数学建模论文-对长江流域水质状况的评估及其发展预测模型

论文题目：对长江流域水质状况的评估及其发展预测模型论文摘要：本文结合题目所给的丰富数据进行了充分的分析与讨论，基于模糊数学的隶属度概念建立了河流污染综合评价指标，区别出了污染严重的城市与污染相对较重的月份；考虑了江水的自净作用并结合流量和流速建立了合理的上下游污染物相互作用模型，并用此模型找出了污染物的主要排放地点；在预测未来水质发展趋势时，采用了线性回归和神经网络两种模型进行预测，逐次叠代出了未来10年的水质恶化趋势，并反映出了水质和总流量的合理波动；在求解未来10年的污水处理量时，再次用到了线性回归模型，采用逼近法找到了使水质满足题目要求的废水排放量，进而求解。本文的模型都利用Matlab数学软件编程实现，利用直观的方式给出结果，附录中给出了程序。关键词：隶属度；水质预测；线性回归；神经网络；matlab编程问题重述：长江水质的评价和预测水是人类赖以生存的资源，保护水资源就是保护我们自己，对于我国大江大河水资源的保护和治理应是重中之重。专家们呼吁：“以人为本，建设文明和谐社会，改善人与自然的环境，减少污染。”长江是我国第一、世界第三大河流，长江水质的污染程度日趋严重，已引起了相关政府部门和专家们的高度重视。2004年10月，由全国政协与中国发展研究院联合组成“保护长江万里行”考察团，从长江上游宜宾到下游上海，对沿线21个重点城市做了实地考察，揭示了一幅长江污染的真实画面，其污染程度让人触目惊心。为此，专家们提出“若不及时拯救，长江生态10年内将濒临崩溃”（附件１），并发出了“拿什么拯救癌变长江”的呼唤（附件2）。附件3给出了长江沿线17个观测站（地区）近两年多主要水质指标的检测数据，以及干流上７个观测站近一年多的基本数据（站点距离、水流量和水流速）。通常认为一个观测站（地区）的水质污染主要来自于本地区的排污和上游的污水。一般说来，江河自身对污染物都有一定的自然净化能力，即污染物在水环境中通过物理降解、化学降解和生物降解等使水中污染物的浓度降低。反映江河自然净化能力的指标称为降解系数。事实上，长江干流的自然净化能力可以认为是近似均匀的，根据检测可知，主要污染物高锰酸盐指数和氨氮的降解系数通常介于0.1~0.5之间，比如可以考虑取0.2(单位：1/天)。附件4是“1995~2004年长江流域水质报告”给出的主要统计数据。下面的附表是国标(GB3838-2002)给出的《地表水环境质量标准》中4个主要项目标准限值，其中Ⅰ、Ⅱ、Ⅲ类为可饮用水。请你们研究下列问题：（1）对长江近两年多的水质情况做出定量的综合评价，并分析各地区水质的污染状况。（2）研究、分析长江干流近一年多主要污染物高锰酸盐指数和氨氮的污染源主要在哪些地区?（3）假如不采取更有效的治理措施，依照过去10年的主要统计数据，对长江未来水质污染的发展趋势做出预测分析，比如研究未来10年的情况。（4）根据你的预测分析，如果未来10年内每年都要求长江干流的Ⅳ类和Ⅴ类水的比例控制在20%以内，且没有劣Ⅴ类水,那么每年需要处理多少污水？（5）你对解决长江水质污染问题有什么切实可行的建议和意见。附表:《地表水环境质量标准》（GB3838—2002）中4个主要项目标准限值单位：mg/L序号

分类

标准值

项目Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类劣Ⅴ类1溶解氧(DO)

