李 蕓，田 歡，張明順，王文海

(1.北京建筑大學(xué)，北京100044；2.中國新時代控股(集團(tuán))公司，北京100034)

0 引 言

目前，農(nóng)業(yè)面源和城市地表徑流是兩大面源污染，其中雨水徑流污染是除城市生活污水和工業(yè)廢水之外的第二大城市水環(huán)境污染源[1]，深圳市統(tǒng)計表明雨水徑流污染已超過點(diǎn)源污染[2]。準(zhǔn)確評估雨水徑流污染負(fù)荷，將有助于分析和評價徑流污染對流域水體的影響程度，為受納水體水質(zhì)控制和管理提供量化數(shù)據(jù)，為海綿城市建設(shè)提供參考依據(jù)[1,2]。但是，我國雨水徑流污染負(fù)荷評估研究性模型居多[3-5]，應(yīng)用性模型少，經(jīng)驗(yàn)性模型有明顯地域性要求而難以推廣[6,7]；機(jī)理模型需要連續(xù)的長序列數(shù)據(jù)支持，工作量大[8,9]。同時，由于我國開展雨水研究起步晚，相關(guān)工作不到位，即使水文氣象監(jiān)測站可提供當(dāng)?shù)剡B續(xù)完整降雨數(shù)據(jù)，但當(dāng)?shù)赜晁畯搅魉|(zhì)數(shù)據(jù)依舊非常匱乏。即便是在一些發(fā)達(dá)地區(qū)，只有一些比較重要的管道和排水口有相關(guān)的監(jiān)測數(shù)據(jù)，絕大多數(shù)的地區(qū)，尤其是一些老城區(qū)，雨污合流制的排水方式，雨水徑流污染負(fù)荷評估更是難上加難[10]。因此，基于我國當(dāng)前狀況，研究利用有限的數(shù)據(jù)評估雨水徑流污染負(fù)荷的方法已是迫在眉睫。

近年來，眾多學(xué)者運(yùn)用BP網(wǎng)絡(luò)評估城市需水量[11-13]，但應(yīng)用BP網(wǎng)絡(luò)來評估雨水徑流污染的相關(guān)研究目前在國內(nèi)尚未開展。雨水徑流污染負(fù)荷影響因素眾多，雨量變化大，下墊面復(fù)雜，污染物不單一、關(guān)系復(fù)雜[14]。人工神經(jīng)網(wǎng)絡(luò)[15]互聯(lián)大量神經(jīng)元成為網(wǎng)絡(luò)進(jìn)行抽象模擬工程可以解決一些關(guān)系復(fù)雜的非線性問題，建立BP神經(jīng)網(wǎng)絡(luò)對徑流污染負(fù)荷進(jìn)行綜合評估不失為一種方法。本文以深圳光明新區(qū)某監(jiān)測區(qū)域2014-2015年20場次降雨作為樣本數(shù)據(jù)，引入BP神經(jīng)網(wǎng)絡(luò)模型對雨水徑流污染負(fù)荷進(jìn)行評估，并使用Schueler法[16]對結(jié)果進(jìn)行驗(yàn)證，以此討論BP神經(jīng)網(wǎng)絡(luò)模型在深圳光明新區(qū)徑流污染負(fù)荷預(yù)測的適用性。

1 研究區(qū)域概況

1.1 基本概況

研究區(qū)域選取國家水體污染控制與治理科技重大專項(xiàng)中《水體污染與治理——城市道路與開放空間低影響開發(fā)雨水系統(tǒng)研究與示范工程》(2010ZX07320-002)深圳光明新區(qū)示范工程。自2013年始，北京建筑大學(xué)不間斷委派實(shí)驗(yàn)室工作人員進(jìn)駐項(xiàng)目現(xiàn)場開展科研工作，尤其是針對新城公園(原牛山科技公園)、公園路、28號路及育新中學(xué)雨水花園等地的進(jìn)行了有序的監(jiān)測和深度研究，開展的監(jiān)測工作包括降雨監(jiān)測、地表以及管道徑流監(jiān)測。其涉及的地表特征類型有山體、綠地(包括下凹式綠地、植草溝、雨水花園)、傳統(tǒng)道路、新型道路(包括道路中央隔離帶、單體樹池、組合樹池、生物滯留帶)，另監(jiān)測特征類型還包括明渠和管渠，并對一些重要地表特性以及地段還進(jìn)行了對比段監(jiān)測。測定了相應(yīng)匯水面雨水口、明渠和管道流量；現(xiàn)場氣象自動監(jiān)測包括溫度和雨量2項(xiàng)參數(shù)；現(xiàn)場收集包括雨水口徑流水樣、植草溝水樣，明渠水樣、旱溪水樣以及管道和道路雨水徑流(包括植草溝、雨水口、管道以及雨水井)水樣；實(shí)驗(yàn)室測定包括SS、CODcr、TP、TN、氨氮(NH+4-N)以及硝氮(NO-3-N)，共計6大基本指標(biāo)。

