基于葠窩水庫的水質預測研究

韓 偉

(遼寧省遼陽水文局，遼寧 遼陽 111000)

0 引 言

近年來，隨著水生態文明建設的加快及水資源保護力度的增強，水環境保護規劃越來越引起人們的重視。因此，準確預測水質未來變化趨勢，可為科學合理的制定水環境保護規劃、實施有效的保護措施等提供數據支撐，水庫特別是水源地水庫的環境狀況已成為公眾和社會關注的焦點。目前，關于水環境、水庫水質等諸多學者利用不同方法開展了預測研究，其中應用效果較好的為灰色模型與變量回歸相結合的方法，在水質預測中該模型的適用性較好、精準度較高，然而在不同區域灰色模型的適用范圍和條件存在一定差異[1-3]。據此，文章以葠窩水庫為例，對其水質狀況利用灰色模型加以預測，并結合采樣數據驗證了模型的適用性與可靠性，以期為灰色模型的推廣應用提供數據支持。

1 研究方法

1.1 水質監測方法

一般地，評價水庫水質的主要指標有生物學、化學和物理學等指標。其中，TP|(總磷)、TN(總氮)、氨氮、COD5(五日化學需氧量)為控制水庫水質的主要因子，另外湖庫富營養化程度還受到總氮與總磷比值的影響。遵循科學性、代表性、數據可獲取性等原則，文章選擇監測項目有氮磷、TP|(總磷)、TN(總氮)、COD5(五日化學需氧量)，這也是常規的水質監測指標，監測方法如下：

采用紫外分光光度法測定樣本中的TN含量，先把純化的堿性過硫酸鉀融入水樣中加熱30min，溫度控制在126℃-127℃，自然冷卻后測其275nm、220n處的吸光度，并以無氨水為基準加以對比。采用鉬酸銨分光光度法測定水樣中的TP含量，將過硫酸鉀融入水樣中加熱20min，溫度控制不超過140℃，將鉬酸銨與抗壞血酸待自然冷卻后加入，監測波長為700nm處的吸光度，若吸光度測定受水樣中色度的影響還要補償色度[4-6]。在酸性條件下采用高錳酸鉀氧化樣本中的還原性物質以及有機物，并用過量的草酸處理過量的高錳酸鉀，通過對高錳酸鉀消耗量的計算，求解出水樣中的化學需氧量。此外，氮磷指標監測方法借鑒文獻。

1.2 灰色預測模型

回歸方程為使用灰色模型的理論依據，通過求解方程確定已知變量的預測值，且通常以常用水質指標作為已知變量，即利用回歸方程和水質指標系列數據預測其未來變化值，數學表達式為：

(1)

式中:u為水庫水質預測指標，即預測變量；a為模型求解系數；t為預測時間步長，h；x(1)為水質指標預測濃度，mg/L。采用下式求解系數值a，即：

(2)

(3)

式中：YN、B為模型求解的不同變量值，可利用下式計算各各變量，即：

YN=[x(0)(2)·x(0)(3)·∧·x(0)(N)]T

(4)

式中：x(0)(2)、x(0)(3)、x(0)(N)為水質樣本系列數據；經一系列轉換計算確定水質預測方程，數學公式為：

(5)

2 結果與分析

2.1 水庫概況

葠窩水庫地處太子河干流，最大庫容7.91億m3，控制流域6175km2，正常蓄水位96.6m，最高水位102.0m，該水庫是一座兼顧防洪、發電、灌溉、供水和旅游等功能的綜合型水利工程。水庫周邊年降水量900-1000mm，年蒸發量約600mm，入庫河流有一級支流蘭河、細河和主河道太子河，每年汛期來水量增加、水域面擴大、河水漫攤；春、冬季節水面變小，河灘顯露、河水落槽，豐、枯水期庫容和水域范圍變化較大。

近年來，隨著鄉鎮企業的崛起以及工農業生產的發展，葠窩水庫入庫河流和地表徑流所攜帶的工業廢棄物、面源污染等排入湖庫，水質富營養化趨勢日趨顯現。文章利用灰色模型和長系列樣本數據構建歸回方程，并對水庫水質利用回歸方程合理預測。

