王洪敏，賈立明，段輝*

繼續(xù)教育

水溶性有機物熒光指標LM神經(jīng)網(wǎng)絡(luò)法評價堆肥腐熟度研究*

王洪敏1，賈立明2，段輝2*

（1.黑龍江省三江環(huán)境監(jiān)測站，黑龍江同江156400；2.黑龍江省環(huán)境監(jiān)測中心站，黑龍江哈爾濱150056）

由于受到有機廢棄物中各組分間的影響，有機廢棄物腐熟程度的判斷呈現(xiàn)模糊性，使傳統(tǒng)的評價方法很難正確認識。水溶性有機物（DOM）的熒光特性可作為評價有機廢棄物堆肥腐熟程度的重要手段。文章通過獲取多種有機廢棄物在堆肥各階段DOM的熒光特性參數(shù)，統(tǒng)計分析結(jié)果表明，相互間呈現(xiàn)顯著相關(guān)（p＜0.01）的熒光參數(shù)有AFLR、A4/A1、r（A,C）、P（Ⅱ,n）、P（Ⅳ,n）、P（Ⅴ,n）/P（Ⅲ,n）、P（Hs）/（Pr），故可將其作為綜合評價的指標。在此基礎(chǔ)上，結(jié)合LM神經(jīng)網(wǎng)絡(luò)模型定量表征堆肥腐熟度等級，并將腐熟度劃分為4個腐熟等級：未腐熟（I級）、基本腐熟（II級）、較腐熟（III級）、完全腐熟（IV級），并以4組確定腐熟度樣本作為標準，進行LM神經(jīng)網(wǎng)絡(luò)訓練，32組已知腐熟度樣本進行預測，網(wǎng)絡(luò)預測準確性為84.37%，因此，該方法對評價有機廢棄物堆肥有重要意義。

有機廢棄物；水溶性有機物；熒光光譜特性；LM神經(jīng)網(wǎng)絡(luò)；腐熟度評價

環(huán)境有機廢棄物可以利用堆肥方式進行無害化處理，可將廢棄物中不穩(wěn)定的物質(zhì)經(jīng)微生物的作用形成具有性質(zhì)穩(wěn)定、農(nóng)作物無害化的堆肥產(chǎn)品。未經(jīng)堆肥腐熟的有機廢棄物因含有影響植物正常生長的毒性物質(zhì)，若施土壤中會對作物生長產(chǎn)生不良影響，因此堆肥腐熟度的評價在堆肥產(chǎn)品是否能夠安全應用方面具有十分重要的意義[1]。不同來源的有機廢棄物的理化性質(zhì)有很大差異，因而，評價堆肥腐熟程度也受到諸多因素的制約。隨著熒光光譜技術(shù)的發(fā)展，不少研究人員通過各種掃描模式的熒光光譜對堆肥腐熟度進行評價[2,3]。然而由于不同物料的物質(zhì)組成與性質(zhì)的差異，利用單一的熒光指標只能從一方面評價腐熟程度，無法反映實際腐熟度且不具有說服力。因此，對堆肥腐熟度進行多指標綜合檢測才能更科學地反映實際腐熟程度。LM神經(jīng)網(wǎng)絡(luò)模型由許多神經(jīng)單元以網(wǎng)絡(luò)形式連接而成，可模擬像人腦那樣復雜的網(wǎng)絡(luò)系統(tǒng)，并可將獲取的數(shù)據(jù)樣本信息通過學習即可進行相當精確的預測，并具有訓練次數(shù)少、預測精度高等優(yōu)點，從而可很好的應用于多指標評價中[4]。鑒于LM神經(jīng)網(wǎng)絡(luò)的上述優(yōu)勢，本文將篩選得到的評價堆肥腐熟度熒光參數(shù)作為神經(jīng)元，采用LM神經(jīng)網(wǎng)絡(luò)模型評估堆肥腐熟度。

1 材料與方法

1.1 堆肥樣品的采集

試驗采用動物糞便、生活垃圾、果蔬垃圾、枯枝落葉等有機廢棄物為原料進行堆肥。調(diào)節(jié)堆肥物料的水含水率為60%，C/N為25，pH值為7.12后進行堆肥實驗。控制堆肥條件使堆肥與實際堆肥進程一致，堆肥過程中每天取樣測定發(fā)芽指數(shù)及其對應的熒光參數(shù)值。

