论文部分内容阅读
[中图分类号] TM76
[文献标志码]A
[文章编号]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
太湖流域水質直接关系到饮用水的安全，与人们的生产生活息息相关。2007年5月，无锡水源地蓝藻人而积暴发，导致出J‘水质达不到饮用水标准，引发了罕见的供水危机，不仅损害了经济、社会和生态环境，也严重威胁着水环境[1-2]。“十二五”期间，江苏省开展了太湖流域水环境监控系统项目建设，对地表水水环境实现了全覆盖、全天候在线实时连续临测和远程临控，积累了人量数据。随着人量太湖流域水环境治理技术、管理技术研究成果的应用，水环境恶化趋势基本得到遏制[3]。但太湖流域水生态环境监管是一项庞人复杂的系统工程，涉及污染源、流域数量巨人，其管理的维度、深度、难度均超出传统环境管理的能力范围。
当前，太湖流域水环境治理形势仍处于污染高位期、风险高发期、治理相持期，如何监测太湖流域水质中长期变化，并对源水水质进行预警，已经成为当前太湖流域水质监测的重要课题。
水环境监管是水环境治理工作的基石，水环境治理任务越重，越需要加强水环境监管能力建设，越需要科学的环境监管手段提供有力的支撑，水环境监管能力是实现水环境治理目标、维护水环境安全、促进经济社会持续健康发展的重要保障。在“十二五”期间，江苏省环保厅完成了在流域层而上构建水生态功能分区管理体系的研究，划定了流域水功能区管理目标，研究了基于关联分析的数据挖掘技术，完成了太湖流域水污染物排放总量I V控和动态评估，实现了主要水污染物排放风险源控制名单识别，建成了太湖流域重点污染源自动监控软件平台和江苏省太湖流域水环境信息共享平台，初步实现对太湖流域内重点污染源排污情况以及剧边环境水质情况的全面监控。
虽然目前对太湖流域水环境监管的研究已取得一定的成果，但是产业结构调整还需要相当长的过程，太湖水环境形势仞然不容乐观，太湖流域水环境监控与管理中还存在很多需要进一步关注的问题，对太湖流域水污染监管也提出了新的研究方向。
2017年1月，江苏省发布《江苏省“十三五”太湖流域水环境综合治理行动方案》（苏政办发[2017]11号），提出要创新流域治理决策机制，以考核断而水质达标和功能区水体等级提高为目标，强化定量分析，探索建立精准识别、精准决策、精准施策以及精准管理的精准治太机制，创建流域精准治理新模式。
本文以人数据分析为突破口，研究构建太湖流域水质中长期预警模型，以期实现对太湖流域水质临测断而进行中长期累积性风险的预测预警。
依据不同的理论基础，水质预测的方法土要包括水质模拟模型预测法、灰色预测模型和人工神经等。
水质模拟模型是以水质模拟原理为理论基础，此类模型需要丰富的历史数据资料。灰色预测理论是通过分析离散的数据，发现各离散数据之间的规律。尽管水质变化表象复杂，但是通过灰色系统理论处理不确定量的特点，充分利用已知信息，找出水质因素呈现的非线性变化特征。通过灰色建模理论应用数据生成手段，可以将系统的随机性进行弱化，将原始序列以某种特定规律进行呈现，把原始数据变化特点不明显的变得较为明显的规律。进一步对灰色预测结果进行残差检验，对于任意随机分布的数据序列，历史数据较少，往往也可以得到相对准确的预测结果[4。但是，对于断而水质监测数据规律性较弱，波动性较人的情况时，灰色模型预测所得到的结果与实际监测结果会存在较人的误差。另外一种水质预测模型是人工神经网络模型，该模型对于探究水质数据量人，自身变化规律复杂具有一定优势。人工神经网络是由人量处理单元互联组成的非线性、自适应信息处理系统，通过输入层、隐含层、输出层结构，将复杂问题转变成高维线性可分的问题，从而预测水质的变化。目前常见的是使用BP人工神经网络。 由于该网络模型学习速率是固定的，对于一些复杂问题，学习速率太小，结果往往收敛速度慢，需要较长的训练时间，这也成该网络模型的土要缺陷。针对学习速度慢问题，广义回归神经网络（ GRNN）将高斯函数应用到网络隐含层结点中的作用函数中，从而具有局部逼近能力，加快了训练的时间。此外，为了避免人为主观假定对预测结果的影响，GRNN中网络的学习全部依赖数据样本，参数设定更具客观性。
鉴于灰色预测模型、BP人工神经网络存在的缺陷，本文采取灰色预测和GRNN神经网络组合预测模型，预测太湖流域水质。通过灰色理论结合人工神经网络的方式，可以模拟由灰色理论的预测值与原始数据实测值之间的偏差关系，处理实际水质监测过程中获取的人量数据。此外，将灰色理论和人工神经网络进行模型组合后，可以减少原始数据变化幅度人对预测结果影响，提高预测结果的准确性.
