地表水質模型研究進展綜述

韓瑞康

（上海市環境監測中心，上海 200235）

0 引言

在當前社會發展水平下，水環境污染防治的形勢逐漸嚴峻，當水環境惡化到一定程度時，人類生產活動和健康安全會受到極大影響。研究地表水污染的現存問題，判斷其發展趨勢，對于政府開展水污染防治工作具有積極意義。

地表水預測模型是模擬污染物在各類水體中運輸和轉化過程的重要方法，涉及水文、氣象、水生物多門學科的綜合知識，同時對監測數據需求量較大，在水質預測和預警預報工作中起著重要的作用。本文主要根據水質模型理論基礎的分類對各類主流水質模型研究進展進行整理總結，并展望未來的發展趨勢。

1 水質模型

水質模型是目前水質模型中的主流模型類型，其中最早誕生的是S-P一維模型，該模型假設河流中同時發生有機污染物氧化耗氧和大氣中氧氣進入水體的復氧兩個過程，使得水體中溶解氧達到平衡，為一維穩態模型，關注重點為水中的氧平衡，未涉及其他水質項目。到20世紀七八十年代，環境科學技術快速發展，傳統的一維水質模型已經在實際應用方面有所欠缺，此時出現了多種模型研究，如多維仿真、形態仿真、多媒體仿真等。該階段的代表性模型有QUAL-I、WASP等，主要關注N、P存在形態的相互轉化及各形態與溶解氧、藻類、大腸桿菌等指標的相互作用。20世紀80年代至今的階段，水質模型中包括了更多的復雜水質過程模擬，集成了水動力學、水生態、水質、泥沙等多個模塊。該階段產生的模型包括EFDC、MIKE、Delft等。比起早期的水質模型，目前的模型在沉積平衡原理的基礎上考慮了水體中的化學、生態過程及目標污染物在水沙界面的交換量，描述了泥沙吸附作用的影響[1]。目前，使用廣泛的水質模型包括QUAL2K模型和MIKE21模型。

1.1 QUAL2K模型

為了改進以往模型只涉及五日生化需氧量和溶解氧兩個參數而不能實際反應水體總體質量的問題，美國環保署委托美國水資源工程公司和德州水資源開發部于1970年成功研發出QUAL系列模型。QUAL2K模型的基本結構為平流-擴散一維方程，該模型在機理上考慮了平流擴散、稀釋、水質組分內部的相互作用及組分外部源和匯對組分中濃度的影響[2]。它可以模擬多種水質組分，包括化學需氧量、溶解氧、藻類、硝酸鹽氮、葉綠素、大腸桿菌等。QUAL2K模型含有氮循環、碳循環、溶解氧和浮游植物四個完整過程[2]。

QUAL2K的水質方程為

式中：C為污染物濃度，mg/L；t為計算時間，s；x為縱向距離，m；Ax為距離x處斷面面積，m2；DL為縱向彌散系數，m2/s；為平均流速，m/s；s為組分外污染物濃度，mg/L；V為計算單元體積，m3。

該模型主要存在的缺點為：（1）該模型對計算單元有一定限制，對河段、源頭數量、單個河段的計算單元和全流域的計算單元總數都有嚴格的數量限制[3]，而且總河口只能設定為1個，只適用于中小型的河流；（2）該模型缺少靈敏度分析的功能，且官方未提供對應插件。

1.2 MIKE21模型

丹麥DHI開發的MIKE21是平面二維自由表面流模型，同系列的模型還有一維動態模型MIKE11和三維模型MIKE31。該模型具隨著實際工程應用不斷優化修改，具有用戶界面友好、可進行多種控制性結構的設置、可定義多種類型水邊界條件等優點[4]。

MIKE21模型的二維水動力模型理論依據為Reynolds值均布的Naiver-Stokes方程及三向不可壓縮，同時遵從和靜水壓力假定和Boussinessq假定[5]。

MIKE21模型應用非常靈活，除了能夠和同系列的模型進行調用以外，還可以和SWMM、SWAT等其他體系的水質模型進行耦合，針對特定水質問題的實際情況發揮不同模型的特點，提高預測預警的準確度[6]。

2 數理統計模型

水質進行綜合分析評價的難點問題在：水質管理系統是由多個污染因子指標變量組成的復雜信息系統，每個因子都有一定代表性，但難以做出綜合評價，而多元統計法的特點可以克服這一缺點。這些年來，主成分分析、數據聚類、回歸分析等多元統計方法逐漸在水質評價領域發揮重要作用[7]。

多元統計法作為多變量處理的統計分析方法，適合用于解決水質評價這類綜合分析問題。多元統計法中的主成分分析法無須人為給定指標權重，評價結果客觀，是從統計學角度建立的評價模型，與普通分析方法有所不同，不會因為指標共線問題而導致問題被隱藏。

以多元分析法為基礎的模型通過數據間的線性變換實現變量降維，可以對監測數據進行簡化提煉和有效性可靠性的提高，與涉及水體中氮、磷、化學需氧量等多種污染因子的綜合評價等問題有較強的相關性[8]。該模型需要注意的問題是水質監測指標的選取合適與否會對相關性程度產生影響，從而對評價結果造成干擾。

3 神經網絡模型

人工神經網絡模型有多層運算結構，可以用實際數據對其進行仿真訓練，模擬人類思考過程，將信息數據化后分析計算，起到預測的作用。該模型具有強大的計算能力、自我糾錯能力和數據分析能力，可用于多個領域，其中也包括了水質分析方面的應用，如BP神經網絡。

BP神經網絡模型神經網絡的訓練方法主要針對非線性函數問題，其過程為首先隨機分配算法權值，之后把產生的輸出值與實際值比對，將比較所得的誤差反向傳遞，在隱藏層中對誤差求偏導，通過分析斜率來糾正權值，從而最終得到最優權值，完成算法的訓練[9]。該模型通過反向傳播的方式，可以根據節點的誤差及時糾正，在因子閾值和權值的訓練過程中能夠得到比較準確的結果。該模型存在的缺點是較易取到局部極值且模型訓練時間較長，水質參數的低復雜性使得模型的訓練速度較慢，仍有較大的提升空間。

4 總結與展望

（1）地表水質模型對于水質預報預警工作有重要意義，通過敏感性分析、不確定分析和水質實際數據比對等方法可以選取合適的水質模型，為地表水水質相關決策提供可靠的數據支撐。

（2）地表水質模型正在經歷系統化和平臺化的過程，由于水質模型涉及水文、水生物、水動力等多個領域，將各類數據作為模塊構建統一平臺從而完善數值模擬的準確性，成為流域控制和規劃的依據，是目前水質模型的發展熱點。

（3）地表水質模型在目前大數據時代的背景下，通過引入超算、云計算、人工智能等先進技術可以大幅度提升模型算法的效率和準確度，配合3S和遙感技術可以促進真正“天地一體化”的水環境監測體系的建立。