论文部分内容阅读
河道水质恶化、内涝灾害频发是我国平原河网地区的两大主要城市水环境与水安全问题。本文针对平原河网地区城市河道污染问题进行污染溯源,并对未来河道水质变化进行预测预判;同时针对平原河网城市内涝灾害开发了排水系统动态实时监测方法,并对未来降雨事件的内涝风险进行预警预报,可为城市水安全问题的防控提供依据参考。主要研究内容如下:（1）调查了浙江省JX市三个水利小包围旱流与降雨工况下,城市河道的氮（N）、磷（P）指标随时间变化规律,统计分析了N、P指标变化,并结合潜在污染源的可溶性有机物（DOM）的EEM-PARAFAC荧光组分特征,识别了污染主要来源并定量计算了各主要污染来源的组成比例。结果显示,在旱流工况下,源自人类活动的富里酸样荧光C4、色氨酸样荧光C5所指示生活污水直接与间接输入对JX河道水体总氮（TN）的贡献率约为75%,是旱流工况河道水体的主要N污染源,类腐殖质荧光C6与溶解氧（DO）指示的河道底泥污染释放对JX河道水体总磷（TP）的贡献率约为49%,河道底泥的厌氧磷释放是旱流工况河道水体的主要P污染源。在降雨工况下,JX河道水体中75%的TN和41%的TP来自C4、C5、C6指示的排水口排放的混合污染,而其中约75%的TN和21%的TP来自C4、C5指示的生活污水的输入,16%的TN和60%的TP则来自C6指示的地表径流的汇入。生活污水在降雨工况下仍是JX河道水体主要的N污染源和重要的P污染源。此外河道底泥的厌氧磷释放也是降雨工况河道水体的主要P污染源,贡献了约68%的TP。（2）提出了一种结合DA-RNN的趋势预测、Neural Prophet的周期预测和XGBoost的残差修正的DNX水质预测方法,并将其应用于浙江省JX市城市河道监测断面水质预测模型建模,并与现有研究水质预测模型进行效果比较,同时利用注意力机制对不同空间位置的水质指标给予不同程度的关注,提升水质指标时序预测效果,并结合中长期气象预报技术,提升水质指标时序预测准确性。研究结果表明,DNX的平均绝对误差（MAE）和均方根误差（RMSE）分别要比Attention-Seq2Seq低约18.7%和19.1%,拟合优度（R~2）提升约10.0%;MAE和RMSE要比LSTM低约32.6%和33.2%,R~2提升约29.6%。在水质指标预测精度方面,DNX＞Attention-Seq2Seq＞LSTM。DNX对城市河道未来7天氨氮、总磷、总氮、溶解氧和p H的时序变化预测中体现了较高的准确性（R~2∈[0.670,0.828]）,而对电导率和浊度预测的准确性则较低（R~2=0.506和0.640）。在水质预测时,对河道上游不同空间位置的水质指标时序数据给予不同程度的关注,可以提升下游水质指标时序预测效果,MAE和RSME平均约降低16.7%和16.1%,R~2则平均约提高4.2%。（3）建立了一种PXM城市内涝全局推测模型,通过统计分析不同降雨工况下城市内涝液位数据变化特征,确定城市雨水排水系统中液位感知设备最优布置个数与点位,并依据液位感知设备实时数据,动态实时地计算当前城市排水系统运行状态。同时利用XGBoost时序预测模型,依据降雨临近预报的降雨时程分布预测,预测液位感知设备最优布置点位液位变化,并通过PXM模型预测临近降雨事件全局内涝风险。将该方法应用于JX市SGT区域进行了实证研究。结果显示,PXM模型在监测SGT区域排水系统运行状态时,最大误差（MAXE）、平均误差（ME）、MAE与RMSE分别平均低至4.27×10-1m、3.31×10-4m、3.84×10-3 m与1.06×10-2 m,而R~2则高达0.998,体现了较高的液位计算精度。使用PXM模型推测城市全局内涝的平均耗时约0.3 s,该模型具有极高的运算效率与时效性。以短期降雨预报为驱动,短期降雨事件内涝预测方法可对未来120分钟全局液位变化进行精准预测,雨水井和地面节点洪水液位预测结果的平均绝对误差MAE分别低至4.34×10-2 m和8.78×10-4 m,拟合优度R~2分别高达0.987和0.992。（4）提出了利用Vine Copula函数构建雨强-雨型特征参数联合分布的平原河网城市内涝风险中长期预报方法,并将其应用于JX市SGT区域。利用了赫芬达尔—赫希曼指数（HHI）等雨型与雨强特征参数对SGT区域历史降雨的不均匀性进行了分析,使用Vine Copula构建特征参数联合分布确定了降雨不均匀性的分布规律及变化特征,同时结合中长期降雨预报的雨强参数预报,得到了未来降雨事件各雨型的条件概率,并利用不同雨型对应的中长期城市内涝预测模型,得到不同雨型降雨的城市全局内涝风险分布,最后结合各雨型的概率与对应的内涝风险得出内涝风险期望。结果表明,不同致灾降雨事件在使用不同雨型内涝预测模型时,液位预测结果准确度差异较大,拟合效果较好的雨型与效果较差雨型间的ME、MAE、RMSE可相差约13.5倍、5.9倍和4.3倍。因此雨型的合理选择是影响城市内涝模型结果准确性的重要因素。通过利用雨型-雨强联合概率分布,可以描述降雨事件雨型与雨强参数间的相互影响,并推求特定雨强参数的未来降雨事件中各雨型的条件概率。相比于将雨型-雨强参数作为独立变量考虑的非条件概率,该条件概率算得的内涝期望值的误差指标ME、MAE、RMSE平均分别要低88.4%、20.6%、16.7%,拟合性能指标R~2则提升11.8%,说明利用降雨的雨型-雨强参数联合概率分布可以提升城市内涝风险分析时的科学性与准确性。