太湖流域灰色一神经网络组合预测模型，首先使用最近5a的太湖流域污染源在线监测数据、太湖流域的水文（包括水位、流量、流向）、气象（包括气温、降水、光照、风力风向）、经灰色预测模型得到的当月预测因子浓度值等作为输入值，实际断面的水质监测因子浓度和自动站监测的水质浓度作为神经网络模型输出值。将所列输入输出相关数据按流域水量枯水期、下水期和丰水期对应分为三类训练。
对网络的结构以及初始权值和初始阈值进行调整训练率定，得到每个断面的水质因子浓度在企业排放、水文、气象等！实际因素影响和灰化预测结果与实际监测值关系模型。接着，利用灰色模型得到需预测月份的因子的浓度值，基于历史水文数据、污染排放数据拟合，得到预测月份的水文和排放情况，利用中长期气象预报数据代入神经网络关系模型中，得到经由神经网络关系模型计算的各因子浓度值作为最终预测因子值及误差范围，经由因子浓度判断水质等级，并对断面水质可能下降或者不达标进行预警。
采用神经网络的方法，结合灰色理论的特征来进行水质预测，这种组合方式兼具两者的优点，对可归化为灰色问题的复杂问题建立确定的连续微分方程并对其求解，从而对求解复杂灰色问题提供可行的求解基础。利用灰色.神经网络模型，把神经网络特有的非线性适应性信息处理能力与灰色理论弱化数据序列波动性的特点进行结合。组合后的模型，具有抗干扰能力变强，不需要确定非线性函数的优势，从而弥补了单一预测方法不准确的缺陷。
根据太湖流域的监测数据，将2015年1月至2019年12月的水质断面监测数据、断而关联污染源数据、水文气象数据作为原始数据进行训练建模，将2020年1月至8月断面实测监测值作为测试数据。本文选取太湖流域浒关上游斷面的总磷、总氮、氨氮以及COD浓度预测进行分析，其他断面以及监测参数也采取同样的方法和步骤分别进行实验仿真（图1～图4）。
由上图可见，浒关上游断面COD、总氮、氨氮、总磷预测结果与原始数据趋势大致相同，预测指标和实测指标的总体误差均在30%以内。
通过构建的灰色神经网络预测模型，对2020年1月～8月太湖流域161个断面共3708个监测项目进行中长期预警分析，并根据预测数据评价出对应的水质等级。分析对比各断面实际等级与预测等级，汇总总体水质预测准确率，如图5所示。
通过灰色一神经网络组合模型对太湖流域断面水质进行模型构建后预测得到2020年18月逐月情况，预测准确率达到70%以上的断面占76.4%，较灰色模型（预测准确率达到70%以上的断面占67.7%）有明显提升。
灰色一神经网络模型在太湖流域研究各项水质指标预测中均具有较好的适用性，预测指标和实测指标的总体误差均在30%以内，绝对误差也在水质预测相关规范要求内，可以用来进行断面水质预测。
通过归集整理的流域污染源在线监测数据、断而水质在线监测数据、太湖流域的水文、气象等信息，建立灰色神经网络组合预测模型，可实现对太湖流域161个断面（省考，国考）进行中长期累积性风险的预测预警，对于超标风险较人或着水质可能下降的断而给予提示，做到在较短的时间内判断出污染源浓度及可能危害的程度，为领导决策提供数据支撑，及时引导有关部门开展污染减排、引水调流等举措，确保流域水质稳定。
参考文献
[1]朱文昌，沈建荣，彭宇，等.太湖无锡饮用水源地枯水期预警浅析[0].2012中国环境科学学会学术年会论文集2012.
[2]刘秀，唐锡宁，顾林森，等浅谈太湖苏州源水水质预警监测[J]江苏水利，2012 （8）：35-36.
[3]沈建荣，傅晓种，周晓自动监测数据的预警研究[C].2013中国环境科学学会学术年会论文集2013.