1.2 樣品DOM提取及測定

堆肥DOM的提取及測定參照文獻[5]。

1.3 DOM熒光光譜掃描

采用Perkin Elmer Luminescence Spectrometer LS50B熒光儀對堆肥不同時期DOM進行熒光光譜測定。熒光光譜的測定方法見文獻[6]。熒光參數(shù)計算：A4/A1為固定激發(fā)波長為240nm，測定范圍在370～600nm時得到的發(fā)射光譜的后四分之一部分的面積積分與前四分之一部分的面積積分的比值[7]；I450/388為同步光譜450nm處熒光峰強與388nm處熒光峰強的比值；I380/280為同步光譜380nm處熒光峰強與280nm處熒光峰強的比值；AFLR為同步光譜中308～363nm范圍的面積積分與總波長面積積分比值[8]；I436/383為激發(fā)光譜中436nm處熒光峰強與383nm處熒光峰強的比值；r（A,C）為三維熒光光譜中A峰與C峰的熒光強度比值[9];P（Ⅰ,n）、P（Ⅱ,n）、P（Ⅲ,n）、P（Ⅳ,n）、P（Ⅴ,n）分別為三維熒光五個區(qū)的區(qū)域體積積分值。P（Ⅴ,n）/P（Ⅲ,n）為區(qū)域體積積分中V區(qū)與III區(qū)積分比值；P（Hs）/（Pr）為區(qū)域積分類腐殖酸區(qū)（III+ V）與類蛋白區(qū)（I+II+IV）區(qū)域體積積分比值[10]。

1.4 LM神經(jīng)網(wǎng)絡(luò)

LM神經(jīng)網(wǎng)絡(luò)具有高度自組織、自學習與適應能力，且學習效率高，預測精度高等特點。神經(jīng)網(wǎng)絡(luò)的組成及操作過程如見1。網(wǎng)絡(luò)由三層組成，層與層之間通過神經(jīng)元連接，同層神經(jīng)元間無連接，層與層神經(jīng)元間由權(quán)值進行相互連接。將輸入的信息源，首先傳遞到隱含層神的經(jīng)節(jié)點，經(jīng)過識別后再將隱含層神經(jīng)節(jié)點識別結(jié)果傳遞給輸出層，最終由輸出層輸出結(jié)果[11]。

圖1 神經(jīng)網(wǎng)絡(luò)操作過程Fig.1Operation process of LM networks

計算步驟如下：

步驟1：計算神經(jīng)網(wǎng)絡(luò)誤差指標函數(shù)。神經(jīng)網(wǎng)絡(luò)誤差指標函數(shù)為：

式中p:樣本數(shù)目；Yi:期望的網(wǎng)絡(luò)輸出向量；Yi:網(wǎng)絡(luò)實際預測輸出結(jié)果;w:各層神經(jīng)元間的權(quán)值與閾值；Ri（w）:誤差；wk:經(jīng)k次迭代之后w;k+1次迭代后的wk為wk+1=wk+Δw，Δw：權(quán)值增量計算公式如下：

式中I：單位矩陣；μ：學習效率；J（w）：Jacobian矩陣。

步驟2：神經(jīng)網(wǎng)絡(luò)計算步驟。

（1）設(shè)定訓練誤差最大值ε，常數(shù)μ0和β（0＜β＜1），令κ=0，μ=μ0；

（2）計算神經(jīng)網(wǎng)絡(luò)的預測輸出結(jié)果與誤差指標函數(shù)E（wk）；

（3）計算Jacobian矩陣J（wk）；

（4）計算Δw；

（5）若（wk）＜ε,轉(zhuǎn)到（7）

（6）以wk+1=wk+Δw為權(quán)值和閾值向量，計算誤差指標函數(shù)E（wk+1），若E（wk+1）＜E（wk），則令k=k+1，μ=μ β，轉(zhuǎn)至步驟（2），否則μ=μ/β，轉(zhuǎn)至步驟（4）。

