基于決策樹(shù)支持向量機(jī)的地表水水質(zhì)評(píng)價(jià)研究

周 妍，廖振良，周 燦

（同濟(jì)大學(xué) 環(huán)境科學(xué)與工程學(xué)院，上海 200092）

0 引言

水質(zhì)評(píng)價(jià)在本質(zhì)上是一種多指標(biāo)、多類(lèi)別的屬性識(shí)別的過(guò)程，對(duì)水資源開(kāi)發(fā)利用、水環(huán)境質(zhì)量監(jiān)督與保護(hù)都有著重要作用，如何使水質(zhì)評(píng)價(jià)更加科學(xué)、客觀、合理是現(xiàn)代環(huán)境領(lǐng)域研究的重要課題之一。隨著非線(xiàn)性理論、不確定性理論的出現(xiàn)以及計(jì)算機(jī)技術(shù)的快速發(fā)展和不斷普及，從最初的生物評(píng)定法和專(zhuān)家評(píng)價(jià)法[1]，到現(xiàn)在的單因子評(píng)價(jià)法[2]、灰色理論法[3]、模糊綜合評(píng)價(jià)法[4-5]等。其中，以單因子為代表的指數(shù)評(píng)價(jià)法雖然計(jì)算方法簡(jiǎn)單，但僅僅采用單一信息的水質(zhì)評(píng)價(jià)方法，對(duì)于目前復(fù)雜多變的水質(zhì)情況，評(píng)價(jià)結(jié)果往往不能全面的反映出實(shí)際的綜合水質(zhì)類(lèi)別；模糊綜合評(píng)價(jià)法在評(píng)價(jià)過(guò)程中確定效用函數(shù)、權(quán)重系數(shù)等步驟依賴(lài)人的主觀性，以及指標(biāo)權(quán)重、模糊算子、最大隸屬度原則等方面的不確定性，使該方法的評(píng)價(jià)模式在水質(zhì)評(píng)價(jià)領(lǐng)域的通用性有所限制，也對(duì)評(píng)價(jià)結(jié)果的可靠性有所影響[6]。因此，如何綜合考慮多個(gè)水質(zhì)指標(biāo)及其濃度成為水質(zhì)評(píng)價(jià)的一個(gè)難點(diǎn)。

基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)（Support Vector Machine,SVM）是近幾年迅速發(fā)展起來(lái)的一種分類(lèi)模型，為水質(zhì)評(píng)價(jià)研究提供了一條新的途徑。SVM 是針對(duì)分類(lèi)問(wèn)題提出的一種機(jī)器學(xué)習(xí)方法[7-8]，不但結(jié)構(gòu)簡(jiǎn)單，而且在眾多數(shù)據(jù)模型中具有較好的泛化能力，尤其對(duì)于小樣本的問(wèn)題，可成功解決神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中“過(guò)學(xué)習(xí)”等問(wèn)題，同時(shí)也能夠避免模型陷入局部最優(yōu)，保證最后得到的極值解是全局最優(yōu)解[9]。目前，SVM 算法廣泛應(yīng)用在模式識(shí)別、時(shí)間序列分析[10]、聚類(lèi)分析[11]等方面。由于水質(zhì)指標(biāo)屬于一種有限的、非線(xiàn)性的指標(biāo)，越來(lái)越多的專(zhuān)家學(xué)者將支持向量機(jī)運(yùn)用到水質(zhì)評(píng)價(jià)的領(lǐng)域[12-14]。運(yùn)用SVM 解決多類(lèi)問(wèn)題的分類(lèi)方法主要有3 種：“一對(duì)一”、“一對(duì)余”以及“決策樹(shù)”[15]。本文采用分類(lèi)正確率較高、學(xué)習(xí)訓(xùn)練代價(jià)較小且重復(fù)訓(xùn)練樣本也較少的“決策樹(shù)”分類(lèi)算法。利用基于決策樹(shù)的支持向量機(jī)建立模型對(duì)研究區(qū)域進(jìn)行水質(zhì)評(píng)價(jià)，同時(shí)與作為參考的單因子評(píng)價(jià)法和模糊綜合評(píng)價(jià)法的評(píng)價(jià)結(jié)果進(jìn)行對(duì)比分析，以佐證SVM 評(píng)價(jià)方法的先進(jìn)性和合理性。

