基于對水質分析的研究方法

戴秀雯(甘肅省張掖水文資源勘測局，甘肅 張掖 734000)

0 引言

水是生命的源泉，是環境的控制元素，水質與每一個生命的健康直接相關。地表水質量分析是水環境管理的一個基本組成部分，水質分析包括使用數學統計數據評估和預測，如相關分析和時間分析。

以我們水資源的區域分布不均衡為特點的水質分析，使我們能夠對地表水資源的質量進行科學評估，確定水體中的過量因素。查明該區域的水環境問題，并為決策者提供堅實的基礎；保護水生生物，水質直接影響水生生物的生存[1]。

然而，目前的水質分析方法在客觀性、科學性和效率方面存在缺陷。如果不合理地選擇分析方法，可能會有一些不利因素，例如水生環境功能區的不正確分布、水資源的浪費和對地下水主要問題的探測遲緩。考慮到水質分析的重要性，選擇一種科學和客觀的水質分析方法尤其重要。

1 傳統水質評估方法

目前水質評價方法有：單因子指數法、Horton水質指數法、內梅羅指數法、層次分析法、人工神經網絡、灰色評價法。單因子指數的方法是將每一個評估因素與評估因素標準進行比較，并選擇評估因素最低的水質量類別Weiguang等人評估了六個評估因素，即DO、高錳酸鹽指數、COD、氮、磷總量和氮總量，并對一個流域2019年全年的九個水質監測數據進行了處理。分析結果表明，單一因素指數化方法能夠準確地確定水污染水平。趙千信在劉安市的六個水庫中使用并比較了四種水質評估方法，如單一因子評估、綜合污染指數、灰色評估和模糊數學方法，從而對水質進行了評估。

評估單因素的方法實際上是選擇最差的指標作為評估結果的方法，這導致了過度保護。Horton水質指數的方法是將所有評估因素的測量濃度分別乘以相應的加權和標準質量系數的總和乘以所有加權的總和。使用張鳳華水質指數來評估北京官方水庫的11個評估因素表明，該局水庫的主要超標準污染項目是TP、NHS-N和COD，而水庫的富營養化更為重要[3]。

2 貝葉斯水質評價方法

英國數學家Bayes在題為“解決機遇問題”的文件中首次提出了Bayes理論。1986年，Judea Pearl創建了Bayes網絡，將Bayes方法與圖形理論和計算機理論結合起來。目前，Bayes方法在環境質量管理和評估、水力發電、土地資源評估、國防軍和財政保險等領域得到廣泛應用。

1995年，Olli Varis率先將Bayes網絡應用于環境系統。例如將Bayes理論應用于美國西部山區的季節性雪流，向水利工程運營商、灌溉區管理者和農民提供了關于決策的信息。

1997年，Bayes理論被用來建立直徑降水預測模型，并被應用于巴西南部的圣保羅州，以預測1965年至1969年3月期間的若干河流的流量。這使得在接近實際觀測的地方取得了良好的結果。

2004年，Borsuk先生等人根據海灣網絡開發了一個河流富營養化模型，并分析了相關的不確定性，這些不確定性已應用于美國北卡羅來納州紐斯河，以預測富營養化。

2005年，F.J.Marti’n de Santa Olalla等人在歐洲的伊比利亞-美洲半島實施了Bayes網絡，以解決由于密集使用灌溉水而造成的地下水過度開發問題。

2011年，Takehiko-IF31采用基于Bayes理論的統計方法分析了9種有毒物質(氨、雙酚A、氯仿、銅、鉛、錳、鉻)的敏感性分布情況。

在東京地區地表水中，鎳和鋅被用于環境風險評估，這表明鎳在九種物質中的環境風險最高。調查結果表明，絕大多數取樣點位于“良好”和“非常好”之間。

2014年，Mika Rahikainen開發了一個用于評估芬蘭灣水質的Bayes決定模型[4]。

3 水質量預測方法概述

回歸分析是基于對基因變量與自主變量之間關系的功能研究。在水質預報中，回歸分析是一種水質預報模型，可以將下游污染因素與上游參數聯系起來。Yan Jianbo等人制定了一個回歸模型，預測黃河部分的水質。該方法預測了2003年三門峽部門12個月的編碼濃度，并將回歸分析結果與1.86%至34.48%的相對誤差作了比較，從而產生了較好的結果，但在個人預測中也出現了較大的誤差。分析錯誤的來源主要是由于回歸分析模型所需的大量樣本數據，而回歸分析模型僅保留了31個樣本數據集，誤差幅度太大。