1.2 原始數(shù)據(jù)

光明新區(qū)位于深圳市西北部，近5 a年均降水量約1 615 mm，全年86%的雨量出現(xiàn)在汛期(4-9月)，汛期又分為前汛期(4-6月)和后汛期(7-9月)。夏季長達(dá)6個多月(平均夏季長196 d)，前汛期受鋒面低槽、熱帶云團(tuán)、低空急流、季風(fēng)低槽等影響，雨水迅速增加，多暴雨天氣。后汛期主要受熱帶氣旋(臺風(fēng))、東風(fēng)波、輻合帶的影響。7- 9月平均有3- 4個熱帶氣旋(臺風(fēng))影響深圳。雨季一般結(jié)束于 9 月中、下旬。7- 9月監(jiān)測區(qū)域內(nèi)降雨頻繁，沖刷嚴(yán)重，徑流污染嚴(yán)重，在數(shù)據(jù)樣本中，可選取7-9月中典型的小、中、大、暴四種類型的降雨反映全年降雨，從而降低樣本維度。

圖1 深圳市1981-2010年各月平均降雨累年平均值(1-12月)Fig.1 Shenzhen average annual months average rainfall in December in 1981-2010 (1-12)

對2014-2015年所有監(jiān)測數(shù)據(jù)進(jìn)行整理，將缺少降雨量、流量或者污染物指標(biāo)三項(xiàng)數(shù)據(jù)中任何一項(xiàng)的測定場次排除，依據(jù)Thomson等人的研究表明至少對一個地區(qū)15～20場降雨徑流的實(shí)測才能較好的得出該地區(qū)的徑流平均濃度[3]，故而整理出20項(xiàng)包含小、中、大、暴四類降雨數(shù)據(jù)的完整降雨進(jìn)行匯總，計算單場降雨歷時、徑流總流量以及各個污染物的EMC值，繪制出場次降雨的流量過程線。通過分析可知，公園各污染物EMC呈正偏態(tài)分布；EMC最大值與最小值相差倍數(shù)分別為23.37、5.17、9.62、44.40、312.75、21.86；EMC標(biāo)準(zhǔn)差分別為71.89、20.99、0.29、1.13、3.20、0.43；離散系數(shù)在0.46～1.70之間，監(jiān)測場降雨之間的EMC差距相對較大。

依據(jù)《室外排水設(shè)計規(guī)范》(GB50014-2006)和《建筑與小區(qū)雨水利用工程技術(shù)規(guī)范》(GB50400-2006)以及《海綿城市建設(shè)技術(shù)指南——低影響開發(fā)雨水系統(tǒng)構(gòu)建(試行)》中規(guī)定，可將監(jiān)測區(qū)域進(jìn)行分類，定義公園為綠地，其雨量徑流系數(shù)為0.15，流量徑流系數(shù)為0.25；道路設(shè)為混凝土和瀝青路面，其雨量徑流系數(shù)為0.8～0.9，流量徑流系數(shù)為0.9。

所涉及生物滯留帶監(jiān)測區(qū)域由于包含綠地以及道路，故而參見綜合徑流系數(shù)定義可進(jìn)行相關(guān)計算，綜合徑流系數(shù)為：

(1)