1 研究方法

1.1 原理概述

SVM 分類(lèi)模型基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原理是以分類(lèi)邊界距離最大為目的進(jìn)行分類(lèi)識(shí)別。樣本分類(lèi)數(shù)據(jù)分為線(xiàn)性可分和線(xiàn)性不可分2 種情況，當(dāng)分類(lèi)數(shù)據(jù)屬于線(xiàn)性可分時(shí)，SVM 分類(lèi)模型通過(guò)尋求能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的最優(yōu)超平面進(jìn)行模式識(shí)別；而當(dāng)分類(lèi)數(shù)據(jù)線(xiàn)性不可分時(shí)，則需要將低維空間中線(xiàn)性不可分的樣本數(shù)據(jù)通過(guò)非線(xiàn)性映射算法（核函數(shù)）轉(zhuǎn)化為在高維特征空間中線(xiàn)性可分的樣本分類(lèi)問(wèn)題，繼而采用線(xiàn)性分類(lèi)的方法對(duì)其進(jìn)行求解。

假設(shè)從某一未知概率分布函數(shù)F（x,y）中隨機(jī)抽取給定訓(xùn)練樣本集，｛(xi,yi),i=1,2, …,l｝,xiCRd,yiCR。為使分類(lèi)超平面可以正確分類(lèi)所有樣本，并使分類(lèi)間隔最大，其約束條件為：

式中：xi為輸入值；w 為可調(diào)的權(quán)重函數(shù)；b 為閾值；w·xi表示向量w 與xi的內(nèi)積。

（1）當(dāng)樣本分類(lèi)數(shù)據(jù)線(xiàn)性可分時(shí)，分類(lèi)間隔為：

式中：xi為yj=+1 時(shí)的值，xj為yj=-1 時(shí)的值。

求解最優(yōu)超平面的問(wèn)題可轉(zhuǎn)化為約束最優(yōu)的問(wèn)題：即在滿(mǎn)足約束條件（1）的前提下，通過(guò)最小化使得分類(lèi)間隔最大。這可以通過(guò)建立拉格朗日函數(shù)的對(duì)偶形式來(lái)解決：

約束條件為：

式中：拉格朗日乘子α={α1，…，αN}。

（2）線(xiàn)性不可分?jǐn)?shù)據(jù)見(jiàn)圖1。由圖1 可以看出，三角形和圓形所代表的2 類(lèi)樣本數(shù)據(jù)是線(xiàn)性不可分時(shí)，亦即某些樣本數(shù)據(jù)不滿(mǎn)足式（1）條件，則需要引入松弛項(xiàng)ξi來(lái)盡可能地降低模型泛化出錯(cuò)的風(fēng)險(xiǎn)。

圖1 線(xiàn)性不可分?jǐn)?shù)據(jù)

約束條件為:

目標(biāo)函數(shù)為：

式中：ξ為松弛變量；C 為常數(shù)，且C>0，主要用于平衡機(jī)器的復(fù)雜程度和不可分離點(diǎn)數(shù)以及控制錯(cuò)分樣本的懲罰程度，C 越大表示對(duì)錯(cuò)誤的懲罰越重，被稱(chēng)為“懲罰因子”。

SVM 分類(lèi)模型主要包括“構(gòu)建分類(lèi)器、選取訓(xùn)練及驗(yàn)證樣本、選擇核函數(shù)及參數(shù)、構(gòu)建訓(xùn)練模型、模型的驗(yàn)證”5 個(gè)步驟。其中關(guān)鍵步驟在于核函數(shù)及參數(shù)的選擇，核函數(shù)的選擇取決于數(shù)據(jù)的分布特征，不同的核函數(shù)具有不同的特點(diǎn)和適用范圍。本文選取的是目前使用最廣泛的徑向基核函數(shù)（RBF），SVM 分類(lèi)模型中的懲罰系數(shù)C 和核函數(shù)的參數(shù)γ 采用交叉驗(yàn)證的方法來(lái)確定這2 個(gè)參數(shù)的最優(yōu)組合，并選取交叉的折數(shù)V=5 進(jìn)行C 和γ 的最優(yōu)求解[17]。