≥7.5（或饱和率90%）653202高锰酸盐指数(CODMn)≤2461015∞3氨氮（NH3-N）

≤0.150.51.01.52.0∞4PH值（无量纲）6---9问题求解：问题（1）：模型建立：要对长江近两年的水质状况进行定量评价，我们采用的是隶属度加权综合平均水质级别法评价。这种方法是基于模糊数学的隶属度和水质项目监测的平均值之间有对应关系而建立起来的。它能把监测值的波动性客观地反映到综合评价中，同时还能反映多个污染物对水质的综合作用。设污染项目有N个，每个污染项目的标准限值按隶属函数式计算出的隶属度为Yij，Yij表示i种污染对j类水的隶属度。隶属度函数式为：对第j类水Yij（j＝1，2…M）＝在隶属函数式中，A为水质级别j的第i个污染项目标准限值，X则为监测统计的值。将N个污染物对j类水的隶属度累积相加：称Yj为第j类水的水质权重。定义端面的隶属度加权综合平均水级级别G：利用这个参量，我们可以对各地污染状况进行排序，并且进行水质的综合评价。在题目给出的要求中，M＝6，N＝4，但是由于PH值这一项目由于数值分布不定，且于水的分类没有明显的对应关系，我们在模型中不再考虑它的影响。这样，N＝3，我们根据附表:《地表水环境质量标准》（GB3838—2002）中4个主要项目标准限值和附件3:长江流域主要城市水质检测报告来计算我们所需要的判别标准G值。其中，溶解氧、高锰酸钾指数和氨氮3个项目的标准限值对应隶属度模型中的A，主要城市水质检测报告中每个城市每个月的3项检测值对应上面模型中监测统计的X值。我们分别按（1）按照28个月列出所有17个城市每个月的水质平均G值；（2）按照17城市列出28个月的平均G值，来分析水质污染状况。模型求解及评价：Matlab处理程序见附录5。结果如下所示：图1按照28个月列出所有17个城市每个月的水质平均G值图1为17个城市的污染情况，按照编号由小到大的顺序为：1.四川攀枝花，2.重庆朱沱

