报，2 0 0 0 ，1 1 3 2 3 - 2 7 ． X I A N GX i q i o n g ，H U A N GR u n - q i u ．A p p l i c a t i o no f G l S b a s e da r t i f i c i a ln e u r a ln e t w o r k so na s s e s s m e n t o fg e o h a z a r d sr i s k [ J ] ．C h i n e s eJ o u r n a lo fG e o l o g i c a l H a z a r da n dC o n t r o l ，2 0 0 0 ，1 1 3 2 3 2 7 ． [ 6 ] 陈佩佩，武强．基于人工神经网络的地裂缝危险性 评价系统口] ．煤田地质与勘探，2 0 0 1 ，2 9 3 4 4 4 7 ． C H E NP e i p e i 。W UQ i a n g ．F a t a l n e s sa s s e s s m e n t s y s t e mo fe a r t hf i s s u r eb a s e do na r t i f i c i a ln e u r a ln e t w o r k [ J ] ．C o a lG e o l o g y ＆E x p l o r a t i o n ，2 0 0 1 ，2 9 3 4 4 4 7 ． [ 7 ] 曹丽文，姜振泉．人工神经网络在煤矿开采沉陷预计 中的应用研究[ J ] ．中国矿业大学学报，2 0 0 2 ，3 1 I 2 3 2 6 ． C A OL i w e n ，J I A N GZ h e n - q u a n ．R e s e a r c ho na p p l i c a t i o no fa r t i f i c i a ln e u r a ln e t w o r ki np r e d i c t i n gm i n i n g s u b s i d e n c e [ J ] ．J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y ，2 0 0 2 。3 1 1 2 3 2 6 ． [ 8 3 李新春、孙艳、陶学禹．应用神经网络评价矿区可 持续发展[ J ] ．中国矿业大学学报，2 0 0 1 ，3 0 4 3 9 2 3 9 5 ． L IX i n - c h u n ，S U NY a n ，T A 0X u e - y u ．A p p l i c a t i o n o fn e u r a ln e t w o r ki ne v a l u a t i n gs u s t a i n a b l ed e v e l o p m e n tf o rm i n i n ga r e a s [ J ] ．J o u r n a lo fC h i n aU n i v e r s i - t yo fM i n i n g T e c h n o l o g y ，2 0 0 1 ，3 0 4 3 9 2 3 9 5 ． ’ 责任编辑姚志昌 万方数据