（7）預測結(jié)束輸出結(jié)果。

2 結(jié)果與討論

2.1 堆肥進程中DOM的光譜特性

三維熒光光譜能直觀地評價堆肥進程中物質(zhì)的轉(zhuǎn)變情況[12]。圖2以生活垃圾堆肥，1、7、14、21、30、45d DOM為例分析堆肥進程中DOM三維熒光差值變化圖譜。相對熒光強度為負值部分指示該區(qū)域物質(zhì)減少，相對熒光強度為正值部分標志該區(qū)域物質(zhì)增加。

圖2 堆肥進程中DOM三維熒光變化圖譜Fig.2DOM changes in fluorescence intensity in EEMs during the composting process

從圖2中，可看出，隨著堆肥的進行類蛋白質(zhì)類物質(zhì)的熒光峰T1峰和T2峰的相對熒光強度呈現(xiàn)下降的趨勢，表明在堆肥過程中類蛋白類物質(zhì)不斷減少。然而在堆肥過程中類腐殖酸類物質(zhì)的A峰的相對熒光強度則不斷升高，B峰的相對熒光強度呈現(xiàn)先升高再降低再升高的趨勢，這表明在堆肥過程中，類腐殖酸類（Ⅴ區(qū)）物質(zhì)在不斷的增加。C峰的相對熒光強度呈現(xiàn)先升高再降低再升高再降低的趨勢，這表明該物質(zhì)在堆肥過程中并不具有較好的穩(wěn)定性。隨著堆肥的進行，堆肥樣品中DOM的類腐殖酸區(qū)熒光峰C峰發(fā)生明顯的紅移現(xiàn)象，這表明堆肥過程中隨著類腐殖酸類物質(zhì)的形成其腐殖化程度不斷增加。

2.2 熒光指標篩選

在堆肥過程中，分別獲取了傳統(tǒng)、三維熒光圖譜的AFLR、r（Hs）/（Pr）、A4/A1、r（A,C）、I436/I383、I380/I280、I450/I388、P（Ⅰ,n）、P（Ⅱ,n）、P（Ⅲ,n）、P（Ⅳ,n）、P（Ⅴ,n）、P（Ⅴ,n）/P（Ⅲ,n）等熒光指標參數(shù)并對其進行相關(guān)性分析，結(jié)果見圖3。將熒光參數(shù)間呈極顯著相關(guān)（p＜0.01）的指標提出，綜合分析得出，熒光參數(shù)AFLR、A4/A1、r（A,C）、P（Ⅱ,n）、P（Ⅳ,n）、P（Ⅴ,n）/P（Ⅲ,n）、P（Hs）/（Pr）彼此之間兩兩顯著相關(guān)（p＜0.01），故選取上述7個熒光參數(shù)作為有機廢棄物堆肥腐熟度評價的指標。

圖3 不同指標相關(guān)系數(shù)分布圖Fig.3Correlation analysis of different maturity parameters

2.3 基于熒光指標的堆肥腐熟標準

依據(jù)堆肥過程中各時期種子發(fā)芽指數(shù)（GI）值將腐熟度劃分為：未腐熟（I級，GI＜50%）、基本腐熟（II級，50%＜GI＜60%）、較腐熟（III級，60%＜GI＜80%）、完全腐熟（IV級，GI＞80%）4個等級，然后將篩選得到的7個堆肥不同腐熟階段熒光指標分別與由發(fā)芽指數(shù)確定的附屬等級對應，確定不同腐熟等級下各熒光指標值（表1）。

表1 堆肥腐熟度評價訓練樣本Tab.1Evaluation training samples of compost maturity

2.4 神經(jīng)網(wǎng)絡(luò)的訓練

依據(jù)表1中堆肥不同腐熟度對應的各熒光參數(shù)值，將評價等級標準劃分為4個等級。設(shè)定訓練誤差允許值ε=0.001，學習效率μ0=0.001和β=0.1，依據(jù)表1中的數(shù)據(jù)進行網(wǎng)絡(luò)學習訓練。圖4為LM神經(jīng)網(wǎng)絡(luò)訓練次數(shù)與誤差關(guān)系曲線。