式中：Ψ為綜合徑流系數(shù)；Si為單一下墊面面積，m2；Ψi為綜合徑流系數(shù)；S為下墊面總面積，m2。

監(jiān)測區(qū)域雨量徑流系數(shù)相關(guān)計算結(jié)果見表2。

表1 2014-2015年20場降雨特征數(shù)據(jù)Tab.1 Data of 20 rainfall characteristics in 2014-2015

注：-表示數(shù)據(jù)缺失；污染物指標(biāo)單位：mg/L。

表2 監(jiān)測區(qū)域雨量徑流系數(shù)Tab.2 Monitoring regional rainfall runoff coefficient

注：*中的數(shù)據(jù)參考Google衛(wèi)星地圖。

2 BP網(wǎng)絡(luò)模型構(gòu)建

美國心理學(xué)家McCulloch和數(shù)學(xué)家Pitts于1943年共同提出了人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，即ANN)數(shù)學(xué)模型[15]。1985年Rumelhart等提出了誤差逆?zhèn)鞑ニ惴?Error Back Propagation，稱作RBP或BP)算法[17]，在神經(jīng)網(wǎng)絡(luò)中引入了隱神經(jīng)元，使得神經(jīng)網(wǎng)絡(luò)具備了分類和記憶能力，解決了多層神經(jīng)元網(wǎng)絡(luò)中隱單元層連接學(xué)習(xí)的相關(guān)問題，實(shí)行從后向前計算并可以對誤差進(jìn)行校正。BP網(wǎng)絡(luò)是一個多層神經(jīng)網(wǎng)絡(luò)模型，其主要有輸入層、隱層和輸出層組成，隱層可以是一層也可是多層。

2.1 輸入層確定

通過查閱相關(guān)文獻(xiàn)，對監(jiān)測數(shù)據(jù)歸為3類：一是下墊面特征，雨量徑流系數(shù)、匯流面積、綠地率；二是降雨特征，其主要包含降雨量、降雨歷時、降雨間隔時間、最大降雨強(qiáng)度；三是流量特征，也就是地表徑流量。主要從上述3個方面考慮影響因子。

表3 2014-2015年污染負(fù)荷影響因子統(tǒng)計Tab.3 Statistical analysis on the influence factorsof pollutant total amount in 2014-2015

由于綠地率單獨(dú)作為一個變量表達(dá)的只是一個比例值，只有同匯流面積結(jié)合起來使用，才能表達(dá)應(yīng)有的含義變?yōu)橘x值的有效數(shù)值，故將匯流面積與綠地率相乘得到綠地面積作為X3變量輸入。整理所有數(shù)據(jù)按照時間的先后順序進(jìn)行排序見表4。

為使所有影響因子具可比性，需要對以上含有量綱的數(shù)據(jù)進(jìn)行無量化(Nondimensionalize)處理。應(yīng)用SPSS 22.0軟件所提供的Zscore函數(shù)(Zero-mean Normalization)進(jìn)行相關(guān)處理：

(2)

表4 2014-2015年污染物總量影響因子數(shù)據(jù)Tab.4 Impact factor data of pollutant total amount in 2014-2015

注：X3輸入量在這里已經(jīng)由“綠地率(%)”替換成“綠地面積(m3)”。

采用主要成分分析法[18]來提取合理數(shù)量的主要影響因子來降低維度。計算出各個因子的特征根和方差貢獻(xiàn)率，具體見表5?？梢钥闯?，最開始選取的8個影響因子的貢獻(xiàn)率均大于40%，通過使用主成分法分析提取的因子1、因子2和因子3可以解釋全部因子的76.9%，他們的特征值分別為3.337 9、1.728 2和1.086 8，符合因子分析特征值大于1的原理，所以，提取主成分?jǐn)?shù)目為3(也即m=3)。故而可以選取8個因子中的前3個替代原變量。

表5 分解方差主成分影響因子提取Tab.5 Decomposition variance principal componentinfluence factor extraction

列出前3個成分因子負(fù)荷矩陣如表6?？梢钥闯鲎兞縕score(X2)、Zscore(X3)在主成分因子1上均有很高的負(fù)荷，相關(guān)系數(shù)不低于0.800；變量Zscore(X5)在因子2上有很高的負(fù)荷，其余相關(guān)系數(shù)均低于0.550；變量Zscore(X6)在因子3上有很高的負(fù)荷，其余相關(guān)系數(shù)均低于0.500。綜上分析可以選用匯流面積(m2)、綠地率、降雨歷時(min)和降雨間隔時間(min)四項(xiàng)影響因子構(gòu)成變量輸入。