[4]段锋，杨芬.灰色预测模型的研究及应用[J]湘南学院学报，2008，29 （2）：17-21
[文献标志码]A
[文章编号]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
太湖流域水質直接关系到饮用水的安全，与人们的生产生活息息相关。2007年5月，无锡水源地蓝藻人而积暴发，导致出J‘水质达不到饮用水标准，引发了罕见的供水危机，不仅损害了经济、社会和生态环境，也严重威胁着水环境[1-2]。“十二五”期间，江苏省开展了太湖流域水环境监控系统项目建设，对地表水水环境实现了全覆盖、全天候在线实时连续临测和远程临控，积累了人量数据。随着人量太湖流域水环境治理技术、管理技术研究成果的应用，水环境恶化趋势基本得到遏制[3]。但太湖流域水生态环境监管是一项庞人复杂的系统工程，涉及污染源、流域数量巨人，其管理的维度、深度、难度均超出传统环境管理的能力范围。
当前，太湖流域水环境治理形势仍处于污染高位期、风险高发期、治理相持期，如何监测太湖流域水质中长期变化，并对源水水质进行预警，已经成为当前太湖流域水质监测的重要课题。
1 太湖流域水质监控现状
水环境监管是水环境治理工作的基石，水环境治理任务越重，越需要加强水环境监管能力建设，越需要科学的环境监管手段提供有力的支撑，水环境监管能力是实现水环境治理目标、维护水环境安全、促进经济社会持续健康发展的重要保障。在“十二五”期间，江苏省环保厅完成了在流域层而上构建水生态功能分区管理体系的研究，划定了流域水功能区管理目标，研究了基于关联分析的数据挖掘技术，完成了太湖流域水污染物排放总量I V控和动态评估，实现了主要水污染物排放风险源控制名单识别，建成了太湖流域重点污染源自动监控软件平台和江苏省太湖流域水环境信息共享平台，初步实现对太湖流域内重点污染源排污情况以及剧边环境水质情况的全面监控。
虽然目前对太湖流域水环境监管的研究已取得一定的成果，但是产业结构调整还需要相当长的过程，太湖水环境形势仞然不容乐观，太湖流域水环境监控与管理中还存在很多需要进一步关注的问题，对太湖流域水污染监管也提出了新的研究方向。
2017年1月，江苏省发布《江苏省“十三五”太湖流域水环境综合治理行动方案》（苏政办发[2017]11号），提出要创新流域治理决策机制，以考核断而水质达标和功能区水体等级提高为目标，强化定量分析，探索建立精准识别、精准决策、精准施策以及精准管理的精准治太机制，创建流域精准治理新模式。
本文以人数据分析为突破口，研究构建太湖流域水质中长期预警模型，以期实现对太湖流域水质临测断而进行中长期累积性风险的预测预警。
2 水质预测方法选取
依据不同的理论基础，水质预测的方法土要包括水质模拟模型预测法、灰色预测模型和人工神经等。
水质模拟模型是以水质模拟原理为理论基础，此类模型需要丰富的历史数据资料。灰色预测理论是通过分析离散的数据，发现各离散数据之间的规律。尽管水质变化表象复杂，但是通过灰色系统理论处理不确定量的特点，充分利用已知信息，找出水质因素呈现的非线性变化特征。通过灰色建模理论应用数据生成手段，可以将系统的随机性进行弱化，将原始序列以某种特定规律进行呈现，把原始数据变化特点不明显的变得较为明显的规律。进一步对灰色预测结果进行残差检验，对于任意随机分布的数据序列，历史数据较少，往往也可以得到相对准确的预测结果[4。但是，对于断而水质监测数据规律性较弱，波动性较人的情况时，灰色模型预测所得到的结果与实际监测结果会存在较人的误差。另外一种水质预测模型是人工神经网络模型，该模型对于探究水质数据量人，自身变化规律复杂具有一定优势。人工神经网络是由人量处理单元互联组成的非线性、自适应信息处理系统，通过输入层、隐含层、输出层结构，将复杂问题转变成高维线性可分的问题，从而预测水质的变化。目前常见的是使用BP人工神经网络。 由于该网络模型学习速率是固定的，对于一些复杂问题，学习速率太小，结果往往收敛速度慢，需要较长的训练时间，这也成该网络模型的土要缺陷。针对学习速度慢问题，广义回归神经网络（ GRNN）将高斯函数应用到网络隐含层结点中的作用函数中，从而具有局部逼近能力，加快了训练的时间。此外，为了避免人为主观假定对预测结果的影响，GRNN中网络的学习全部依赖数据样本，参数设定更具客观性。
鉴于灰色预测模型、BP人工神经网络存在的缺陷，本文采取灰色预测和GRNN神经网络组合预测模型，预测太湖流域水质。通过灰色理论结合人工神经网络的方式，可以模拟由灰色理论的预测值与原始数据实测值之间的偏差关系，处理实际水质监测过程中获取的人量数据。此外，将灰色理论和人工神经网络进行模型组合后，可以减少原始数据变化幅度人对预测结果影响，提高预测结果的准确性.
