黨中央、國務(wù)院高度重視生態(tài)環(huán)境監(jiān)測，目前我國已建成世界領(lǐng)先、要素和空間全域覆蓋的生態(tài)環(huán)境監(jiān)測網(wǎng)絡(luò)并積累了長期觀測數(shù)據(jù)，這為建立環(huán)境系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型奠定了強(qiáng)有力的基礎(chǔ)和保障。
 

　　神經(jīng)網(wǎng)絡(luò)的底層算法原理及類型
 

　　2016年3月，Google AlphaGo戰(zhàn)勝了李世石的新聞登上熱搜，2023年2月ChatGPT 3.5正式運(yùn)行、版本4及后續(xù)版本緊鑼密鼓地發(fā)布。今天各種和神經(jīng)網(wǎng)絡(luò)相關(guān)的新奇事物不斷出現(xiàn)在我們身邊：人臉識別進(jìn)行登錄驗(yàn)證、指紋識別解鎖、語音識別、機(jī)器人、自動駕駛汽車等。深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)的概念似乎在一夜之間走進(jìn)我們的日常生活，人工神經(jīng)網(wǎng)絡(luò)的最大優(yōu)勢在于模式識別和預(yù)測，在環(huán)境監(jiān)測中的應(yīng)用將會很有前景，作為環(huán)境監(jiān)測人，怎樣理解和應(yīng)用這一新技術(shù)來提升我們的工作？
 

　　1949年，加拿大認(rèn)知心理生理學(xué)開創(chuàng)者Donald Hebb發(fā)現(xiàn)：同一時間被激發(fā)的神經(jīng)元間的聯(lián)系會被強(qiáng)化，這種對神經(jīng)元的刺激使得神經(jīng)元間的突觸強(qiáng)度增加的學(xué)習(xí)方法被稱為赫布型學(xué)習(xí)(Hebbian Learning)，現(xiàn)代人工智能起源于20世紀(jì)的腦神經(jīng)生理學(xué)和數(shù)學(xué)研究成果。人工神經(jīng)元是機(jī)器學(xué)習(xí)的基礎(chǔ)和基本單元，是人工神經(jīng)網(wǎng)絡(luò)操作基本信息的處理單元，其基本工作原理模仿了人腦腦神經(jīng)元的工作模式。
 

　　輸入相當(dāng)于在人腦神經(jīng)元的突觸間隙完成的化學(xué)/電轉(zhuǎn)化的電信號；連接權(quán)相當(dāng)于人腦神經(jīng)元之間突觸的連接強(qiáng)度。激活函數(shù)用于控制神經(jīng)元輸出振幅，將輸入加和值限制在一定的范圍內(nèi)。因此，一個人工神經(jīng)元可以用下式表示：
 

       式中：

 

　　xi :  輸入信號，i=1,2…n(n維輸入)；
 

　　wi : 各輸入因子的權(quán)重，i=1,2…n(n維輸入)。wi:為正值則該突觸為激活狀態(tài)，為負(fù)值則為抑制狀態(tài)；
 

　　P :  輸入信號組合器計(jì)算后的輸出；
 

　　b :  神經(jīng)元偏置，或神經(jīng)元內(nèi)部閾值。當(dāng)輸入加權(quán)和大于b時，神經(jīng)元處于激活狀態(tài)，可以向下個神經(jīng)元發(fā)出信號；若輸入加權(quán)和小于等于b時，神經(jīng)元處于抑制狀態(tài)，不向下個神經(jīng)元發(fā)出信號；
 