，3.湖北宜昌南津关

，4.湖南岳阳城陵矶

，5.江西九江河西水厂

，6.安徽安庆皖河口

，.7江苏南京林山

，8.四川乐山岷江大桥

，9.四川宜宾凉姜沟

，10.四川泸州沱江二桥

，11.湖北丹江口胡家岭

，12.湖南长沙新港

，13.湖南岳阳岳阳楼

，14.湖北武汉宗关

，15.江西南昌滁槎

，16.江西九江蛤蟆石

，17.江苏扬州三江营。可以看到，污染相对比较严重的地区为：.7江苏南京林山

，8.四川乐山岷江大桥，10.四川泸州沱江二桥

，14.湖北武汉宗关

，15.江西南昌滁槎

。图2按照17城市列出28个月的平均G值图2为2003年6月至2005年9月的28个月的17个城市的综合污染状况，可以看到，在2003年夏季、2004年和2005年5－9月间，水质污染指数较高。可以推测每年的5－9月是这17个城市综合水质较差的阶段。问题（2）模型假设：认为污染源的主要所在地的特征为：一定时期内向干流排放的污染物溶质的数量相对其它地区较多。由于题目并未对地区的划分作出规定，本模型中就以干流上给出的7个城市作为地区的代表，并将改地区的排污简化为在城市所在地一点处的排污。为估算污染物在江水自净过程中的净化程度，粗略地认为两城市之间的江水平均流速等于两城市观测点的流速之平均值。认为城市的观测点在该城市的下游，并且观测时，城市排出的污染物已经和江水混合均匀。将自净系数理解为每天污染物减少的比例，例如自净系数为0.2表示经过一天后污染物剩余80％。每一城市观测点处的污染物浓度受到上游所有城市排污的影响（包括本城市），受到上游城市的影响大小由污染物在江水中运送的时间的决定（考虑江水的自净作用）。将干流上7个城市丛上游到下游编号为1－7。粗略认为各个城市每个月每天的排污量相同，但月与月之间会有所差异。随污水排出水量对于长江流量的影响不考虑。模型建立：题目给出了13个月的数据（2004年4月至2005年4月），经过计算，以1m/s的流速，江水在1个月中可以流过1×3600×24×30＝2592000m的距离，即2592公里，这样几乎可以流过7个城市进入大海；而且在自净系数0.2的情况下，30天后污染物浓度只剩下千分之一；从而使本月污染情况对下月的影响变得很弱，可以忽略不计。因此将每个月分开单独计算，以天为单位考虑污染物的流转过程。设第n个城市每天排出的污染物为（溶质），那么在达到动态平衡后第n个城市的污染物浓度为：。其中z为自净系数，为江水从第i个城市流到第n个城市的时间，为第n个城市的流量。此过程如图3所示：图3污染物作用模型图模型求解及评价：通过工具软件matlab，我们将此表达式写成了如下函数：p=polu(x,result,vs,quan)其算法框图见图4：图4其中取自净系数为0.2，x为7个城市的污染物日排放量（不考虑其单位，为相对大小），result为实际测得的各个城市的污染物浓度向量，vs为各个城市处的江水流速，quan为各个城市处的江水流量。输出函数值p为按照上面模型求出的各个城市的污染物浓度向量与result向量的差。显然，令此函数值为0向量即可解出各个城市的排污量x。借助此函数工具，我们可以轻易地输出如下矩阵：pp=1.00000.42910.11240.03620.00930.00620.002201.00000.26200.08430.02170.01450.0051001.00000.32190.08270.05520.01950001.00000.25680.17160.060500001.00000.66810.2356000001.00000.35270000001.0000第i行第j列的元素表示从第i个城市排出单位为1的污染物，到第j个城市剩余的污染物的量（溶质），这是按照2004年4月的流速和流量计算出来的。我们把这个矩阵称为城市之间的相互作用阵。从此阵可以直观地看出城市之间的相互关系（上游城市对于下游城市的影响）。为了对13个月分别求出各个城市的排污量，我们编写了函数z=jie(data17,quan,vs,t)来求解，data17是题目附件三中28个月份的四种污染指标的组合矩阵，该函数从它中获得浓度数据；quan为13个月的各个城市流量矩阵；vs为13月的各个城市的江水流速矩阵；t为污染物种类选择，1为高锰酸盐，2为氨氮；输出z为各个城市各个月每天的相对排污量（溶质）。对高锰酸盐的计算结果如下：z=1.0e+005*0.08490.44660.33550.69610.59790.28160.15560.16000.22160.52890.55910.72090.45940.23720.10030.38180.64540.44990.4525-0.06470.42490.11180.48920.54370.65280.27410.00820.31550.21690.11760.67680.67700.31310.06800.28310.38311.86100.69041.06620.28310.00141.02840.02610.24870.61670.41460.12300.28650.39510.04200.14890.16660.26030.25290.17340.24690.01520.07990.16390.32890.22910.06090.23950.00850.05010.07980.40410.20430.17700.29530.00550.06380.08650.24360.28430.19560.27250.00690.08890.10470.27450.21180.42620.24590.00710.07140.12370.19650.27760.29290.2276其中13行表示13个月，7列表示7个城市。将各列求和，得到：zz=1.0e+005*1.16824.26954.76256.22364.22452.36634.3675此结果即为7个城市在13个月中排出的高锰酸盐污染物的相对总量，可以看出，第4个城市处即湖南岳阳出排出的污染物的量最多，是最主要的污染源。其他如重庆朱沱