2.2 分層結(jié)構(gòu)建立

選取使用主成分分析法得出的4個影響因子[匯流面積(m2)、綠地率、降雨歷時(min)和降雨間隔時間(min)]作為輸入單元，也就是說輸入層包含的神經(jīng)單元節(jié)點(diǎn)個數(shù)為4；徑流污染物總量(以SS計)作為輸出單元，即輸出神經(jīng)單元包含的節(jié)點(diǎn)個數(shù)為1，選用的期待輸出值為SS的EMC值；隱層神經(jīng)單元節(jié)點(diǎn)通過試算法確定，初始節(jié)點(diǎn)數(shù)依據(jù)“2N+1”(其中N表示輸入節(jié)點(diǎn)書)經(jīng)驗(yàn)設(shè)值為“2*4+1=9”，也就是說隱層初始節(jié)點(diǎn)數(shù)設(shè)置為9[15]。

表6 主要因子負(fù)荷矩陣Tab.6 Main factor load matrix

權(quán)值學(xué)習(xí)函數(shù)使用L-M優(yōu)化算法，即trainlm；采用非線性的連續(xù)可導(dǎo)的激發(fā)函數(shù)，選用連續(xù)可微且具有一定閾值特質(zhì)的Sigmoid函數(shù)，即雙極性S函數(shù)(雙曲正切函數(shù))tansig；節(jié)點(diǎn)的傳輸函數(shù)為purelin。具體模型參數(shù)[15]見表7。

從而建立如下3層的BP神經(jīng)網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)見圖2。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)鋱DFig.2 BP network structure topology

2.3 模型訓(xùn)練與計算

將1～18號的數(shù)據(jù)組作為樣本輸入所建立的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練過程中，使用MATLAB中Premnmx函數(shù)對上述原始數(shù)據(jù)進(jìn)行歸一化，使得數(shù)據(jù)集合在[-1,1]之間，BP網(wǎng)絡(luò)訓(xùn)練樣本結(jié)果見表8。

BP網(wǎng)絡(luò)訓(xùn)練完成的模型收斂速度良好、均方根誤差逐漸減小，其誤差通過泛化性能測試。將評估數(shù)據(jù)帶入訓(xùn)練完成的BP網(wǎng)絡(luò)，由計算結(jié)果可以看出，誤差基本不超過2%，計算結(jié)果優(yōu)良。

3 評估模型應(yīng)用驗(yàn)證

在評估面源污染負(fù)荷時，通常需計算徑流排放引起的污染物總量，常采用年污染負(fù)荷，然而污染物徑流加權(quán)平均濃度需要多場降雨和時段的濃度資料才可獲得，這通常是比較困難的。

表7 模型參數(shù)選取Tab.7 Model parameter selection

表8 BP網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)及結(jié)果Tab.8 BP network training sample data

表9 BP網(wǎng)絡(luò)計算結(jié)果Tab.9 BP network calculation results

此時，可將上述采用BP模型計算的結(jié)果替代污染物徑流量加權(quán)平均濃度，結(jié)合美國學(xué)者Schueler法[16](1987年)提出一種簡便計算模型，用于估算污染物負(fù)荷：

(3)

式中：Li為計算時段(t)內(nèi)徑流排放污染負(fù)荷，kg；CF為用于對不產(chǎn)生地表徑流的降雨進(jìn)行校正的因子(產(chǎn)生徑流的降雨事件占總降雨事件的比例)；φ為徑流區(qū)平均徑流系數(shù)，m3徑流量/m3降雨量；A為集水區(qū)面積，hm2；C為污染物的徑流量加權(quán)平均濃度，mg/L；0.01為單位換算因子。