　　Y : 神經(jīng)元輸出信號；
 

　　一個神經(jīng)元能夠接收、處理和發(fā)出的信息有限，要實(shí)現(xiàn)模擬人腦的思維方式，也就必須模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)，必須把多個人工神經(jīng)元結(jié)構(gòu)化地連接起來，從數(shù)學(xué)的角度上看，就是建立不同的算法，并結(jié)構(gòu)化連接起來，使得不同的算法之間按既定的輸入輸出接口互相傳輸數(shù)據(jù)信息，最后輸出目標(biāo)信息。多個人工神經(jīng)元通過連接構(gòu)成的具有一定功能的結(jié)構(gòu)化的網(wǎng)絡(luò)算法體系稱為人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)可以從不同的角度進(jìn)行分類：如網(wǎng)絡(luò)性能角度、拓?fù)浣Y(jié)構(gòu)角度、學(xué)習(xí)方式(算法)、神經(jīng)元的特征、連續(xù)突觸性質(zhì)、適用情景等。
 

　　按學(xué)習(xí)算法，目前已有40余種神經(jīng)網(wǎng)絡(luò)模型，常見的有反傳網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論、自組織映射、Hopfield網(wǎng)絡(luò)等。以網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法可分為：感知器、線性網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等靜態(tài)網(wǎng)絡(luò)，和Hopfield、Elman、非線性自動回歸時間系列網(wǎng)絡(luò)(NARNet)、帶外部輸入的非線性自動回歸時間系列網(wǎng)絡(luò)(NARXNet)、長短時記憶系統(tǒng)(LSTM)、時間延遲神經(jīng)網(wǎng)絡(luò)(TimeDelayNet)、分布式延遲神經(jīng)網(wǎng)絡(luò)(DistDelayNet)等動態(tài)遞歸網(wǎng)絡(luò)；除此之外還包括：Boltzmann網(wǎng)絡(luò)、盒中腦網(wǎng)絡(luò)(Brain State in a Box，BSB)、模糊神經(jīng)網(wǎng)絡(luò)、自定義神經(jīng)網(wǎng)絡(luò)等其它類型網(wǎng)絡(luò)。
 

　　深度學(xué)習(xí)是通過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學(xué)習(xí)過程中獲得的信息對諸如文字、圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。深度神經(jīng)網(wǎng)絡(luò)主要涉及三類方法：(1)卷積神經(jīng)網(wǎng)絡(luò)(CNN)；(2)自編碼神經(jīng)網(wǎng)絡(luò)，包括自編碼(Auto Encoder)以及近年來受到廣泛關(guān)注的稀疏編碼兩類(Sparse Coding)；(3)以多層自編碼神經(jīng)網(wǎng)絡(luò)的方式進(jìn)行預(yù)訓(xùn)練，進(jìn)而結(jié)合鑒別信息進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的深度置信網(wǎng)絡(luò)(DBN)。
 

　　神經(jīng)網(wǎng)絡(luò)有三類參數(shù)：適合建模場景的神經(jīng)網(wǎng)絡(luò)類型選定之后，要通過系統(tǒng)機(jī)理、建模需求、數(shù)據(jù)條件來設(shè)計(jì)輸入-輸出參數(shù)，也稱為外部參數(shù)；要根據(jù)網(wǎng)絡(luò)規(guī)模和避免過擬合(Overfitting)、欠擬合(Underfitting)、貝葉斯正則化(Bayesian Regularization)的等原則來設(shè)計(jì)超級參數(shù)(Hyper Parameter);神經(jīng)網(wǎng)絡(luò)本身的權(quán)值(Weight)、閾值(Bias)通過訓(xùn)練得到，稱為網(wǎng)絡(luò)參數(shù)。
 

　　就神經(jīng)網(wǎng)絡(luò)內(nèi)部而言，通過帶動量的最小梯度下降法等方法通過誤差傳遞不斷調(diào)整權(quán)值、閾值來得到局部最優(yōu)網(wǎng)絡(luò)參數(shù)。就神經(jīng)網(wǎng)絡(luò)外部而言：通過機(jī)理和主成分分析及降維來不斷優(yōu)選外部參數(shù)；通過先初篩后細(xì)篩的路線來尋求全局最優(yōu)網(wǎng)絡(luò)機(jī)構(gòu)(超級參數(shù))。
 