、湖北宜昌南津关、江西九江

和江苏南京地区排污也较多对氨氮的计算结果如下：z=1.0e+004*0.05530.26600.49110.48310.58770.1421-0.16930.02600.34290.51420.47710.47530.40390.01070.01600.24850.61460.48580.12800.2121-0.05330.01860.28650.26360.68790.06520.3731-0.17900.37400.01740.39880.63470.4196-0.0568-0.08860.05650.72721.14110.73370.9738-0.5214-0.08220.02610.36210.30990.57530.11300.1625-0.11720.00900.21750.20740.36670.22660.00340.04020.00760.33140.06460.30130.09240.10410.10080.00500.21580.07140.32820.18170.12100.26700.00920.19640.06990.33260.08680.17350.41820.01620.25320.08680.28290.11060.3996-0.07720.00640.22850.05150.29680.17610.18280.3743其中13行表示13个月，7列表示7个城市。将各列求和，得到：zz=1.0e+004*0.62613.69344.28495.98623.63681.69990.4444此结果即为7个城市在13个月中排出的氨氮污染物的相对总量，可以看出，第4个城市处即湖南岳阳出排出的污染物的量最多，是最主要的污染源。其他如重庆朱沱

、湖北宜昌南津关和江西九江

地区排污也较多。问题（3）：该题目要求根据过去十年的情况预测今后十年的统计数据，来对长江未来水质污染的发展趋势作出预测，为了简单起见，我们只挑选了附件4中的10年的全流域的水文年的10组数据进行预测，这组数据最具有代表性。如下图所示，我们将6类水所占比重的变化趋势表示为图5：图5过去10年的6类水所占比重的变化趋势从下到上的六条曲线与其下一条线之间的距离为I类至劣V类水的河长所占的百分比，直观上，这六个点位置越高，说明水质越好（说明I、II、III类水的比重大）。我们将此中图称为河流水质比例图这是一个黑箱建模问题，数据间的物理关系不是很明确，我们采用两种方法来拟合未来10年的统计数据：线性回归和神经元网络法。一．线性回归法模型：回归函数的输入：1－9年的各个年份的各类水的比例、长江总流量和年度废水排放量。回归函数的输出：2－10年的各个年份的各类水的比例、长江总流量和年度废水排放量。它们之间关系为：第1年的数据决定第2年的数据，第2年的数据决定第3年的数据……依此类推，具体决定方法见下面模型。线性回归模型：变量定义：X1到X5分别表示某年第I类水长度比例，I类与II类水的总的长度比例，I、II、III类水的总的长度比例……I至V类水的总的长度比例（因为I至劣V类水的总的长度比例为1，所以只取前面5个作为模型变量），X6表示年度废水排放量，X7表示年度总水量。y可以是下一年上面各个量中间的任意一个。对此模型，matlab提供了很方便的多元二项式回归命令：rstool(x,y,’model’,alpha)。