1.2 支持向量機(jī)多分類(lèi)算法

SVM 分類(lèi)模型最早是針對(duì)二分類(lèi)問(wèn)題提出的，在實(shí)際應(yīng)用中，有很多問(wèn)題是多分類(lèi)問(wèn)題，例如水質(zhì)評(píng)價(jià)問(wèn)題，因此分類(lèi)算法的選擇對(duì)SVM 分類(lèi)模型深入應(yīng)用到更多的領(lǐng)域至關(guān)重要。徐紅敏[16]通過(guò)比較SVM 分類(lèi)模型的3 種多分類(lèi)算法，得到的結(jié)果見(jiàn)表1。其中，“決策樹(shù)”分類(lèi)方法在所有SVM 分類(lèi)模型多類(lèi)別分類(lèi)方法中應(yīng)用較為廣泛，它將多類(lèi)別的各個(gè)類(lèi)別重新組合，同時(shí)也考慮結(jié)合SVM 分類(lèi)模型的二類(lèi)別分類(lèi)特點(diǎn)，構(gòu)建的多個(gè)子分類(lèi)器類(lèi)似于決策樹(shù)，最終實(shí)現(xiàn)多類(lèi)別分類(lèi)，解決各種多分類(lèi)問(wèn)題。

表1 多類(lèi)支持向量機(jī)分類(lèi)算法對(duì)比

本文采用分類(lèi)正確率較高、學(xué)習(xí)訓(xùn)練代價(jià)較小且重復(fù)訓(xùn)練樣本也較少的決策樹(shù)分類(lèi)算法。根據(jù)不同案例的實(shí)際情況構(gòu)建多個(gè)分類(lèi)器，每個(gè)分類(lèi)器通過(guò)相應(yīng)的樣本數(shù)據(jù)分別進(jìn)行訓(xùn)練和檢驗(yàn)。

2 研究過(guò)程

2.1 研究區(qū)域

選擇某城市一處人工湖泊為研究區(qū)域，該人工湖泊地處北亞熱帶季風(fēng)區(qū)，平均水深約4 m。根據(jù)當(dāng)?shù)貙?duì)該湖泊制定的水質(zhì)規(guī)劃目標(biāo)，基本達(dá)到人類(lèi)非直接接觸娛樂(lè)用水以及城市一般工業(yè)用水的需求[17]。因此，為使湖泊處于健康良性的發(fā)展，同時(shí)改善提升整體功能，需對(duì)其湖區(qū)水質(zhì)進(jìn)行長(zhǎng)期監(jiān)測(cè)和水質(zhì)評(píng)價(jià)。

因SVM 分類(lèi)模型前期需要一定數(shù)量的數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證，綜合考慮實(shí)際情況選取該人工湖泊最具代表性的2018年1月～12月的水質(zhì)數(shù)據(jù)，分別通過(guò)SVM 分類(lèi)模型、單因子評(píng)價(jià)法和模糊綜合評(píng)價(jià)法對(duì)其水質(zhì)進(jìn)行逐月評(píng)價(jià)分析。該湖泊在線(xiàn)監(jiān)測(cè)點(diǎn)分布見(jiàn)圖2。在其湖心設(shè)置4 個(gè)浮標(biāo)站并布設(shè)8條人工垂線(xiàn)，在7 個(gè)支流出入口設(shè)置7 個(gè)岸邊站，在河網(wǎng)關(guān)鍵斷面設(shè)置10 個(gè)集成站。

圖2 某城市人工湖泊在線(xiàn)監(jiān)測(cè)點(diǎn)分布示意

根據(jù)GB 3838—2002《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》和該湖泊的限制因子以及其他各種影響因素，從24個(gè)地表水環(huán)境質(zhì)量指標(biāo)中選取DO，CODMn，BOD5，NH3-N，TN，TP 作為主要影響因子進(jìn)行水質(zhì)評(píng)價(jià)，并確認(rèn)評(píng)價(jià)等級(jí)集合：V={Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ}。同時(shí)，根據(jù)岸邊站、浮標(biāo)站以及集成站的水質(zhì)在線(xiàn)監(jiān)測(cè)數(shù)據(jù)，結(jié)合人工取樣監(jiān)測(cè)結(jié)果，得到該湖泊2018年12 個(gè)月的水質(zhì)指標(biāo)數(shù)據(jù)。

