太湖流域水質(zhì)中長期預(yù)警模型構(gòu)建

黃華，寇曉芳，許義軍，李振通

[中圖分類號] TM76

[文獻(xiàn)標(biāo)志碼]A

[文章編號]2095-6487 （2021） 02-0092-03

Long-term Early Warning Model of Water Quality in Taihu Basin

Huang Hua， Kou Xiao-fang， XuYi-jun， LiZhen-tong

[ Abstract] rms paper studies the construction of long-term early waming model of water quality in Taihu Lake Basin， briefly describes themonitoring situation of water quality in Taihu Lake Basin， and discusses the application advantages of grey predicrion and generalized regression neuralnetwork （GRNN） combined prediction model in long-term early waming of water quality. Taking the water ecological functional zoning as the unit， theon-line monitoring data of pollution sources， on-line monitoring of section water quality and hydrometeorological monitoring data of Taihu Lake basin areintroduced to establish the early waming and analysis function ofwater quality objectives of rivers entering the lake. Through the operation， combined withthe comparison ofmodel prediction and actual value， the analysis results oflong-term early warning of the model in Taihu Lake Basin are given

[ Keywords] ramu lake; warer quahry; medium and long tenn; early waming; model

太湖流域水質(zhì)直接關(guān)系到飲用水的安全，與人們的生產(chǎn)生活息息相關(guān)。2007年5月，無錫水源地藍(lán)藻人而積暴發(fā)，導(dǎo)致出J‘水質(zhì)達(dá)不到飲用水標(biāo)準(zhǔn)，引發(fā)了罕見的供水危機，不僅損害了經(jīng)濟、社會和生態(tài)環(huán)境，也嚴(yán)重威脅著水環(huán)境[1-2]。“十二五”期間，江蘇省開展了太湖流域水環(huán)境監(jiān)控系統(tǒng)項目建設(shè)，對地表水水環(huán)境實現(xiàn)了全覆蓋、全天候在線實時連續(xù)臨測和遠(yuǎn)程臨控，積累了人量數(shù)據(jù)。隨著人量太湖流域水環(huán)境治理技術(shù)、管理技術(shù)研究成果的應(yīng)用，水環(huán)境惡化趨勢基本得到遏制[3]。但太湖流域水生態(tài)環(huán)境監(jiān)管是一項龐人復(fù)雜的系統(tǒng)工程，涉及污染源、流域數(shù)量巨人，其管理的維度、深度、難度均超出傳統(tǒng)環(huán)境管理的能力范圍。

當(dāng)前，太湖流域水環(huán)境治理形勢仍處于污染高位期、風(fēng)險高發(fā)期、治理相持期，如何監(jiān)測太湖流域水質(zhì)中長期變化，并對源水水質(zhì)進(jìn)行預(yù)警，已經(jīng)成為當(dāng)前太湖流域水質(zhì)監(jiān)測的重要課題。

1 太湖流域水質(zhì)監(jiān)控現(xiàn)狀

水環(huán)境監(jiān)管是水環(huán)境治理工作的基石，水環(huán)境治理任務(wù)越重，越需要加強水環(huán)境監(jiān)管能力建設(shè)，越需要科學(xué)的環(huán)境監(jiān)管手段提供有力的支撐，水環(huán)境監(jiān)管能力是實現(xiàn)水環(huán)境治理目標(biāo)、維護(hù)水環(huán)境安全、促進(jìn)經(jīng)濟社會持續(xù)健康發(fā)展的重要保障。在“十二五”期間，江蘇省環(huán)保廳完成了在流域?qū)佣蠘?gòu)建水生態(tài)功能分區(qū)管理體系的研究，劃定了流域水功能區(qū)管理目標(biāo)，研究了基于關(guān)聯(lián)分析的數(shù)據(jù)挖掘技術(shù)，完成了太湖流域水污染物排放總量I V控和動態(tài)評估，實現(xiàn)了主要水污染物排放風(fēng)險源控制名單識別，建成了太湖流域重點污染源自動監(jiān)控軟件平臺和江蘇省太湖流域水環(huán)境信息共享平臺，初步實現(xiàn)對太湖流域內(nèi)重點污染源排污情況以及劇邊環(huán)境水質(zhì)情況的全面監(jiān)控。