對指數進行平滑的方法假定，預測與過去的數據有一定的聯系，而且隨著數據接近預測，其影響將會增加。該指數平滑方法將不同的加權系數分配給不同時間的監視值，為最近的監視值提供更大的加權系數，從而提供更真實的值。在一項關于巢湖水質變化的研究中，使用指數化平滑法和Markov模型預測了巢湖水質，分別是預測Markov模型為0.081mg/L和1.0mg/L。雖然Markov模型無法預測具體指標，所確定的每一種評估因素都對應于地表水環境質量標準中的等級概率，以及由該指數平滑法產生的特定評估因素的等級。因此，這兩種方法在水質預測中都是可以實現的[5]。

Il Siwen et al.發現，廣義上的GM預測有問題，因此提出了一種基于指數化平滑法的灰色預測方法，即ES-GM CL。該模型應用于預測南京長江的水質，大大提高了預測的準確性，而不是傳統的GM CL模型。這使得能夠預測高錳酸鹽指數和BOD濃度的年增長，并提出糾正措施。神經網絡模型不僅用于水質評估，而且用于水質預測。

CaoDonghua等人利用遺傳算法優化神經網絡模型。在河流系統研究中，將河流和沙漠質量控制方程與人造神經網絡模型相結合，通過神經網絡模型實時預測沙子的數量。

Yuhuan Cui等人根據灰色預測方法預測了長江的水質，并在計算機上模擬了長江今后十年的水質，并利用相對的恢復誤差和錯誤進行了測試，從而確定了該模型。灰色預測提供了對長江水質未來趨勢的正確分析[6]。

水質量預測方法具有優點和缺點，例如回歸預測分析方法和需要大量樣本數據的人造神經網絡方法。如果缺少數據降低了結果的準確性，則Markov模型無法預測水質因子的特定濃度。因此，選擇一種有效和合理的水質量分析方法特別重要。Duxin等人為遼寧高錳酸鹽水質指數制定了水質預測模型，準確反映了高錳酸鹽水質指數的變化，這表明已經制定了一個正確的模型，并對水質進行新的預測[7]。

由于時間序列模型的準確性很高，對樣本數據的需求很低，而且模擬過程簡單，研究人員越來越多地考慮到這些模型。

Bayes水質評估方法包括計算水質屬于不同類別的概率，并確定作為最終屬于質量類別的水質類別的最大概率。在水質評估中，總氮對綜合水質評估的影響最大，因此，當總氮得到處理時，就像我們的水資源受到廣泛污染一樣，通過氣相生物過濾工藝，從水源水中除去了高錳酸鹽、氨和錳等物質，在實驗中除去了90%以上的氨，達到了飲用水源水質標準。一種水處理設施的深度處理系統，包括混凝土盆地、側流降水盆地、斜板降水盆地、臭氧氧化盆地和先進的氧化單位，為解決現有水處理工藝中的氮和溶解有機物去除效率低的問題，開發了一個新的工具包[8]。

在實驗過程中，從水中排放的氨的最低濃度為0.09mg/L，使得在通過相應的水處理從總的氮中除去之后，可以用作飲用水源。

4 結語

作為水質評估的一部分，可以選擇主要的水質指標，簡化評估方法。然而，在確定水質類別時，將水質指標中與標準水質指標相比較的最低水質類別作為綜合水質類別，從而減輕了其他因素的影響。Bayes理論是水質與獲得水質信息之間的可能聯系。在水質評估中，Bayes方法考慮到了通過Jeffrey標準分配原則進行的水質評估，而沒有關于水質的信息[9]。通過使用更接近現實的經驗性觀察數據，實現更接近現實的結果。

在水質評估中，各種評估指標對水質的影響因各種因素而異，因為評估指標沒有加權，因此依賴于最高的污染指標會損害評估結果的客觀性[10]。Bayes評估方法為每一項指標分配了不同的加權，最后的水質評估考慮到了所有指標提供的信息，確定每個類別的水質屬于不同的聚合概率，最后的水質類別是由最大聚合概率決定的。

通過采用Bayes水質評估方法，可以推斷水質屬于某一特定類別的概率，通常將最高的合成后監測概率作為水質類別。作為源水質評估的一部分，Bayes水質評估方法為每一指標提供了一個后測試的概率[11]。與組合后分析概率進行比較，可以清楚地確定每項指標對水質量綜合評估的影響，并幫助供水商及時發現和預防源泉水的危害。