2.2 構(gòu)建分類(lèi)器

根據(jù)地表水質(zhì)評(píng)價(jià)等級(jí)，將本文中的地表水質(zhì)評(píng)價(jià)案例共分為5 個(gè)等級(jí)，構(gòu)建的基于決策樹(shù)的SVM 分類(lèi)模型見(jiàn)圖3。每個(gè)節(jié)點(diǎn)是1 個(gè)分類(lèi)器，共構(gòu)建4 個(gè)分類(lèi)器。

圖3 決策樹(shù)分類(lèi)模型

2.3 選取訓(xùn)練樣本

首先，將2018年該湖泊17 個(gè)監(jiān)測(cè)點(diǎn)收集到的412 組監(jiān)測(cè)水質(zhì)數(shù)據(jù)，按7 ∶3 的比例劃分為288 組訓(xùn)練集和124 組驗(yàn)證集。其次，為消除不同水質(zhì)指標(biāo)之間因量級(jí)不同所造成的差異，用極差法對(duì)國(guó)標(biāo)中選取的6 個(gè)指標(biāo)因子進(jìn)行歸一化無(wú)量綱處理，使其數(shù)值都?xì)w一化至區(qū)間[0,1]，具體公式如下：

式中：i=1，2，…，6；j = 1，2，…，5；xmax，xmin分別為國(guó)標(biāo)中各項(xiàng)目因子的最大值和最小值；為歸一化處理后的數(shù)值。

盡管SVM 分類(lèi)模型支持小樣本訓(xùn)練，但對(duì)訓(xùn)練集的數(shù)據(jù)數(shù)量還是有一定的基本要求，以水質(zhì)評(píng)價(jià)為例，地表水質(zhì)分為Ⅰ～Ⅴ類(lèi)水，5 組閾值組成的訓(xùn)練樣本數(shù)據(jù)難以達(dá)到模型訓(xùn)練精度要求，因此為生成足夠的訓(xùn)練樣本，采取隨機(jī)插值方法進(jìn)行插補(bǔ)。選取《地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》中與樣本水質(zhì)數(shù)據(jù)對(duì)應(yīng)的污染物指標(biāo)作為訓(xùn)練樣本數(shù)據(jù)屬性，用Matlab R2018a 中的隨機(jī)均勻分布函數(shù)進(jìn)行加密插值[18]，每個(gè)分類(lèi)器構(gòu)造出約1 000 組不同區(qū)間的標(biāo)準(zhǔn)樣本數(shù)據(jù)。

以分類(lèi)器一為例，該分類(lèi)器的目的是將Ⅰ類(lèi)水和Ⅱ～Ⅴ類(lèi)水區(qū)分開(kāi)，故加密構(gòu)造出700 組數(shù)據(jù)。其中100 組為Ⅰ類(lèi)水，對(duì)應(yīng)的標(biāo)簽Y1 取值為1；另外600 組為非Ⅰ類(lèi)水，對(duì)應(yīng)的標(biāo)簽Y1 取值為-1；所有計(jì)算均在Windows10 平臺(tái)上的Matlab R2018a 進(jìn)行。

2.4 構(gòu)建訓(xùn)練模型

為實(shí)現(xiàn)參數(shù)的網(wǎng)格尋優(yōu)及交叉驗(yàn)證，調(diào)用Libsvm 軟件包中的grid.py 程序，結(jié)合Gnuplot 5.2交互式繪圖軟件可輸出網(wǎng)格法尋優(yōu)交叉驗(yàn)證的等精度圖。首先根據(jù)等精度圖得到4 個(gè)分類(lèi)器的最優(yōu)參數(shù)組合分別為C = 0.031 25，γ = 2；C = 0.5，γ =0.5；C=2，γ=8；C=0.5，γ=8。然后在Matlab 中編寫(xiě)建模函數(shù)語(yǔ)句及調(diào)用模型語(yǔ)句，最后構(gòu)建訓(xùn)練模型進(jìn)行訓(xùn)練。

2.5 模型的驗(yàn)證與實(shí)例評(píng)價(jià)

模型訓(xùn)練完畢后，為驗(yàn)證模型的泛化能力，還需用驗(yàn)證集進(jìn)行驗(yàn)證。先將2018年該湖泊12 個(gè)月的水質(zhì)數(shù)據(jù)進(jìn)行歸一化處理；對(duì)于每一個(gè)月份，在Matlab 里輸入命令：