在環(huán)境預(yù)測預(yù)報(bào)中的應(yīng)用
 

　　根據(jù)系統(tǒng)論與控制論的觀點(diǎn)，生態(tài)環(huán)境中各要素構(gòu)成的、具有一定功能和結(jié)構(gòu)的一定空間范圍可以視為一個系統(tǒng)。生態(tài)環(huán)境系統(tǒng)是典型的非線性動力學(xué)系統(tǒng)，系統(tǒng)內(nèi)有物理、化學(xué)、生物、氣象及輻射等方面的變化反應(yīng)及物質(zhì)、能力的輸入輸出，系統(tǒng)的驅(qū)動力、系統(tǒng)輸入、輸出因子的相互作用及影響非常復(fù)雜，很多系統(tǒng)難以用數(shù)值模型(微分方程)來描述。人類探索自然、認(rèn)知自然總是由黑箱到灰箱再到白箱。在環(huán)境科學(xué)領(lǐng)域也是一樣，人們認(rèn)識大氣圈、水圈、生物圈、生態(tài)系統(tǒng)也是從無到有，從淺入深的。對于一個相對完整的系統(tǒng)的物質(zhì)循環(huán)、遷移、轉(zhuǎn)化規(guī)律逐漸有所認(rèn)識和理解，所有的認(rèn)識和理解，促使人們聚焦研究環(huán)境污染物在系統(tǒng)中的遷移變化規(guī)律，可行、有效的技術(shù)手段之一就是建立基于神經(jīng)網(wǎng)絡(luò)的灰箱數(shù)學(xué)模型。
 

　　1.O3濃度-氣象常規(guī)-空氣質(zhì)量常規(guī)-VOCs耦合仿真預(yù)測模型
 

　　云南省生態(tài)環(huán)境監(jiān)測中心基于某空氣質(zhì)量背景自動監(jiān)測站2年數(shù)據(jù)，以VOCs66項(xiàng)、歷史氣象因子5項(xiàng)、歷史環(huán)境空氣質(zhì)量8因子小時數(shù)據(jù)作為輸入，以未來1小時O3濃度作為輸出，并對樣本數(shù)據(jù)進(jìn)行主成分分析(Pricipal Component Analysis，PCA)和降維(Dimension Reduction)，目的是屏蔽干擾，保留主動力，避免過擬合，使用帶外部輸入的非線性自回歸神經(jīng)網(wǎng)絡(luò)(NARXNet)建立耦合仿真預(yù)測模型模型。
 

　　O3濃度仿真預(yù)測結(jié)果與實(shí)際監(jiān)測值的相對誤差絕對值均值能穩(wěn)定控制在6%以內(nèi)，顯著優(yōu)于WRF-CMAQ、NAQPMS數(shù)值模型的預(yù)測結(jié)果。與將79項(xiàng)原始監(jiān)測指標(biāo)作為輸入相比，直接取污染氣象學(xué)界公認(rèn)的影響較大的TVOC、異戊二烯、丙烯、順-2-丁烯、苯_HC、甲苯_HC、二甲苯、其它苯系物8項(xiàng)因子或全部79項(xiàng)進(jìn)行PCA和降維，均能取得較理想的網(wǎng)絡(luò)性能。時間延遲在5～7天網(wǎng)絡(luò)性能較佳，這說明了污染源與每周的工作周期具有一定的相關(guān)性。
 

　　2.O3濃度-氣象及空氣質(zhì)量常規(guī)-VOCs-紫外線能量耦合仿真預(yù)測模型：利用雙變量相關(guān)性、主成分分析探討O3成因
 

　　云南省生態(tài)環(huán)境監(jiān)測中心在上述模型基礎(chǔ)上，增加UVA、UVB、UVI、Volt 4項(xiàng)太陽輻射能量數(shù)據(jù)，主成分分析后，取前10項(xiàng)主成分作為輸入建立使用NARXNet建立耦合仿真預(yù)測模型。
 