為了驗(yàn)證上述模型應(yīng)用結(jié)果的可靠性，可與項(xiàng)目建議書進(jìn)行對比分析。參考《光明新區(qū)新城公園低影響開發(fā)雨水綜合利用示范工程(獨(dú)立立項(xiàng)示范項(xiàng)目)項(xiàng)目建議書——摘要》效益分析中，年污染物削減74 t，公園雨水回用量6.9 萬m3/a，下水涵養(yǎng)量增加3.3 萬m3/a；年均雨水徑流污染物總量(SS計)削減率60%以上，年均雨水徑流總量控制率高達(dá)85%；可以推算出年徑流污染物總量(以SS計)為：

(4)

比較二者結(jié)果可知，其相對誤差為2.7%，其精確度很高。表明使用BP人工神經(jīng)網(wǎng)絡(luò)的方法計算徑流污染物總量(徑流污染物負(fù)荷)是可行的，從而完成了模型結(jié)果的驗(yàn)證。

4 結(jié) 語

(1)本文首次將BP神經(jīng)網(wǎng)絡(luò)模型引入雨水徑流污染負(fù)荷評估，所構(gòu)建的模型切實(shí)可行，尤其是在水質(zhì)數(shù)據(jù)匱乏的地區(qū)，該模型可以簡單高效地開展污染物負(fù)荷評估工作。

(2)使用主成分分析法確定的4個影響因子(匯流面積、綠地率、降雨歷時和降雨間隔時間)科學(xué)合理，其作為輸入量降低了模型的維度，簡化了計算工作量。

(3)通過BP神經(jīng)網(wǎng)絡(luò)模型評估相應(yīng)年份的雨水徑流污染負(fù)荷，誤差基本不超過2%。結(jié)合Schueler法構(gòu)建年污染負(fù)荷模型并對計算結(jié)果進(jìn)行驗(yàn)證表明其相對誤差為2.7%，能滿足對徑流污染負(fù)荷的評估精度。

□

[1] 周飛祥.城市降雨徑流污染及其控制的研究進(jìn)展[J].建設(shè)科技(建設(shè)部),2014,(12):68-71.

[2] 任心欣,俞紹武,王國棟,等. 低沖擊開發(fā)新理念在深圳的應(yīng)用——《深圳市雨洪利用系統(tǒng)布局規(guī)劃》淺談[C]∥ 中國城市規(guī)劃學(xué)會、重慶市人民政府.規(guī)劃創(chuàng)新：2010中國城市規(guī)劃年會論文集.中國城市規(guī)劃學(xué)會、重慶市人民政府,2010.

[3] 張 偉,周永潮.城市雨水徑流污染負(fù)荷計算及評價模型[J].湖南城市學(xué)院學(xué)報(自然科學(xué)版),2005,14(1):27-29.

[4] 漢京超,王紅武,馬魯銘,等. 城市雨水徑流污染總量核算[J]. 復(fù)旦學(xué)報(自然科學(xué)版),2013,(6):811-816.

[5] 汪迎春,劉貴平. 城市雨水徑流年污染總量核算[J]. 土木建筑與環(huán)境工程,2012,(4):118-124.

[6] 車 伍,劉 燕,歐 嵐,等.城市雨水徑流面污染負(fù)荷的計算模型[J].中國給水排水,2004,20(7):56-58.

[7] 李海燕,車 伍,黃 宇. 北京長河灣流域徑流非點(diǎn)源污染總量估算[J]. 給水排水,2008,(3):56-59.

[8] 黃衛(wèi)東,吳春篤,汝 梅. 城市雨水徑流污染模型參數(shù)優(yōu)化方法研究[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報,2007,(8):1 031-1 035.

[9] 許仕榮,周永潮,張 偉. 基于Monte Carlo法的城市雨水徑流污染負(fù)荷模擬[J]. 環(huán)境科學(xué)與技術(shù),2005,(5):57-59,118-119.

[10] 姜文超,管繼玲,呂念南,等.雨水徑流污染與城鎮(zhèn)排水系統(tǒng)規(guī)劃[J].南水北調(diào)與水利科技,2010,8(3):39-41,54.

[11] 付東王,王 超,張 倩,等. 基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測區(qū)域需水量[J]. 城市道橋與防洪,2011,(4):93-97,9.

[12] 溫家鳴,郭純青,李新建,等. 基于BP神經(jīng)網(wǎng)絡(luò)的桂林生態(tài)城市建設(shè)需水量預(yù)測[J]. 水資源保護(hù),2012,(3):47-50.