我们取上面定义的5类水的比例，加上总流量和年度废水排放量作为7个输入量，采用线性回归的拟合模型，并利用10年的数据分别拟合出对下年的7个量中每一个量的回归系数，回归拟合每一个量的计算系数时matlab的交互式界面如下面图6：图6线性回归交互式界面分别导出7组系数向量，并组成如下系数矩阵：-84.044632.68335.74-7.8437-71.6981785.687781-0.22460.517220.13891-0.48259-0.681922.0789-41.7450.0367370.926590.42933-0.05903-0.060051.041871.0450.30676-2.9574-0.994780.479720.61429-2.9177-176.841.8916-0.43351.97061.25281.4336-13.633108.25-0.89143-3.2709-3.3846-0.184170.067798-1.8195-635.430.04902-0.693-0.33404-0.002750.067463-0.88672-86.758-0.003130.0098870.001601-0.00303-0.002650.0215940.2819每一行表示对一个量的回归系数，从b0到b6。矩阵从左到右分别指向第I类水长度比例，I类与II类水的总长度比例，I、II、III类水的总长度比例……废水排放量，总流量。具体程序请见附录2。算法流程图如下图7：图7预测的顺序为，由最后一列数据temp1（7个数据）与系数矩阵xiss运算得到下一组数据：temp1(:,i)=xiss(2:8,:)'*temp1(:,i-1)+xiss(1,:)'。这样反复叠代就可以得到10年的数据了。为了使预测合理化，在叠代过程中加入了3个约束条件：限制条件1：按照以往10年的经验，每年的总流量在8800和13000亿立方米之间。限制条件2：每组数据都必须>0，否则强制为0；比例数据不得大于100，否则设为100。限制条件3：比例数据必须合理，河流水质比例图不能出现曲线交叉的情况如果没有这些限制条件，预测的数据在超过10年的更长的范围内会变得不合理。由此可以预测出未来10年的水质情况以及流量和废水排放量。同时画出过去10年和未来10年的河流水质比例图如下图8所示：图8过去10年与未来10年河流水质比例预测图图中省略了100那条线，可以看到，水质的污染情况恶化很快，到10年后劣5类水的比例占到了95％，长江将变为一条污水河。我们注意到一个有趣的现象，就是曲线每隔几年就会出现波动，我们分析是由总流量的变化造成的（洪水河干旱），请看下面的20年（过去10年和未来10年）流量图（图9）：图9过去10年与未来10年总流量图可以看到大约每隔4年就会发一次洪水，而紧接着一年的水量比较小，符合过去10年中的自然规律（1998和2002都有过洪水）。当水量大时，江水的污染物浓度就低，污染就轻，这是可以理解的。再看废水的排放量变化图（过去10年和未来10年）：图10过去10年与未来10年废水排量图可见废水排放量几乎是以指数规律增长，如果不加控制，废水排放将会非常严重（这个结果是在认为经济潜力足够大以产生足够多的工业企业的前提下得到的）。二．神经网络法模型： 上面线性回归中的输入输出也可以用神经网络的办法联系起来，将1－9年的数据整体（是一个7类×9年的矩阵，每列中元素1到元素5分别表示某年第I类水长度比例，I类与II类水的总长度比例，I、II、III类水的总长度比例……I至V类水的总长度比例，元素6表示废水排放量，元素7表示总水量。）作为输入，2－10年的数据整体（同样7类×9年）作为为输出，建立一个单层前向神经网络，经考察，使用线性网络能够较好地刻画输入输出之间的关系，且易于实现。Matlab提供了方便的函数newlind。利用过去10年的数据得到神经网络的权数，然后用此权数不断叠代得到未来10年的统计数据。 程序请见附录三。算法流程图如下图11：图11在叠代中同样加入上面的三个限制条件。