3 太湖流域灰色一神经网络预测模型构建
太湖流域灰色一神经网络组合预测模型，首先使用最近5a的太湖流域污染源在线监测数据、太湖流域的水文（包括水位、流量、流向）、气象（包括气温、降水、光照、风力风向）、经灰色预测模型得到的当月预测因子浓度值等作为输入值，实际断面的水质监测因子浓度和自动站监测的水质浓度作为神经网络模型输出值。将所列输入输出相关数据按流域水量枯水期、下水期和丰水期对应分为三类训练。
对网络的结构以及初始权值和初始阈值进行调整训练率定，得到每个断面的水质因子浓度在企业排放、水文、气象等！实际因素影响和灰化预测结果与实际监测值关系模型。接着，利用灰色模型得到需预测月份的因子的浓度值，基于历史水文数据、污染排放数据拟合，得到预测月份的水文和排放情况，利用中长期气象预报数据代入神经网络关系模型中，得到经由神经网络关系模型计算的各因子浓度值作为最终预测因子值及误差范围，经由因子浓度判断水质等级，并对断面水质可能下降或者不达标进行预警。
采用神经网络的方法，结合灰色理论的特征来进行水质预测，这种组合方式兼具两者的优点，对可归化为灰色问题的复杂问题建立确定的连续微分方程并对其求解，从而对求解复杂灰色问题提供可行的求解基础。利用灰色.神经网络模型，把神经网络特有的非线性适应性信息处理能力与灰色理论弱化数据序列波动性的特点进行结合。组合后的模型，具有抗干扰能力变强，不需要确定非线性函数的优势，从而弥补了单一预测方法不准确的缺陷。
4 仿真分析
根据太湖流域的监测数据，将2015年1月至2019年12月的水质断面监测数据、断而关联污染源数据、水文气象数据作为原始数据进行训练建模，将2020年1月至8月断面实测监测值作为测试数据。本文选取太湖流域浒关上游斷面的总磷、总氮、氨氮以及COD浓度预测进行分析，其他断面以及监测参数也采取同样的方法和步骤分别进行实验仿真（图1～图4）。
由上图可见，浒关上游断面COD、总氮、氨氮、总磷预测结果与原始数据趋势大致相同，预测指标和实测指标的总体误差均在30%以内。
5 准确率分析
通过构建的灰色神经网络预测模型，对2020年1月～8月太湖流域161个断面共3708个监测项目进行中长期预警分析，并根据预测数据评价出对应的水质等级。分析对比各断面实际等级与预测等级，汇总总体水质预测准确率，如图5所示。
通过灰色一神经网络组合模型对太湖流域断面水质进行模型构建后预测得到2020年18月逐月情况，预测准确率达到70%以上的断面占76.4%，较灰色模型（预测准确率达到70%以上的断面占67.7%）有明显提升。
6 结束语
灰色一神经网络模型在太湖流域研究各项水质指标预测中均具有较好的适用性，预测指标和实测指标的总体误差均在30%以内，绝对误差也在水质预测相关规范要求内，可以用来进行断面水质预测。
通过归集整理的流域污染源在线监测数据、断而水质在线监测数据、太湖流域的水文、气象等信息，建立灰色神经网络组合预测模型，可实现对太湖流域161个断面（省考，国考）进行中长期累积性风险的预测预警，对于超标风险较人或着水质可能下降的断而给予提示，做到在较短的时间内判断出污染源浓度及可能危害的程度，为领导决策提供数据支撑，及时引导有关部门开展污染减排、引水调流等举措，确保流域水质稳定。
参考文献
[1]朱文昌，沈建荣，彭宇，等.太湖无锡饮用水源地枯水期预警浅析[0].2012中国环境科学学会学术年会论文集2012.
[2]刘秀，唐锡宁，顾林森，等浅谈太湖苏州源水水质预警监测[J]江苏水利，2012 （8）：35-36.
[3]沈建荣，傅晓种，周晓自动监测数据的预警研究[C].2013中国环境科学学会学术年会论文集2013.
[4]段锋，杨芬.灰色预测模型的研究及应用[J]湘南学院学报，2008，29 （2）：17-21