[13] 金建華,史義雄,史永剛. 基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建城市時需水量預(yù)測模型[J]. 城市管理與科技,2005,(1):29-31.

[14] Hsu K, Gupta H V, Sorooshian S. Artificial neural network modeling of the rainfall-runoff process[J]. Water Resources Research, 1995,31(10):2 517-2 530.

[15] 朱大奇, 史 慧. 人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

[16] Schueler T R. Controlling urban runoff: A practical manual for planning and designing urban BMPs[M]. Water Resources Publications, 1987.

[17] Schiffmann W H, Geffers H W. Adaptive control of dynamic systems by back propagation networks[J]. Neural Networks, 1993,6(4):517-524.

[18] Jolliffe I. Principal component analysis[M]. John Wiley & Sons, Ltd, 2002.

[19] 周飛祥.城市降雨徑流污染及其控制的研究進(jìn)展[J].建設(shè)科技(建設(shè)部),2014,(12):68-71.

[20] 任心欣,俞紹武,王國棟,等. 低沖擊開發(fā)新理念在深圳的應(yīng)用——《深圳市雨洪利用系統(tǒng)布局規(guī)劃》淺談[C]∥ 中國城市規(guī)劃學(xué)會、重慶市人民政府.規(guī)劃創(chuàng)新：2010中國城市規(guī)劃年會論文集.中國城市規(guī)劃學(xué)會、重慶市人民政府,2010.

[21] 張偉,周永潮.城市雨水徑流污染負(fù)荷計算及評價模型[J].湖南城市學(xué)院學(xué)報(自然科學(xué)版),2005,14(1):27-29.

[22] 漢京超,王紅武,馬魯銘,等. 城市雨水徑流污染總量核算[J]. 復(fù)旦學(xué)報(自然科學(xué)版),2013,(6):811-816.

[23] 汪迎春,劉貴平. 城市雨水徑流年污染總量核算[J]. 土木建筑與環(huán)境工程,2012,(4):118-124.

[24] 車 伍,劉 燕,歐 嵐,等.城市雨水徑流面污染負(fù)荷的計算模型[J].中國給水排水,2004,20(7):56-58.

[25] 李海燕,車 伍,黃 宇. 北京長河灣流域徑流非點(diǎn)源污染總量估算[J]. 給水排水,2008,(3):56-59.

[26] 黃衛(wèi)東,吳春篤,汝 梅. 城市雨水徑流污染模型參數(shù)優(yōu)化方法研究[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報,2007,(8):1 031-1 035.

[27] 許仕榮,周永潮,張 偉. 基于Monte Carlo法的城市雨水徑流污染負(fù)荷模擬[J]. 環(huán)境科學(xué)與技術(shù),2005,(5):57-59,118-119.

[28] 姜文超,管繼玲,呂念南,等.雨水徑流污染與城鎮(zhèn)排水系統(tǒng)規(guī)劃[J].南水北調(diào)與水利科技,2010,8(3):39-41,54.

[29] 付東王,王 超,張 倩,等. 基于BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測區(qū)域需水量[J]. 城市道橋與防洪,2011,(4):93-97,9.

[30] 溫家鳴,郭純青,李新建,等. 基于BP神經(jīng)網(wǎng)絡(luò)的桂林生態(tài)城市建設(shè)需水量預(yù)測[J]. 水資源保護(hù),2012,(3):47-50.

[31] 金建華,史義雄,史永剛. 基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建城市時需水量預(yù)測模型[J]. 城市管理與科技,2005,(1):29-31.

[32] Hsu K, Gupta H V, Sorooshian S. Artificial neural network modeling of the rainfall-runoff process[J]. Water Resources Research, 1995,31(10):2 517-2 530.

[33] 朱大奇, 史 慧. 人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

[34] Schueler T R. Controlling urban runoff: A practical manual for planning and designing urban BMPs[M]. Water Resources Publications, 1987.

[35] Schiffmann W H, Geffers H W. Adaptive control of dynamic systems by back propagation networks[J]. Neural Networks, 1993,6(4):517-524.

[36] Jolliffe I. Principal component analysis[M]. John Wiley & Sons, Ltd, 2002.