基于粒子群與知識圖譜的突發水污染事件溯源方法

王新龍，薛曉鵬，孫如飛

(寧波市水利水電規劃設計研究院有限公司，浙江 寧波 315000)

0 引 言

水是生命之源、生產之要、生態之基。近年來，我國水污染事件的發生時常見諸報端。如：2014年甘肅蘭州自來水苯含量超標，2015年廣東練江水污染，2016年安徽池州劇毒污水直排長江，2017年嘉陵江水污染等；接連的水污染事故讓人觸目驚心。但是一些企業為了自身利益，經常非法偷排污水，不僅嚴重污染水環境、造成重大經濟損失；而且對居民飲水造成嚴重影響。水污染發現的位置通常不是污染源頭，環境監管部門通常需要耗費大量人力、物力和時間，才能確定污染來源，往往已經耽誤了水污染控制和治理的最佳時機；其次，即使定位到了污染源，對具體偷排企業的確定也是一個難題。如何在第一時間快速、精確實現污染物溯源、掌握污染源信息、確定偷排企業，最大程度地降低水污染造成的損失，對環境部門輔助決策、偷排企業追究問責，具有重要意義。

目前，國內外學者在水污染溯源方面的研究，可大致分為示蹤實驗法和數值模擬法兩大類。示蹤實驗法主要包括同位素示蹤法[1]、微生物示蹤法[2]、水紋識別法[3- 4]、紫外光譜分析法[5]等，這類方法穩定性好，溯源結果精確度較高，但多是在水污染發生后對上游企業污水進行取樣分析，工作量大且耗時長；數值模擬法主要包括確定性法和概率法[6]等。這類方法采用反問題思路，基于水污染發生后所檢測的污染物信息對污染源相關參數進行反向推導，克服了示蹤實驗法工作量大、耗時長的問題；但目前數理問題反問題的計算相比正向計算，仍不成熟，計算復雜且計算量大，并容易受到初值和邊界條件等因素的影響[7]。

本文針對示蹤實驗法和數值模擬法存在的不足，提出基于粒子群與知識圖譜的突發水污染事件溯源方法。首先構建突發污染預案庫，作為突發污染源的初步篩選依據；其次，采用粒子群算法對污染物擴散模型參數進行在線率定，并對初步篩選的污染源進行擬合分析，篩選出擬合度最高的污染源；最后，采用知識圖譜法，將擬合度最高污染源附近一定范圍內的企業污染物特征數據，與監測的污染物數據進行關聯分析，確定排污企業，完成污染物溯源。

圖1 突發水污染情景數據庫

1 研究方法

1.1 突發水污染預案庫構建

為了對突發水污染事件做出快速響應，有必要建立突發水污染預案庫(見圖1)，主要包括：

(1)污染源數據庫。污染源數據庫主要包括研究區域歷史污染源信息，包括污染源編號、污染源名稱、污染源坐標、主要污染物、各污染物日常排放濃度、各污染物排放濃度比例、污染物上下游影響距離等。

(2)排污企業數據庫。排污企業數據庫對應于污染源數據庫，包括對應污染源編號、企業法人、聯系方式、行業類別、所在地區、附近河流等。

(3)監測斷面數據庫。監測斷面數據庫主要包括監測斷面相關信息，包括斷面編號、斷面名稱、斷面坐標、監測要素、監測頻次、監測數據等，為水污染擴散模型的參數率定提供支撐。

(4)水文情景數據庫。水文情景數據庫涵蓋了研究區域河道水位、流量、流速的各種情景組合，為水污染情景方案提供邊界條件。

(5)水污染擴散模型庫。水污染擴散模型庫主要包括模型構建的基本參數、邊界條件等。

(6)突發水污染情景數據庫。突發水污染情景數據庫為各情景組合下的突發水污染方案庫，模擬各污染源不同排放濃度與不同水文條件組合下的監測斷面污染物濃度變化過程。主要包括污染源坐標、污染物名稱、污染物濃度、水文邊界、模型參數、監測斷面污染物濃度等。

1.2 污染物擴散模型

本文以河流突發水污染事件為研究對象。由于污染物在河流中的擴散會受到河流兩岸的影響，污染物在水流中的擴散收到邊界限制并產生反射[8]；因此，需建立二維污染物擴散模型來模擬污染物在河流中的擴散過程

(1)

式中，C為預測點在t時刻點(x，y)處的污染物濃度，g/L；x(m)、y(m)為以污染物泄露點位坐標原點的坐標位置；t(s)為污染物排放時刻到當前時刻的時間長度；k(s-1)為污染物的降解系數；ux、uy分別為河流的縱向、橫向水流平均速度，m/s；Dx、Dy分別為污染物在水體中的縱向、橫向擴散系數，m2/s。