　　O3濃度仿真預(yù)測結(jié)果與與實(shí)際監(jiān)測值的相對誤差絕對值均值能穩(wěn)定控制在6.4%以內(nèi)。各輸入方案中，按預(yù)測誤差由小到大排序的方案為：PCA5、PCA10、PCA20、BCA10(雙變量相關(guān)系數(shù)前10項(xiàng)，下同)、BCA5、BCA20，說明將多重共線性指標(biāo)剔除后的少量主成分作為輸入，對于網(wǎng)絡(luò)的訓(xùn)練具有明顯的幫助，從機(jī)理上說，建立模型一定要屏蔽微小的次要動力因素，避免過擬合；PCA優(yōu)于BCA，說明BCA僅考慮雙變量相關(guān)，忽略污染物之間協(xié)同效應(yīng)如顆粒物-O3協(xié)同效應(yīng)，將影響預(yù)測性能。網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單、輸入因子盡量少，網(wǎng)絡(luò)性能越好，這與提高網(wǎng)絡(luò)泛化能力，追求適度擬合的基本原則是相符的。
 

在水污染溯源中的應(yīng)用
 

　　水污染溯源的方法主要有水質(zhì)監(jiān)測數(shù)據(jù)排查法、示蹤法、數(shù)學(xué)模型法和三維熒光溯源法。
 

　　三維熒光溯源法是目前光學(xué)分析、信息工程、人工智能算法相結(jié)合的前沿方法。在入射激發(fā)光照射下，有機(jī)化合物分子發(fā)生瞬時躍遷，之后立即返回基態(tài)，返回基態(tài)的過程是一個輻射躍遷或非輻射躍遷衰變過程，其中的輻射躍遷衰變過程伴隨著光子的發(fā)射，即產(chǎn)生熒光或者磷光。三維熒光儀可以以一定波長范圍發(fā)出激發(fā)光掃描水樣，同時同步檢測該水樣實(shí)時產(chǎn)生的各波長發(fā)射光下的熒光強(qiáng)度，以發(fā)射光、激發(fā)光波長分別作為橫、縱坐標(biāo)，以相對熒光強(qiáng)度作為豎坐標(biāo)可匯出二維或三維形式的熒光譜圖。地表水、生活污水和工業(yè)廢水中存在大量熒光物質(zhì)混合物，理論上，污染源和受納水體水樣的三維熒光譜圖應(yīng)類似，通過譜圖相似度模式識別神經(jīng)網(wǎng)絡(luò)算法，可以計(jì)算出環(huán)境水樣與污染源的相似度，根據(jù)相似度來研判污染來源。
 

　　卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，ConvNet)是目前應(yīng)用最多的深度學(xué)習(xí)圖像視頻識別、目標(biāo)識別、語音處理、自然語言處理等領(lǐng)域被廣泛應(yīng)用。一個典型的卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)包含輸入層、卷積層、池化層、全連接層和輸出層5個部分。
 

　　云南省生態(tài)環(huán)境監(jiān)測中心以目歸法處理后的水質(zhì)三維熒光譜圖作為輸入，以溯源結(jié)果作為輸出，構(gòu)建以卷積神經(jīng)網(wǎng)絡(luò)為核心的三維熒光譜圖識別算法框架。在算法中構(gòu)建了2個卷積層，并在每個卷積層后加上一個Relu激活函數(shù)層用于增加神經(jīng)網(wǎng)絡(luò)模型的非線性，加快訓(xùn)練速度，隨后構(gòu)建了一個池化層用于減少數(shù)據(jù)處理量和防止過擬合，并在后接上一個全連接層，最后以Softmax分類器作為輸出層得到三維熒光譜圖識別結(jié)果。使用卷積神經(jīng)網(wǎng)絡(luò)識別三維熒光光譜，在較為復(fù)雜的條件下仍有較高的識別正確率。
 