雖然目前對太湖流域水環(huán)境監(jiān)管的研究已取得一定的成果，但是產(chǎn)業(yè)結(jié)構(gòu)調(diào)整還需要相當(dāng)長的過程，太湖水環(huán)境形勢仞然不容樂觀，太湖流域水環(huán)境監(jiān)控與管理中還存在很多需要進(jìn)一步關(guān)注的問題，對太湖流域水污染監(jiān)管也提出了新的研究方向。

2017年1月，江蘇省發(fā)布《江蘇省“十三五”太湖流域水環(huán)境綜合治理行動方案》（蘇政辦發(fā)[2017]11號），提出要創(chuàng)新流域治理決策機制，以考核斷而水質(zhì)達(dá)標(biāo)和功能區(qū)水體等級提高為目標(biāo)，強化定量分析，探索建立精準(zhǔn)識別、精準(zhǔn)決策、精準(zhǔn)施策以及精準(zhǔn)管理的精準(zhǔn)治太機制，創(chuàng)建流域精準(zhǔn)治理新模式。

本文以人數(shù)據(jù)分析為突破口，研究構(gòu)建太湖流域水質(zhì)中長期預(yù)警模型，以期實現(xiàn)對太湖流域水質(zhì)臨測斷而進(jìn)行中長期累積性風(fēng)險的預(yù)測預(yù)警。

2 水質(zhì)預(yù)測方法選取

依據(jù)不同的理論基礎(chǔ)，水質(zhì)預(yù)測的方法土要包括水質(zhì)模擬模型預(yù)測法、灰色預(yù)測模型和人工神經(jīng)等。

水質(zhì)模擬模型是以水質(zhì)模擬原理為理論基礎(chǔ)，此類模型需要豐富的歷史數(shù)據(jù)資料。灰色預(yù)測理論是通過分析離散的數(shù)據(jù)，發(fā)現(xiàn)各離散數(shù)據(jù)之間的規(guī)律。盡管水質(zhì)變化表象復(fù)雜，但是通過灰色系統(tǒng)理論處理不確定量的特點，充分利用已知信息，找出水質(zhì)因素呈現(xiàn)的非線性變化特征。通過灰色建模理論應(yīng)用數(shù)據(jù)生成手段，可以將系統(tǒng)的隨機性進(jìn)行弱化，將原始序列以某種特定規(guī)律進(jìn)行呈現(xiàn)，把原始數(shù)據(jù)變化特點不明顯的變得較為明顯的規(guī)律。進(jìn)一步對灰色預(yù)測結(jié)果進(jìn)行殘差檢驗，對于任意隨機分布的數(shù)據(jù)序列，歷史數(shù)據(jù)較少，往往也可以得到相對準(zhǔn)確的預(yù)測結(jié)果[4。但是，對于斷而水質(zhì)監(jiān)測數(shù)據(jù)規(guī)律性較弱，波動性較人的情況時，灰色模型預(yù)測所得到的結(jié)果與實際監(jiān)測結(jié)果會存在較人的誤差。另外一種水質(zhì)預(yù)測模型是人工神經(jīng)網(wǎng)絡(luò)模型，該模型對于探究水質(zhì)數(shù)據(jù)量人，自身變化規(guī)律復(fù)雜具有一定優(yōu)勢。人工神經(jīng)網(wǎng)絡(luò)是由人量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，通過輸入層、隱含層、輸出層結(jié)構(gòu)，將復(fù)雜問題轉(zhuǎn)變成高維線性可分的問題，從而預(yù)測水質(zhì)的變化。目前常見的是使用BP人工神經(jīng)網(wǎng)絡(luò)。