程序计算的结果如下图12：图12过去10年与未来10年河流水质比例预测图图中省略了100那条线，同样可以看到，水质的污染情况越来越严重了，到10年后劣5类水的比例占到了100％，如此严重的污染，大概是不能再使用的了。我们也注意到曲线每隔几年就会出现波动，同样由总流量的变化造成的（洪水河干旱），请看此方法模拟出的20年（过去10年河未来10年）流量图（图13）：图13过去10年与未来10年总流量图可以看到大约每隔4年就会发一次洪水，而紧接着一年的水量比较小。当水量大时，江水的污染物浓度就低，污染就轻。这和上面的线性回归的结果是一样的。再看废水的排放量变化图（过去10年和未来10年）：图14过去10年与未来10年废水排放量图与上面线性回归的结果一样，废水排放量几乎是以指数规律增长，如果不加控制，废水排放的后果将会非常严重。两种模型的评判：究竟那一种模型更好呢？从上面的结果来看，两类模型得到的结果基本相同，都反映了如果不采取更有效的治理措施，长江的污染情况将会相当严重，它们也都反映了江水流量随年份变化的自然规律，以及废水排放量的指数增长趋势。需要说明的一点是，线性模型在递推的次数较多时将会趋于常值或者大幅度振荡，在加入有物理意义的限制条件之后，模型的合理性才能得到保证。线性回归模型在递推时，只用到了过去一年的数据，而神经元网络法则要用过去9年的数据来推出未来1年的数据，所以线性回归的模型在计算量上要小一些。问题（4）本题要把IV类、V类和劣V类水的河长比例和每年的污水处理量联系起来，为此，我们首先考察过去10年间这两者之间的关系，使用线性回归的模型如下：X1为某年的污水排放量；X2为该年的总流量；y为该年的IV类、V类或劣V类水的河长比例。利用过去10年得到10组数据，进行拟合。考虑总流量的原因是当废水排放量一定时，总流量越大则污染越轻，因此总流量应当考虑在模型中。Matlab命令如下：stepx=[feishui;shui]';%过去10年排放的废水和总流量数据stepy=yearg(1,:)';%过去10年的IV类水河长比例rstool(stepx,stepy)拟合时matlab图形界面如下图15：图15matlab图形界面从中可导出IV类污染河长比例的回归系数，同理可导出V类和劣V类水的河长比例的回归系数，构成下面的矩阵：12.8329.3717-7.25840.0915310.0311770.061479-0.00232-0.00123-0.00039第一列到第三列分别指向IV类、V类和劣V类水的河长比例的回归系数，从上到下每行分别表示回归表达式中的b0、b1和b2。利用第（2）题中的神经网络法预测得到未来10年的水量和废水排放量如下（（2）中程序可给出）：280.6304.87338.27370.82392.3467.02555.03691.97903.721128.988009702.41016188008800103689579.888009847.19008.4第一行从左到右依次为未来10年的废水排放量，第二行从左到右依次为未来10年的总流量。利用这些数据以及上面的回归模型可以预测出三类污染河长的比例。一般来说，不能满足题目的要求。于是我们编写了程序topic4.m（请见附录4）用来搜索未来10年中每一年的废水排放量要减少多少，才能使长江污染达到题目的要求，其算法流程图如下图16：图16得到结果：（搜索精度为0.1）：106.1 124.6 155.1 196.3 217.8 282.5 375.6 517.5 722.5 953.1从左到右分别为未来1－10年每年需要减少的废水排放量（单位：亿吨）。这就是以后每年需要处理的污水量。从下图17可以看出，这个量基本上是按指数规律上升的。图17未来10年需处理的污水量变化趋势问题（5）①由第一题的结论，在题目附件3提到的17个城市中，7江苏南京林山