式中：x1～x6為當(dāng)月6 個(gè)水質(zhì)指標(biāo)歸一化后的數(shù)值；Y 為標(biāo)簽值，可取任意值，此處選取1。

用Matlab 進(jìn)行逐月水質(zhì)評(píng)價(jià)，水質(zhì)指標(biāo)變化及水質(zhì)評(píng)價(jià)結(jié)果詳見(jiàn)圖5 和表2。

圖5 2018年某城市人工湖泊的水質(zhì)指標(biāo)變化

表2 SVM 分類(lèi)模型的水質(zhì)評(píng)價(jià)結(jié)果

2.6 其他水質(zhì)評(píng)價(jià)方法對(duì)比

為驗(yàn)證SVM 水質(zhì)評(píng)價(jià)模型的優(yōu)越性，將SVM與其他2 種傳統(tǒng)的地表水水質(zhì)評(píng)價(jià)方法的差異進(jìn)行對(duì)比分析評(píng)價(jià)結(jié)果見(jiàn)表3。

表3 單因子法、模糊綜合評(píng)價(jià)法和SVM 分類(lèi)模型的水質(zhì)評(píng)價(jià)結(jié)果

3 討論

（1）由圖5 可以看出，2018年該人工湖泊水質(zhì)整體呈變好趨勢(shì)。根據(jù)湖泊水質(zhì)數(shù)據(jù)分析，除TP外，CODMn，BOD5，NH3-N，TN 等指標(biāo)濃度整體下降，DO 指標(biāo)濃度呈整體上升趨勢(shì)，TP 指標(biāo)一直在Ⅲ類(lèi)和Ⅳ類(lèi)之間波動(dòng)變化，而TN 指標(biāo)則是由Ⅴ類(lèi)慢慢向Ⅲ類(lèi)過(guò)渡?？傮w而言，TP 和TN 是主要的減排目標(biāo)。而單因子評(píng)價(jià)法和模糊綜合評(píng)價(jià)法的評(píng)價(jià)結(jié)果未能顯著表明該人工湖泊水質(zhì)的細(xì)微波動(dòng)變化。

（2）由表3 可知，單因子評(píng)價(jià)法的結(jié)果均為Ⅳ，Ⅴ類(lèi)水，該方法是將單一的且最嚴(yán)重的污染物超標(biāo)程度作為整體水質(zhì)的表征，雖然評(píng)價(jià)過(guò)程簡(jiǎn)單直觀，但將整體水質(zhì)均歸于Ⅳ，Ⅴ類(lèi)水顯得略為悲觀，無(wú)益于真實(shí)反映水體功效是否滿(mǎn)足基本要求，也無(wú)法精確描述水環(huán)境的實(shí)際綜合狀態(tài)。

（3）對(duì)比分析SVM 分類(lèi)模型與模糊綜合評(píng)價(jià)法的評(píng)價(jià)結(jié)果，由圖5 和表3 可知，除2月、4月、6月、7月外，其余月份用模糊綜合評(píng)價(jià)法比SVM 均高出1～2 個(gè)等級(jí)，即評(píng)價(jià)結(jié)果略顯悲觀；且8月至12月的水質(zhì)評(píng)價(jià)結(jié)果均為Ⅳ類(lèi)水質(zhì)，對(duì)前期在現(xiàn)場(chǎng)收集的在線(xiàn)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析得知，除去之前所選取的國(guó)標(biāo)規(guī)定的化學(xué)指標(biāo)，其他一些物理和生物指標(biāo)從側(cè)面也說(shuō)明了該湖泊水質(zhì)在11月份有所改善。由此看出，傳統(tǒng)模糊綜合評(píng)價(jià)法無(wú)法辨別兩者更細(xì)微的差異，評(píng)價(jià)結(jié)果不能真切描述實(shí)際水質(zhì)情況。相比SVM 分類(lèi)模型的評(píng)價(jià)結(jié)果更為合理，更貼近實(shí)際情況，同時(shí)能夠辨別水質(zhì)變化中更加細(xì)微的差異。