由于該網(wǎng)絡(luò)模型學(xué)習(xí)速率是固定的，對于一些復(fù)雜問題，學(xué)習(xí)速率太小，結(jié)果往往收斂速度慢，需要較長的訓(xùn)練時間，這也成該網(wǎng)絡(luò)模型的土要缺陷。針對學(xué)習(xí)速度慢問題，廣義回歸神經(jīng)網(wǎng)絡(luò)（ GRNN）將高斯函數(shù)應(yīng)用到網(wǎng)絡(luò)隱含層結(jié)點中的作用函數(shù)中，從而具有局部逼近能力，加快了訓(xùn)練的時間。此外，為了避免人為主觀假定對預(yù)測結(jié)果的影響，GRNN中網(wǎng)絡(luò)的學(xué)習(xí)全部依賴數(shù)據(jù)樣本，參數(shù)設(shè)定更具客觀性。

鑒于灰色預(yù)測模型、BP人工神經(jīng)網(wǎng)絡(luò)存在的缺陷，本文采取灰色預(yù)測和GRNN神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，預(yù)測太湖流域水質(zhì)。通過灰色理論結(jié)合人工神經(jīng)網(wǎng)絡(luò)的方式，可以模擬由灰色理論的預(yù)測值與原始數(shù)據(jù)實測值之間的偏差關(guān)系，處理實際水質(zhì)監(jiān)測過程中獲取的人量數(shù)據(jù)。此外，將灰色理論和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行模型組合后，可以減少原始數(shù)據(jù)變化幅度人對預(yù)測結(jié)果影響，提高預(yù)測結(jié)果的準(zhǔn)確性.

3 太湖流域灰色一神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建

太湖流域灰色一神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，首先使用最近5a的太湖流域污染源在線監(jiān)測數(shù)據(jù)、太湖流域的水文（包括水位、流量、流向）、氣象（包括氣溫、降水、光照、風(fēng)力風(fēng)向）、經(jīng)灰色預(yù)測模型得到的當(dāng)月預(yù)測因子濃度值等作為輸入值，實際斷面的水質(zhì)監(jiān)測因子濃度和自動站監(jiān)測的水質(zhì)濃度作為神經(jīng)網(wǎng)絡(luò)模型輸出值。將所列輸入輸出相關(guān)數(shù)據(jù)按流域水量枯水期、下水期和豐水期對應(yīng)分為三類訓(xùn)練。

對網(wǎng)絡(luò)的結(jié)構(gòu)以及初始權(quán)值和初始閾值進(jìn)行調(diào)整訓(xùn)練率定，得到每個斷面的水質(zhì)因子濃度在企業(yè)排放、水文、氣象等！實際因素影響和灰化預(yù)測結(jié)果與實際監(jiān)測值關(guān)系模型。接著，利用灰色模型得到需預(yù)測月份的因子的濃度值，基于歷史水文數(shù)據(jù)、污染排放數(shù)據(jù)擬合，得到預(yù)測月份的水文和排放情況，利用中長期氣象預(yù)報數(shù)據(jù)代入神經(jīng)網(wǎng)絡(luò)關(guān)系模型中，得到經(jīng)由神經(jīng)網(wǎng)絡(luò)關(guān)系模型計算的各因子濃度值作為最終預(yù)測因子值及誤差范圍，經(jīng)由因子濃度判斷水質(zhì)等級，并對斷面水質(zhì)可能下降或者不達(dá)標(biāo)進(jìn)行預(yù)警。

采用神經(jīng)網(wǎng)絡(luò)的方法，結(jié)合灰色理論的特征來進(jìn)行水質(zhì)預(yù)測，這種組合方式兼具兩者的優(yōu)點，對可歸化為灰色問題的復(fù)雜問題建立確定的連續(xù)微分方程并對其求解，從而對求解復(fù)雜灰色問題提供可行的求解基礎(chǔ)。利用灰色.神經(jīng)網(wǎng)絡(luò)模型，把神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力與灰色理論弱化數(shù)據(jù)序列波動性的特點進(jìn)行結(jié)合。組合后的模型，具有抗干擾能力變強，不需要確定非線性函數(shù)的優(yōu)勢，從而彌補了單一預(yù)測方法不準(zhǔn)確的缺陷。