，8.四川乐山岷江大桥，10.四川泸州沱江二桥

，14.湖北武汉宗关

，15.江西南昌滁槎

这几个城市的综合污染指数比较高，需要加以重视以控制污染。②由第二题的结论，干流上7个城市所在地区中，高锰酸盐污染物的源头最主要在湖南岳阳附近地区，其他地区如重庆朱沱

、湖北宜昌南津关、江西九江

和江苏南京附近地区排放高锰酸盐污染物也较多，需要政府加以控制。③同样由第二题的结论，干流上7个城市所在地区中，氨氮污染物的源头最主要在湖南岳阳附近地区，其他地区如重庆朱沱

、湖北宜昌南津关和江西九江附近地区排放氨氮污染物也较多，需要政府加以控制。④从第三第四题可以得到的结论是，如果不加以合理的控制，长江流域的污染情况在10年后将变得极为严重，劣5类水将占到几乎所有的河长；工厂排出的废水将以指数规律增加；而要保持长江的干净，处理的污水量将以指数规律增加，这也将耗费大量的资源。所以，更好的结果就是通过有效的治理措施，控制工厂排放的污水，比如鼓励采用环保技术，改革产业结构等等。总的来说，长江作为中华民族的母亲河，其污染状况是严重的，解决长江的污染问题刻不容缓。看了附件的几个材料，我深有感触。拿江阴来说吧，这几年来一直位列全国百强县的第一名的城市，在经济方面可以说是日新月异，却几次出现在材料的反面例子中。近年来著名的长江三鲜在江中基本绝迹，与此形成鲜明对比的却是江边一字排开的大小企业，包括紧邻的两个大型船厂，叫人深思。治理长江已经成为刻不容缓的事情，而这要求政府和民众的共同投入，才能达到我们的目标。政府立法是比较可行的一个途径。加强对沿江企业的管理，加大对污染的惩罚力度。对已经形成的污染，政府要下大力气拨出专门的款项来进行治理，净化。由于长江的污染在东部比较严重，而东部地区的经济发达程度是允许政府的这种行为的。太湖在几年前曾经达到一个污染的顶峰，有段时间无锡市内居民只能依靠矿泉水度日，后来经过政府切实的努力，太湖的水质已经有了很大的好转。而对未来的城市规划，政府应该更多的考虑江水污染的因素，污染型企业的选址要特别注意远离江边。而是考虑利用一些新的技术进行污水处理，净化后再排向江河湖海。虽然这样可能影响眼前的经济利益，但是从长远来看，这是很有利的，因为当长江水质恶化到一定程度后，会极大地影响人们的生活，提高各种疾病的发生率，进而为社会增加沉重的负担，届时政府要付出的远超出现在失去的小小利益。事实上，最难的是现有存在于江边的大型企业。很多地区的经济以这些企业为支柱，让他们迁址是不现实的，何况像船厂这样的企业必须在江边才有意义。那么，我们要做的就是减少这些企业污染物的排放。刚刚已经提到了政府立法以加大惩罚力度，但是这需要企业的配合。而且现今污染的一个重要的原因就是效率太低，造成了高消耗、高污染和低产出的局面，如果能有效地降低消耗，那么污染的情况也会相应得好很多。因此，政府应该以财政支持企业的技术创新，企业自身也要加大投入在技术创新上，以提高生产效率，这与企业利益最大化也是不矛盾的。当然强制性的措施也应并行，大幅提高罚款数额，并加以一系列限制的条例也是必要的。政府的另一个作用体现在教育上。这种环保的教育不应仅仅体现在学校教育上，而应成为一种全民教育。在学校中，环保的教育应当不仅仅侧重于培养学生的环保意识。由于学生们会成为未来的建设者，因此教育还应鼓励环境保护方面的科技创新，加大对环境工程等领域的投入，使未来的毕业生能够成为科技治污的主力军。社会层面的环保教育应该着力使普通民众意识到江水污染的危害，这样大家就会对生活垃圾的处理更加注意，同时，群众的呼声也会对污染的企业形成很大的压力。说到这里，我们不能忽略宣传的力量。政府的宣传固然重要，但是媒体的力量更是不可忽视，电视，网络，报刊，形形色色的媒体宣传会引起民众足够的重视，因而形成一股强大的力量，推动长江的治理工作。或者可以说，政府和媒体本来就是相辅相成的，政府的工作当然需要媒体的支持才能顺利进行。最后，我们都要记住两个字“投入”，不投入任何措施都是空谈。只有全社会都投入到这场拯救长江的运动中来，各方力量高度配合，才能收到好的效果。参考文献：[1]姜启源等，大学数学实验，北京：清华大学出版社，2005。[2]蒋良维等，长江嘉陵江重庆段水质现状评价与预测，重庆环境科学，第16卷第3期：13－18页，1994年附录：附录1：polu.mfunctionp=polu(x,result,vs,quan)zijing=0.2;%自净系数%x为7个城市的污染物日排放量%计算动态平衡时的各个城市的污染情况vs=vs.*(3600*24);%单位：m/天dis=[0 950 1728 2123 2623 2787 3251].