太湖流域水質中長期預警模型構建

黃華，寇曉芳，許義軍，李振通

[中圖分類號] TM76

[文獻標志碼]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

太湖流域水質直接關系到飲用水的安全，與人們的生產生活息息相關。2007年5月，無錫水源地藍藻人而積暴發，導致出J‘水質達不到飲用水標準，引發了罕見的供水危機，不僅損害了經濟、社會和生態環境，也嚴重威脅著水環境[1-2]?！笆濉逼陂g，江蘇省開展了太湖流域水環境監控系統項目建設，對地表水水環境實現了全覆蓋、全天候在線實時連續臨測和遠程臨控，積累了人量數據。隨著人量太湖流域水環境治理技術、管理技術研究成果的應用，水環境惡化趨勢基本得到遏制[3]。但太湖流域水生態環境監管是一項龐人復雜的系統工程，涉及污染源、流域數量巨人，其管理的維度、深度、難度均超出傳統環境管理的能力范圍。

當前，太湖流域水環境治理形勢仍處于污染高位期、風險高發期、治理相持期，如何監測太湖流域水質中長期變化，并對源水水質進行預警，已經成為當前太湖流域水質監測的重要課題。

1 太湖流域水質監控現狀

水環境監管是水環境治理工作的基石，水環境治理任務越重，越需要加強水環境監管能力建設，越需要科學的環境監管手段提供有力的支撐，水環境監管能力是實現水環境治理目標、維護水環境安全、促進經濟社會持續健康發展的重要保障。在“十二五”期間，江蘇省環保廳完成了在流域層而上構建水生態功能分區管理體系的研究，劃定了流域水功能區管理目標，研究了基于關聯分析的數據挖掘技術，完成了太湖流域水污染物排放總量I V控和動態評估，實現了主要水污染物排放風險源控制名單識別，建成了太湖流域重點污染源自動監控軟件平臺和江蘇省太湖流域水環境信息共享平臺，初步實現對太湖流域內重點污染源排污情況以及劇邊環境水質情況的全面監控。

雖然目前對太湖流域水環境監管的研究已取得一定的成果，但是產業結構調整還需要相當長的過程，太湖水環境形勢仞然不容樂觀，太湖流域水環境監控與管理中還存在很多需要進一步關注的問題，對太湖流域水污染監管也提出了新的研究方向。

2017年1月，江蘇省發布《江蘇省“十三五”太湖流域水環境綜合治理行動方案》（蘇政辦發[2017]11號），提出要創新流域治理決策機制，以考核斷而水質達標和功能區水體等級提高為目標，強化定量分析，探索建立精準識別、精準決策、精準施策以及精準管理的精準治太機制，創建流域精準治理新模式。

本文以人數據分析為突破口，研究構建太湖流域水質中長期預警模型，以期實現對太湖流域水質臨測斷而進行中長期累積性風險的預測預警。

2 水質預測方法選取

依據不同的理論基礎，水質預測的方法土要包括水質模擬模型預測法、灰色預測模型和人工神經等。

水質模擬模型是以水質模擬原理為理論基礎，此類模型需要豐富的歷史數據資料。灰色預測理論是通過分析離散的數據，發現各離散數據之間的規律。盡管水質變化表象復雜，但是通過灰色系統理論處理不確定量的特點，充分利用已知信息，找出水質因素呈現的非線性變化特征。通過灰色建模理論應用數據生成手段，可以將系統的隨機性進行弱化，將原始序列以某種特定規律進行呈現，把原始數據變化特點不明顯的變得較為明顯的規律。進一步對灰色預測結果進行殘差檢驗，對于任意隨機分布的數據序列，歷史數據較少，往往也可以得到相對準確的預測結果[4。但是，對于斷而水質監測數據規律性較弱，波動性較人的情況時，灰色模型預測所得到的結果與實際監測結果會存在較人的誤差。另外一種水質預測模型是人工神經網絡模型，該模型對于探究水質數據量人，自身變化規律復雜具有一定優勢。人工神經網絡是由人量處理單元互聯組成的非線性、自適應信息處理系統，通過輸入層、隱含層、輸出層結構，將復雜問題轉變成高維線性可分的問題，從而預測水質的變化。目前常見的是使用BP人工神經網絡。

由于該網絡模型學習速率是固定的，對于一些復雜問題，學習速率太小，結果往往收斂速度慢，需要較長的訓練時間，這也成該網絡模型的土要缺陷。針對學習速度慢問題，廣義回歸神經網絡（ GRNN）將高斯函數應用到網絡隱含層結點中的作用函數中，從而具有局部逼近能力，加快了訓練的時間。此外，為了避免人為主觀假定對預測結果的影響，GRNN中網絡的學習全部依賴數據樣本，參數設定更具客觀性。

鑒于灰色預測模型、BP人工神經網絡存在的缺陷，本文采取灰色預測和GRNN神經網絡組合預測模型，預測太湖流域水質。通過灰色理論結合人工神經網絡的方式，可以模擬由灰色理論的預測值與原始數據實測值之間的偏差關系，處理實際水質監測過程中獲取的人量數據。此外，將灰色理論和人工神經網絡進行模型組合后，可以減少原始數據變化幅度人對預測結果影響，提高預測結果的準確性.