由圖4可以看出，網(wǎng)絡(luò)學習訓練次數(shù)為8次后其誤差平方和小于誤差標準ε=0.001，停止學習訓練。神經(jīng)網(wǎng)絡(luò)學習訓練后，將神經(jīng)網(wǎng)絡(luò)輸出綜合指數(shù)與腐熟等級進行對應，未腐熟（I級）、基本腐熟（II級）、較腐熟（III級）、完全腐熟（IV級）的神經(jīng)網(wǎng)絡(luò)輸出綜合指數(shù)分別為＜1.50、1.51～2.50、2.51～3.50、＞3.51。

圖4 神經(jīng)網(wǎng)絡(luò)訓練誤差曲線Fig.4Training mean squared error of LM network

2.5 網(wǎng)絡(luò)驗證

利用訓練后的神經(jīng)網(wǎng)絡(luò)，對已知腐熟度等級（各等級選取8個樣本）的不同物料堆肥樣品進行評價（表2）。將神經(jīng)網(wǎng)絡(luò)的預測輸出值，然后將預測值與等級關(guān)系進行比較，得到評價等級，結(jié)果如圖5。

表2 LM神經(jīng)網(wǎng)絡(luò)測試樣本Tab.2Sample date for LM network test

圖5 神經(jīng)網(wǎng)絡(luò)驗證結(jié)果Fig.5Test results of LM network

從圖5中可以看出，各樣品的實際腐熟等級與神經(jīng)網(wǎng)絡(luò)預測結(jié)果基本相同，Ⅰ級評價的準確率為88.9%，Ⅱ級評價的準確率為71.4%，Ⅲ級評價的準確率為75.0%，Ⅳ級評價的準確率為100%。有研究報道[13]，當堆肥腐熟程度達到完全腐熟IV級時，種子發(fā)芽指數(shù)GI可達到90%甚至更高，可有助于種子發(fā)芽。由于有機廢棄物堆肥不同腐熟等級的應用范圍不同，腐熟等級Ⅱ級和Ⅲ級的腐熟產(chǎn)品更利于植物的生長[14]。而完全腐熟的堆肥（IV級）生物穩(wěn)定性較高，較適用于作為環(huán)境污染物的鈍化劑，因此，LM神經(jīng)網(wǎng)絡(luò)評價堆肥完全腐熟100%的準確率，對堆肥產(chǎn)品能否作為修復劑在環(huán)境生物修復中的實際應用具有重要意義。

3 結(jié)論

（1）與傳統(tǒng)堆肥DOM三維熒光熒光峰強度比較，三維熒光差值分析可更加精確判斷堆肥過程DOM組成的轉(zhuǎn)化。

（2）DOM熒光指標LM神經(jīng)網(wǎng)絡(luò)法評價法能夠較好的反應堆肥腐熟情況，特別對于堆肥較高腐熟等級的評價效果顯著。

［1］Diaz,Luis F.,M.De Bertoldi,and Werner Bidlingmaier,eds. Compost science and technology［M］.Elsevier,2011.8.

［2］Yu,G.H.,Luo,Y.H.,Wu,M.J.,Tang,Z.,Liu,D.Y.,Yang,X. M.,Shen,Q.R.（2010）.PARAFAC modeling of fluorescence excitation emission spectra for rapid assessment of compost maturity［J］.Bioresource technology,2010,101（21）：8244-8251.

［3］Tang,Z.,Yu,G.,Liu,D.,Xu,D.,Shen,Q.（2011）.Different analysis techniques for fluorescence excitation-emission matrix spectroscopytoassess compost maturity［J］.Chemosphere,2011,82（8）：1202-1208.

［4］Negnevitsky M.Artificial Intelligence:A Guide to Intelligent Systems.2nd ed［M］.England:Person Education Limited,2004.

［5］Wei,Z.,Zhang,X.,et al.Fractions and biodegradability of dissolved organic matter derived from different composts［J］. Bioresource technology,2014,161:179-185.

［6］He,X.,Xi,B.,Wei,Z.,Guo,X.,Li,M.,An,D.,Liu,H. Spectroscopic characterization of water extractable organic matter during compostingofmunicipalsolid waste［J］.Chemosphere,2011, 82（4）：541-548.