此外，模糊綜合評(píng)價(jià)法易出現(xiàn)模型“失效”的情況，需要人為給定賦值權(quán)重，導(dǎo)致評(píng)價(jià)結(jié)果具有較強(qiáng)的主觀性；雖然基于較為精確的數(shù)學(xué)模型進(jìn)行描述，但模糊綜合評(píng)價(jià)法忽略了各類(lèi)評(píng)價(jià)因子和水質(zhì)等級(jí)之間呈現(xiàn)的復(fù)雜的非線(xiàn)性關(guān)系，沒(méi)有很好地解決這個(gè)關(guān)鍵問(wèn)題。相對(duì)而言，SVM 水質(zhì)評(píng)價(jià)模型則沒(méi)有水質(zhì)參評(píng)項(xiàng)目個(gè)數(shù)的限定，能夠全面、客觀地反映水資源中各水質(zhì)指標(biāo)的綜合污染程度，在小樣本的情況下也能得到較好的分類(lèi)結(jié)果，有助于水環(huán)境領(lǐng)域中的決策者作出更加科學(xué)客觀的決策，為防治水污染、合理利用水資源奠定堅(jiān)實(shí)基礎(chǔ)。

雖然SVM 所建立的水質(zhì)評(píng)價(jià)模型具有良好的預(yù)測(cè)能力，支持小樣本問(wèn)題，但由于前期需要數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證，與傳統(tǒng)方法相比較仍需依賴(lài)大量的樣本數(shù)據(jù)；同時(shí)SVM 作為一個(gè)黑箱模型，只能看見(jiàn)輸入和輸出而非評(píng)價(jià)過(guò)程，對(duì)于評(píng)價(jià)結(jié)果的可解釋性較差，可考慮與傳統(tǒng)統(tǒng)計(jì)方法相結(jié)合。此外，SVM 分類(lèi)模型在解決多類(lèi)的分類(lèi)問(wèn)題方面還不完善，需進(jìn)一步深入研究。

4 結(jié)論

以某城市一處人工湖泊的實(shí)測(cè)數(shù)據(jù)作為樣本，結(jié)合實(shí)際選取合適的影響因子及相關(guān)影響因素作為模型輸入量及輸出量，基于決策樹(shù)分類(lèi)算法的支持向量機(jī)（SVM）構(gòu)建地表水水質(zhì)評(píng)價(jià)模型，并與傳統(tǒng)水質(zhì)評(píng)價(jià)方法的評(píng)價(jià)結(jié)果進(jìn)行對(duì)比分析。得出以下結(jié)論：

（1）將SVM 分類(lèi)模型應(yīng)用于某城市人工湖泊的水質(zhì)分類(lèi)，結(jié)果表明，該人工湖泊的整體水質(zhì)正在好轉(zhuǎn)，這與該人工湖泊各評(píng)價(jià)指標(biāo)的分析結(jié)果相一致。

（2）將SVM 分類(lèi)模型與單因子法和模糊綜合評(píng)價(jià)法2 種傳統(tǒng)的地表水水質(zhì)評(píng)價(jià)方法進(jìn)行比較，SVM 水質(zhì)評(píng)價(jià)模型能客觀考慮各項(xiàng)指標(biāo)和影響因素，既避免了單因子評(píng)價(jià)法結(jié)果的過(guò)保護(hù)問(wèn)題，同時(shí)沒(méi)有限制水質(zhì)參評(píng)項(xiàng)目的個(gè)數(shù)，能夠更加客觀全面地反映水環(huán)境的水質(zhì)現(xiàn)狀及其變化趨勢(shì)，在小樣本的情況下也能得到較好的分類(lèi)結(jié)果，有助于讓水管理者更加準(zhǔn)確真實(shí)地進(jìn)行水質(zhì)評(píng)價(jià)，更好地監(jiān)督和管理水環(huán)境。因此，SVM 分類(lèi)模型可有效應(yīng)用于地表水水質(zhì)評(píng)價(jià)中。

（3）雖然SVM 分類(lèi)模型已具有良好的預(yù)測(cè)能力，但還需進(jìn)一步研究、完善，比如：①SVM 分類(lèi)模型與傳統(tǒng)統(tǒng)計(jì)方法相結(jié)合在水質(zhì)管理中的應(yīng)用；②SVM 分類(lèi)模型可考慮結(jié)合其他分類(lèi)算法的優(yōu)勢(shì)，提高多類(lèi)問(wèn)題的分類(lèi)精度；③在訓(xùn)練SVM 分類(lèi)模型的過(guò)程中，如何尋求更優(yōu)的算法模型和選取更適于水質(zhì)監(jiān)測(cè)與評(píng)價(jià)的SVM 分類(lèi)模型核函數(shù)及參數(shù)。