2.2 參數設置

以氨氮、COD5、總磷及總氮樣本系列數據為基礎，利用殘差分析法合理設置預測精度和模型參數，如表1所示。

表1 預測精度及模型參數的設置

續表1 預測精度及模型參數的設置

從表1可知，參數調整前COD5模型的精度指標系數較低(0.136 1)，而參數調整后精度指標系數明顯增大(0.442 8)，所以COD5指標預測時應選用調整后的模型參數；同理，參數調整前氨氮模型的精度指標系數較低(0.235 7)，而參數調整后精度指標系數明顯增大(0.465 5)，因此氨氮指標預測時應選用調整后的模型參數。可見，模型參數的調整能夠顯著的提高水質指標的預測精度，應選用調整后的參數進行氨氮、COD5、總磷及總氮預測[7-9]。

2.3 水質指標預測分析

2.3.1 COD5指標

在合理設置模型參數的基礎上，對葠窩水庫COD5指標利用灰色模型進行預測，并分析模型的適用性，如表2所示。

表2 COD5指標預測結果

由表2可知，水質樣本COD5監測值與灰色模型預測值之間的絕對誤差均不超過30%，其相對誤差處于0.03-0.38mg/L范圍，該模型能夠滿足COD5的月尺度預測精度要求。通過分析發現，較長系列的樣本數據保證了灰色模型回歸方程的精準度，從而使得COD5預測值與實際值具有較高一致性，模型預測精度隨著樣本系列數據的增加而提高[10-12]。

2.3.2 氨氮指標

通過合理設置模型參數，對葠窩水庫氨氮指標利用灰色模型進行預測，然后分析模型的適用性，如表3所示。

表3 氨氮指標預測結果

由表3可知，水質樣本氨氮監測值與灰色模型預測值之間的絕對誤差均不超過20%，其相對誤差處于0.05mg/L以內，該模型也能夠滿足氨氮的月尺度預測精度要求。深入分析可知，以一致性和連續性較好的樣本數據構建的灰色模型，在預測氨氮時呈現出較高的精度；同時，較COD5預測精度灰色模型對氨氮的精度更高[13-15]。

2.3.3 總氮指標

采用已設置好的模型參數，對葠窩水庫總氮指標利用灰色模型進行預測，并分析模型的適用性，如表4所示。

表4 總氮指標預測結果

由表4可知，水質樣本總氮監測值與灰色模型預測值間的絕對誤差處于7.41%-20.32%，其相對誤差處于0.20-0.63mg/L范圍，該模型也能夠滿足總氮的月尺度預測精度要求。通過分析可知，水庫水質總氮和氨氮指標存在較好關聯性，所以在總氮預測時灰色模型的適用性也較好，可以利用該模型預測總氮的變化趨勢。

2.3.4 總磷指標

根據已設置好的模型參數，對葠窩水庫總磷指標利用灰色模型進行預測，從而評判模型的適用性，如表5所示。

表5 總磷指標預測結果

由表5可知，水質樣本總磷監測值與灰色模型預測值間的絕對誤差處于0.00%-14.29%，其相對誤差為0.01mg/L，該模型也能夠滿足總磷的月尺度預測精度要求。深入分析發現，其原因為水資源具有較低的總磷濃度，而農業面源無人以及空氣中磷元素固結為總磷的主要來源[16]。近年來，為解決庫區水體富營養化和農業面源污染問題，遼陽市相關部門加大了整治力度，經過多年整治進一步降低了總磷的污染。

3 結 論

1)根據灰色模型和預測精度指標，通過有效調整模型參數有效提升水庫水質指標預測精度；在葠窩水庫水質預測過程中灰色模型表現出較強的適用性，可以采用改進的模型準確預測區域水環境整體狀況，結合預測結果及其未來變化趨勢可為水環境規劃、水資源保護等提供科學依據。

2)采用改進的灰色模型預測重金屬指標時存在較大的難度，所以該模型還具有一定的局限性，為進一步擴大模型適應范圍未來仍需對重金屬指標進行預測研究。