　　云南省生態(tài)環(huán)境監(jiān)測中心對省內(nèi)某高原湖泊COD構(gòu)成來源進(jìn)行研究性監(jiān)測，采集優(yōu)勢種挺水植物并制作組織液、壓濾液、腐爛降解模擬試驗(yàn)浸泡液、底泥翻轉(zhuǎn)振蕩浸提液等內(nèi)源水樣，以及主要入湖河流、豆腐園區(qū)污水廠等外源水樣，共制作得到48份水樣，使用日立F-2700FL Spectrophotometer型熒光光譜儀檢測得到48組光譜數(shù)據(jù)，使用Matlab 2021a，構(gòu)建并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)算法模型，根據(jù)48×48共2304水樣對的相似度大小比較：內(nèi)源構(gòu)成中，湖水中COD主要來自底泥釋放的有機(jī)物；外源構(gòu)成中：湖水中溶解性COD主要來自入湖河流。
 

　　展望
 

　　圣路易斯華盛頓大學(xué)李馳博士后使用機(jī)器學(xué)習(xí)分離人為排放和氣象條件對中國地表臭氧變化的貢獻(xiàn)，得到如下結(jié)論：臭氧時空變化受氣象條件，特別是地表氣溫的影響很大；Ox在NOx缺乏區(qū)隨NOx升高而上升，而在NOx飽和區(qū)轉(zhuǎn)為下降；VOC含量的增加主要影響NOx飽和區(qū)，而顆粒物含量的增加影響NOx缺乏區(qū)相對較強(qiáng) 等創(chuàng)新性結(jié)論。
 

　　大多數(shù)城鎮(zhèn)污水處理廠使用活性污泥和其他工藝去除污染物(TOC，TN，TP)。每個污水系統(tǒng)中可能存在數(shù)以萬計(jì)的不同微生物種類。由于生物反應(yīng)的復(fù)雜性、處理廠的多變，基于活性污泥過程的生物動力學(xué)的數(shù)值模型并不是特別實(shí)用，機(jī)器學(xué)習(xí)技術(shù)可以在沒有校準(zhǔn)負(fù)擔(dān)的情況下以更高的精度預(yù)測污水處理廠中的污泥膨脹。
 

　　國外研究人員正在嘗試用深度神經(jīng)網(wǎng)絡(luò)預(yù)測和識別內(nèi)分泌干擾物(EDCs)。市場上有10萬種化學(xué)品，其中大多數(shù)缺乏毒理學(xué)數(shù)據(jù)，包括內(nèi)分泌干擾物質(zhì)。專注于一組有限的化學(xué)物質(zhì)或僅結(jié)構(gòu)相似的化合物使得我們很難將這些傳統(tǒng)工具應(yīng)用于數(shù)以萬計(jì)未經(jīng)測試的化學(xué)品。此外，由于內(nèi)分泌干擾物質(zhì)的分子機(jī)制復(fù)雜，一組看似結(jié)構(gòu)相似的化學(xué)物質(zhì)具有不同的內(nèi)分泌干擾活性。這些問題凸顯了傳統(tǒng)數(shù)據(jù)分析的不適用性。因此，研究人員嘗試將深度神經(jīng)網(wǎng)絡(luò)與大數(shù)據(jù)(包括各種生物、物理化學(xué)信息等)相結(jié)合來解決這些問題。
 

　　除了時間序列、空間序列預(yù)測、相關(guān)性識別、空氣污染成因分析、水污染溯源、模式識別等領(lǐng)域外，深度神經(jīng)網(wǎng)絡(luò)還在噪聲頻譜數(shù)據(jù)識別及聲源反演、監(jiān)測點(diǎn)位聚類、污染類型及機(jī)制的聚類、浮游植物識別及計(jì)數(shù)、陸生植物的識別等方面有很多成功的應(yīng)用案例。
 

　　總之：由于其優(yōu)異的非線性擬合及快速收斂能力，對非線性動力學(xué)系統(tǒng)的闡釋及無限逼近仿真能力，深度神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測、環(huán)境科學(xué)與工程領(lǐng)域中將展現(xiàn)出廣闊的應(yīng)用前景和巨大的價(jià)值空間。（云南省生態(tài)環(huán)境監(jiān)測中心供稿）