*1000;fori=1:6dist(i)=dis(i+1)-dis(i);%城市间的距离endfori=1:6v(i)=(vs(i+1)+vs(i))/2;%城市间的流速，简单考虑endfori=1:7%第i个城市的排污对第j个城市的影响,存放在pp(i,j)中if(i~=1)fork=1:i-1pp(i,k)=0;endendforj=i:7if(i==j)pp(i,j)=x(i);elseT=sum(dist(i:j-1)./v(i:j-1));%污染物运送时间，单位：天pp(i,j)=x(i)*(1-zijing)^T;endendendpp%输出pp，城市间相互作用关系矩阵p(1:7)=sum(pp(:,1:7));p=p./quan-result;附录2：huigui3.m%产生累加比例并作图fori=1:6ifi==1temp(i,:)=yearq(i,:);elsetemp(i,:)=yearq(i,:)+temp(i-1,:);endendfigure;plot(1:10,temp(1:5,:),'-o');grid;holdonfori=1:9stepx(i,1:5)=temp(1:5,i)';stepx(i,6)=feishui(i);%加入废水数据stepx(i,7)=shui(i);%加入流量数据%stepx(i,6:10)=temp(1:5,i+1)';%stepx(i,11:15)=temp(1:5,i+2)';endstepy=temp(1,2:10)';%stepy=feishui(2:end);%stepy=shui(2:end);%rstool(stepx,stepy)%线性回归方法调用，实际使用时要调用7次以确定各组系数值，然后组成系数矩阵。figure;temp(6:7,:)=[feishui;shui];%加入废水和流量的数据temp1(:,1)=[temp(1:5,10);feishui(10);shui(10)];%确定叠代初值fori=2:10temp1(:,i)=xiss(2:8,:)'*temp1(:,i-1)+xiss(1,:)';%叠代表达式%====================================%限制条件1iftemp1(7,i)>13000temp1(7,i)=13000;elseiftemp1(7,i)<8800temp1(7,i)=8800;endend%限制条件2forj=1:7iftemp1(j,i)<0temp1(j,i)=0;endend%限制条件3fork=1:10j=2;while(j<=4)iftemp1(j,i)>temp1(j+1,i)temp1(j,i)=temp1(j+1,i)/2+temp1(j-1,i)/2;endiftemp1(j,i)<temp1(j-1,i)temp1(j,i)=temp1(j+1,i)/2+temp1(j-1,i)/2;endj=j+1;endend%====================================endplot(1:20,[temp(1:5,:),temp1(1:5,:)],'-o');gird;%作出20年的趋势图figue;plot(1:20,[temp(6,:),temp1(6,:)],'-o');gird;figure;plot(1:20,[temp(7,:),temp1(7,:)],'-o');grid附录3：neral.m%产生累加比例并作图fori=1:6ifi==1temp(i,:)=yearq(i,:);elsetemp(i,:)=yearq(i,:)+temp(i-1,:);endendtemp(6:7,:)=[feishui;shui];%加入废水和总水量的数据figure;plot(1:10,temp(1:5,:),'-o');grid;%作出以前10年的图像holdonA=[0100;0100;0100;0100;0100;0inf;0inf;];%输入量上下界n=7;%数据量为7net=newlin(A,n);%建立神经网络P=temp(:,1:9);%产生输入矩阵T=temp(:,2:10);%产生输出矩阵net=newlind(P,T);%实现学习规则result=sim(net,P)%计算输出weight=net.IW{1,1}%计算权数bias=net.b{1}%计算输出激励值%------------------------------------------------------fori=1:10result=sim(net,result);%叠代表达式%====================================forn=1:9%限制条件1ifresult(7,n)>13000result(7,n)=13000;elseifresult(7,n)<8800result(7,n)=8800;endend%限制条件2forj=1:7ifresult(j,n)<0result(j,n)=0;endend%限制条件3fork=1:10j=2;while(j<=4)ifresult(j,n)>result(j+1,n)result(j,n)=result(j+1,n)/2+result(j-1,n)/2;endifresult(j,n)<result(j-1,n)result(j,n)=result(j+1,n)/2+result(j-1,n)/2;endj=j+1;endendend%====================================