若污染源的排放形式為瞬時岸邊排放模式，則污染物濃度

(2)

式中，M為污染物排放總量，g；h為河流深度，mm；x、y分別為預測點距離排放點的縱向及橫向距離[9]，m。

1.3 基于粒子群算法的水動力水質耦合模型參數在線率定

模型參數的率定是模型應用的前提條件。當前模型參數率定大多采用離線率定方法，率定的參數不會隨水文、水動力等條件的變化而改變。當發生突發水污染事件時，模型參數往往不適用；尤其是河流出現新的污染物時，還需進行現場實驗來重新率定參數，耽誤了大量時間。因此，需要對水污染擴散模型參數進行實時在線率定。

優化算法是模型參數率定的一種常用方法，其中粒子群算法相比于其他優化算法，具有快速、簡單、容易實現的特點[10]。基于粒子群算法的水動力水質耦合模型參數在線率定步驟如下。

(1)參數敏感性分析。分析污染物擴散模型參數的敏感性，確定需要率定的參數和不需要率定的參數。

(2)參數初值設置。根據上下游監測斷面的污染物類型與濃度，以及實時的河流水文、水動力特征，從突發污染預案庫中篩選一個和當前污染情況相似的事件，將該事件的模型參數作為參數率定的初值。相似污染事件的篩選采用先驗知識和模糊邏輯法，本文不做詳述。

(3)模擬污染源構建。現實場景種，一般很難獲取一場真實的水污染事件污染物濃度變化的全部過程，因此需要構建模擬污染源，以支撐模型參數率定與驗證。模擬污染源的構建可將上游監測斷面一定時間內污染物的濃度變化過程，等效為一定總量的污染物瞬時排放，從而替代真實污染源支撐模型預測下游斷面污染物濃度的變化過程。通過對比下游斷面污染物濃度的實測數據與預測的污染物濃度變化過程，對模型參數實時動態校正。

(4)參數在線率定。采用粒子群算法，基于模型參數初值、模擬污染源(上游監測斷面)污染物濃度變化過程、實測污染物濃度變化過程(下游監測斷面)等信息對參數在合理取值范圍內進行在線優化率定，主要包括以下6個步驟：①初始化粒子群。設置各粒子的初始速度、初始位置、個體極值。②計算粒子適應度。計算各例子的目標函數值，即當前參數情景下，下斷面預測的污染物濃度序列與實測值序列的偏差總和，偏差總和越小代表適應度越高。目標函數表達式為

(3)

1.4 基于水污染擴散模型的污染物溯源

(1)污染源初篩。突發污染預案庫涵蓋了各種污染物的相關信息，當發生突發水污染事件時，根據監測斷面污染物類型，從預案庫中查詢該污染物可能對應的污染源(即疑似污染源)以及相應污染源的信息，包括污染源名稱、坐標等。疑似污染源記為x1，x2，…，xi(i=1，2，…，n)。

1.5 基于知識圖譜的排污企業確定

上述溯源得到的污染源，只能確定污染源的排放位置、排放時間和排放濃度。如果該污染源位于某工業園區的河道內，且該污染源附近企業排放污染物的類型大致相同，當某一企業偷排污染物時，則很難確定偷排企業。因此，還要將溯源得到的污染源與其周圍企業排放的污染物(如各污染物濃度比例等)進行深入分析，才能最終確定偷排企業。

(1)知識圖譜概念。知識圖譜(Knowledge Graph)又稱為科學知識圖譜，由Google公司在2012年提出，是人工智能技術的組成部分。其強大的語義處理和互聯組織能力，為智能化信息應用提供了基礎。隨著人工智能的技術發展和應用，知識圖譜逐漸成為關鍵技術之一，現已被廣泛應用于智能搜索、智能問答、個性化推薦、內容分發等領域。基于以上特點，本文采用知識圖譜對溯源得到的污染源與其周圍企業排放的污染物進行智能分析，確定偷排企業。

(2)知識圖譜架構。知識圖譜的架構包括自身的邏輯結構以及構建知識圖譜所采用的體系架構。①邏輯結構：邏輯架構可分為數據層和模式層兩個層次，數據層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。模式層構建在數據層之上，是知識圖譜的核心，通常采用本體庫來管理知識圖譜的模式層。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，并且冗余程度較小。②體系架構：體系架構是指知識圖譜的構建結構，如圖2所示。其中虛線框內的部分為知識圖譜的構建過程，也包含知識圖譜的更新過程。若通過知識圖譜仍無法分析確定，則需要去疑似企業實地調查走訪最終確認。