3 太湖流域灰色一神經網絡預測模型構建

太湖流域灰色一神經網絡組合預測模型，首先使用最近5a的太湖流域污染源在線監測數據、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、風力風向）、經灰色預測模型得到的當月預測因子濃度值等作為輸入值，實際斷面的水質監測因子濃度和自動站監測的水質濃度作為神經網絡模型輸出值。將所列輸入輸出相關數據按流域水量枯水期、下水期和豐水期對應分為三類訓練。

對網絡的結構以及初始權值和初始閾值進行調整訓練率定，得到每個斷面的水質因子濃度在企業排放、水文、氣象等！實際因素影響和灰化預測結果與實際監測值關系模型。接著，利用灰色模型得到需預測月份的因子的濃度值，基于歷史水文數據、污染排放數據擬合，得到預測月份的水文和排放情況，利用中長期氣象預報數據代入神經網絡關系模型中，得到經由神經網絡關系模型計算的各因子濃度值作為最終預測因子值及誤差范圍，經由因子濃度判斷水質等級，并對斷面水質可能下降或者不達標進行預警。

采用神經網絡的方法，結合灰色理論的特征來進行水質預測，這種組合方式兼具兩者的優點，對可歸化為灰色問題的復雜問題建立確定的連續微分方程并對其求解，從而對求解復雜灰色問題提供可行的求解基礎。利用灰色.神經網絡模型，把神經網絡特有的非線性適應性信息處理能力與灰色理論弱化數據序列波動性的特點進行結合。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的優勢，從而彌補了單一預測方法不準確的缺陷。

4 仿真分析

根據太湖流域的監測數據，將2015年1月至2019年12月的水質斷面監測數據、斷而關聯污染源數據、水文氣象數據作為原始數據進行訓練建模，將2020年1月至8月斷面實測監測值作為測試數據。本文選取太湖流域滸關上游斷面的總磷、總氮、氨氮以及COD濃度預測進行分析，其他斷面以及監測參數也采取同樣的方法和步驟分別進行實驗仿真（圖1～圖4）。

由上圖可見，滸關上游斷面COD、總氮、氨氮、總磷預測結果與原始數據趨勢大致相同，預測指標和實測指標的總體誤差均在30%以內。

5 準確率分析

通過構建的灰色神經網絡預測模型，對2020年1月～8月太湖流域161個斷面共3708個監測項目進行中長期預警分析，并根據預測數據評價出對應的水質等級。分析對比各斷面實際等級與預測等級，匯總總體水質預測準確率，如圖5所示。

通過灰色一神經網絡組合模型對太湖流域斷面水質進行模型構建后預測得到2020年18月逐月情況，預測準確率達到70%以上的斷面占76.4%，較灰色模型（預測準確率達到70%以上的斷面占67.7%）有明顯提升。

6 結束語

灰色一神經網絡模型在太湖流域研究各項水質指標預測中均具有較好的適用性，預測指標和實測指標的總體誤差均在30%以內，絕對誤差也在水質預測相關規范要求內，可以用來進行斷面水質預測。

通過歸集整理的流域污染源在線監測數據、斷而水質在線監測數據、太湖流域的水文、氣象等信息，建立灰色神經網絡組合預測模型，可實現對太湖流域161個斷面（省考，國考）進行中長期累積性風險的預測預警，對于超標風險較人或著水質可能下降的斷而給予提示，做到在較短的時間內判斷出污染源濃度及可能危害的程度，為領導決策提供數據支撐，及時引導有關部門開展污染減排、引水調流等舉措，確保流域水質穩定。

參考文獻

[1]朱文昌，沈建榮，彭宇，等.太湖無錫飲用水源地枯水期預警淺析[0].2012中國環境科學學會學術年會論文集2012.

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

[3]沈建榮，傅曉種，周曉自動監測數據的預警研究[C].2013中國環境科學學會學術年會論文集2013.

[4]段鋒，楊芬.灰色預測模型的研究及應用[J]湘南學院學報，2008，29 （2）：17-21