［7］He,X.S.,Xi,B.D.,Li,X.,Pan,H.W.,An,D.,Bai,S.G.,Li,D., Cui,D.Y.Fluorescenceexcitation-emissionmatrix spectra coupled with parallel factor and regional integration analysis to characterize organic matter humification［J］.Chemosphere,2013,93（9）:2208-2215.

［8］Coble PG.Characterization of marine and terrestrial DOM in seawater using excitation-emissionmatrix spectroscopy［J］. Marine Chemistry,1996,51:325-346.

［9］Xi,B.D.,He,X.S.,Wei,Z.M.,et al.The composition and mercury complexation characteristics of dissolved organic matter in landfill leachates with different ages［J］.Ecotoxicology and environmental safety,2012,86:227-232.

［10］Wei,Z.,Zhao,X.,Zhu,C.,et al.Assessment of humification degree of dissolved organic matter from different composts using fluorescence spectroscopy technology［J］.Chemosphere,2014, 95:261-267.

［11］Suratgar,A.A.,Tavakoli,M.B.,Hoseinabadi,A.Modified Levenberg-Marquardt method for neural networks training［J］. World Acad.Sci.Eng.Technol,2005,（6）:46-48.

［12］Tang,Z.,Yu,G.,Liu,D.,Xu,D.,Shen,Q.Different analysis techniquesforfluorescenceexcitation-emissionmatrix spectroscopy to assess compost maturity［J］.Chemosphere,2011, 82（8）:1202-1208.

［13］Garcia,C.,Hernandez,T.,Costa,F.,Ayuso,M.Evaluation of the maturity of municipal waste compost using simple chemical parameters［J］.Communications in Soil Science&Plant Analysis,1992,23（13-14）:1501-1512.

［14］Sela,R.,Goldrat,T.,Avnimelech,Y.Determining optimal maturity of compost used for land application［J］.Compost Science&Utilization,1998,6（1）:83-88.

Levenberg-Marquardt Neural Network combining with the fluorescence spectra characteristics of DOM derived from organic waste composting for assessment of compost maturity*

WANG Hong-min1,JIA Li-ming2,DUAN Hui2*
（1.Sanjiang Environmental Monitoring Station of Heilongjiang Province,Tongjiang 156400,China;2.Heilongjiang Province Environmental Monitoring Center,Harbin 150056,China）

The traditional methods are difficult to assessing the compost maturity in a correct way owing to the influence of the different organic components,which make the assessment fuzziness.However,the properties of fluorescence spectra of dissolved organic matter（DOM）derived from composting could be an important means of assessing the compost maturity.In this study,the germination percentage（GI）and fluorescence spectra of DOM of organic waste composting（chicken manure,swine manure,kitchen waste,lawn waste,fruits and vegetables waste,straw,green waste,and municipal solid waste）were measured.Person correlation analysis between the fluorescence parameters of DOM and GI demonstrated that AFLR,A4/A1,r（A,C）,P（Ⅱ,n）,P（Ⅳ,n）,P（Ⅴ,n）/P（Ⅲ,n）and P（Hs）/（Pr）are more suitable（p＜0.01;2-tailed）to assess compost maturity as comprehensive indexes in LM Neural Network.Four degrades of compost maturity were divided on the base of the GI value during composting and they were immaturity（I,GI＜50%）,maturity（II, 50%＜GI＜60%）,better degree of compost maturity（III,60%＜GI＜80%）and best degree of maturity（IV,GI＞80%）,respectively.Four groups of samples,which have known to the degree,were used as the standard for LM Neural Network training.Furthermore,thirty-two groups of samples,which also have known to the degree,were used for validation.The accuracy of LM Neural Network was 84.37%,which suggested LM Neural Network showed a good performance in the the assessment of compost maturity.

organic waste matter;dissolved organic matter；characterization of fluorescence spectra;LM neural network;maturity degree

X823

A

10.16247/j.cnki.23-1171/tq.20170221

2016-12-12

國家環(huán)境監(jiān)測與信息（2111101）

王洪敏（1972-），女，學士，高級工程師，主要研究方向：環(huán)境監(jiān)測與評價。

段輝