4 仿真分析

根據(jù)太湖流域的監(jiān)測數(shù)據(jù)，將2015年1月至2019年12月的水質(zhì)斷面監(jiān)測數(shù)據(jù)、斷而關(guān)聯(lián)污染源數(shù)據(jù)、水文氣象數(shù)據(jù)作為原始數(shù)據(jù)進(jìn)行訓(xùn)練建模，將2020年1月至8月斷面實測監(jiān)測值作為測試數(shù)據(jù)。本文選取太湖流域滸關(guān)上游斷面的總磷、總氮、氨氮以及COD濃度預(yù)測進(jìn)行分析，其他斷面以及監(jiān)測參數(shù)也采取同樣的方法和步驟分別進(jìn)行實驗仿真（圖1～圖4）。

由上圖可見，滸關(guān)上游斷面COD、總氮、氨氮、總磷預(yù)測結(jié)果與原始數(shù)據(jù)趨勢大致相同，預(yù)測指標(biāo)和實測指標(biāo)的總體誤差均在30%以內(nèi)。

5 準(zhǔn)確率分析

通過構(gòu)建的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對2020年1月～8月太湖流域161個斷面共3708個監(jiān)測項目進(jìn)行中長期預(yù)警分析，并根據(jù)預(yù)測數(shù)據(jù)評價出對應(yīng)的水質(zhì)等級。分析對比各斷面實際等級與預(yù)測等級，匯總總體水質(zhì)預(yù)測準(zhǔn)確率，如圖5所示。

通過灰色一神經(jīng)網(wǎng)絡(luò)組合模型對太湖流域斷面水質(zhì)進(jìn)行模型構(gòu)建后預(yù)測得到2020年18月逐月情況，預(yù)測準(zhǔn)確率達(dá)到70%以上的斷面占76.4%，較灰色模型（預(yù)測準(zhǔn)確率達(dá)到70%以上的斷面占67.7%）有明顯提升。

6 結(jié)束語

灰色一神經(jīng)網(wǎng)絡(luò)模型在太湖流域研究各項水質(zhì)指標(biāo)預(yù)測中均具有較好的適用性，預(yù)測指標(biāo)和實測指標(biāo)的總體誤差均在30%以內(nèi)，絕對誤差也在水質(zhì)預(yù)測相關(guān)規(guī)范要求內(nèi)，可以用來進(jìn)行斷面水質(zhì)預(yù)測。

通過歸集整理的流域污染源在線監(jiān)測數(shù)據(jù)、斷而水質(zhì)在線監(jiān)測數(shù)據(jù)、太湖流域的水文、氣象等信息，建立灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，可實現(xiàn)對太湖流域161個斷面（省考，國考）進(jìn)行中長期累積性風(fēng)險的預(yù)測預(yù)警，對于超標(biāo)風(fēng)險較人或著水質(zhì)可能下降的斷而給予提示，做到在較短的時間內(nèi)判斷出污染源濃度及可能危害的程度，為領(lǐng)導(dǎo)決策提供數(shù)據(jù)支撐，及時引導(dǎo)有關(guān)部門開展污染減排、引水調(diào)流等舉措，確保流域水質(zhì)穩(wěn)定。

參考文獻(xiàn)

[1]朱文昌，沈建榮，彭宇，等.太湖無錫飲用水源地枯水期預(yù)警淺析[0].2012中國環(huán)境科學(xué)學(xué)會學(xué)術(shù)年會論文集2012.

[2]劉秀，唐錫寧，顧林森，等淺談太湖蘇州源水水質(zhì)預(yù)警監(jiān)測[J]江蘇水利，2012 （8）：35-36.

[3]沈建榮，傅曉種，周曉自動監(jiān)測數(shù)據(jù)的預(yù)警研究[C].2013中國環(huán)境科學(xué)學(xué)會學(xué)術(shù)年會論文集2013.

[4]段鋒，楊芬.灰色預(yù)測模型的研究及應(yīng)用[J]湘南學(xué)院學(xué)報，2008，29 （2）：17-21