圖2 知識圖譜體系架構

表1 實驗河段水文要素

2 案例應用

由于現實實際不可能將大量污染物故意傾倒進入河道進行實驗，因此，基于現實條件與實驗的人力、物力和環境，選取寧波市某水文條件比較穩定的入甬江河段、以少量污染物進行溯源實驗。這樣，實驗中的少量污染物可快速排入甬江，進而排入外海，不會對生態環境造成影響。該河段的水文要素見表1。

根據實驗河段水文要素，通過埃爾德法和泰勒經驗公式，可計算得出本次實驗的初始污染物縱向擴散系數Dx=2.94 m2/s和橫向擴散系數Dy=0.016 m2/s。

模擬岸邊瞬時排放污染物的溯源實驗(見圖3)：

圖3 污染物溯源實驗示意

2.1 構建突發水污染預案庫

在河段上游兩岸虛擬不同的污染企業，根據各企業的不同污染物類型、河段水文要素等信息，構建突發水污染預案庫，包括污染源數據庫、排污企業數據庫、監測斷面數據庫、水文情景數據庫等。部分數據庫表結構信息見表2、3。

2.2 污染物排放與監測

(1)在河段起始斷面處A1以瞬時投放的形式向河段內投入污染物M，質量為20 g，并將A1標記為位置原點，投放時刻記為零時刻。

(2)通過水質自動監測儀，每隔30 s，在表4所示3個斷面處(A2、A3、A4)測定污染物M的濃度，持續測量8 min。其中，A2為虛擬的污染源，A3用于在線率定污染物擴散模型參數，A4用于污染物溯源。通過水質自動監測儀的通信模塊，自動將數據發送到網絡，同時運用通信解析協議，解析得到污染物濃度變化過程，存入水污染擴散模型庫。污染物濃度數據傳輸、解析、存庫的過程涉及水利物聯通信，本文不做詳述。

2.3 模型參數在線率定

Dx、Dy的初值已經根據經驗公式計算得到；縱向平均流速ux與橫向平均流速uy通過流速儀測得，分別為0.16 m/s和0.02 m/s；通過查詢文獻，污染物的降解系數初值k=0.1 d-1。

測得A2、A3、A4的污染物濃度變化見圖4。

由于模型中待率定的ux、uy、k初始值可依據河段水文要素及文獻計算得到，若由于實際條件限制

表2 污染源信息

表3 排污企業信息

表4 監測點及監測信息

表5 模型參數率定信息

圖4 A2、A3、A4污染物濃度變化

無法獲取其初始值，可從突發水污染預案庫中選取跟當前場景相似的歷史事件作為初始值。各參數見表5。

利用A2為虛擬污染源，利用A3污染物濃度變化過程，基于粒子群法對ux、uy、k進行率定，率定結果見圖5。

經率定，Dx均值為0.941 m2/s，Dy均值為0.116 m2/s，k均值為0.085 d-1。

2.4 水污染溯源

(1)根據監測斷面A4的污染物類型，從預案庫中查詢疑似污染源。經過篩選，初步確認5處污染源x1、x2、x3、x4、x5。

(2)通過試算法，基于率定過的水污染擴散模型，分別對5處污染源進行模擬計算，并與A4的實測污染物濃度變化過程進行擬合度分析。經計算，5處污染源擬合度分別為0.96、0.73、0.84、0.69、0.89；因此，確定x1為污染源。

2.5 確認排污企業

根據監測斷面A4的污染物類型、排放濃度、污染物濃度衰減、排放時間等信息，通過知識圖譜與污染源周邊企業進行關聯分析，確定排污企業E。

3 結論與展望

本文針對現有水污染溯源方法

圖5 ux、uy、k迭代計算過程

的不足，提出了一種河流突發水污染事件的溯源方法框架與步驟，并通過實驗進行了模擬驗證。通過構建突發污染預案庫，從而大大縮短了污染物溯源時間；通過粒子群算法，對污染物擴散模型進行實時在線率定，使模型參數能夠隨時應對水污染事件；采用污染物擴散模型的正向計算，有效克服了反問題計算復雜的缺陷；通過知識圖譜的智能關聯，確定排污企業，完成水污染的精確溯源，大大提高了水污染溯源的效率。

本文只對岸邊瞬時排放的水污染事件進行了實驗，下一步需對連續排放的水污染事件進行實驗，以驗證本方法的適用性與準確性；同時，還需對實際發生的突發水污染事件進行溯源模擬，以驗證本方法在現實條件下的適應性。