流域突發水污染云溯源體系構建與應用

彭 虹，周文婷，張萬順，夏 函，張 瀟，王 浩

(1.武漢大學水利水電學院，湖北 武漢 430072； 2.武漢大學資源與環境科學學院，湖北 武漢 430079；3.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室，北京 100038)

據統計，2006—2019年國內突發水污染事件共計1 100余起[1]，平均每3天發生一起，水污染情勢嚴峻年份突發事件超過100起。經濟活動強度高的地區水污染事件發生概率較大[2]，頻繁的突發水污染事件造成了巨大的社會影響和經濟損失，嚴重威脅著流域水環境與水生態系統安全。對于易觀測的事故類型，如由工廠爆炸、船舶側翻等引起的突發水污染，其事故點位明確；而對于發生在偏遠地區的、不易觀察的甚至有意隱瞞的突發水污染事件，包括管道泄漏、廢水偷排、降雨沖刷地表等原因引起的事故，均具有發生地點不確切的特點，處置這類突發水污染事件的首要工作就是明確事故源位置及源的釋放規律[3]。

由于流域內水系縱橫交錯，水體動力學特征復雜多變，同類污染物在不同排放點進入水體后，隨著水動力條件的擴散遷移和水質轉化，在水體某處會有“異源同效”現象，即不同位置、不同排放強度的污染源對其下游河道或湖庫的同一水質監測斷面造成的污染貢獻相近，這種現象給突發水污染事件溯源帶來很大的不確定性。采取多種方法快速鎖定污染源一直是國內外水環境保護領域研究的熱點，當前突發水污染溯源研究主要針對局部河段，且多集中于河流尺度的一維模擬，多采用確定性方法與不確定性方法[4-5]。確定性方法從水污染遷移轉化的機理入手，引入優化算法來追溯事故源頭[6]，如基于相關系數優化推導一維河道單點源追溯的反演算法[7]，根據數據庫反向推算進行污染物溯源案例研究[8]等；不確定性方法主要采用概率統計與分布預測[9-11]，依賴隨機變量的分布，但其物理意義并不明確，且計算量呈幾何級數增長，如結合貝葉斯推理的馬爾科夫鏈蒙特卡羅方法[12-13]提高了污染源反問題的識別效果，微分進化蒙特卡羅方法也被用于二維的河流瞬時污染源追溯研究[14]。此外，也有學者以一維水動力水質計算為基礎，構建推求逆向污染源位置的耦合概率密度函數[15]，通過構建預案庫提出基于粒子群和知識圖譜分析的水污染溯源方法[16]，以及通過建立基于流域要素空間關系的系統模型，將溯源問題轉化為空間搜索問題[17]。

快速響應是保障突發水污染事件高效處置的關鍵，隨著云計算在水利、環境等領域的快速應用，模型計算速度有望提高到百倍以上[18]，在流域陸面單元發生污染經降雨沖刷進入水體和在水體不明位置發生污染事件的溯源模擬也得以實現。本文基于流域環境模擬云平臺架構[19]，提出以自然流域為單元的源-質響應研究方法，進行流域尺度下事故區域的多情景突發水污染快速模擬，打破現階段事故源頭追溯的唯一性限制，識別可能對監測斷面造成相似污染過程的多個“異源”，劃定事故源的篩查范圍，以期為應急部門提高突發污染處置效率提供科學指導。

1 流域突發水污染云溯源體系構建

針對研究范圍大、時間模擬步長和空間模擬單元細化的流域尺度突發水污染系統溯源，應該建設一種可容納大體量信息、數據與模型協同高效的全新計算框架。本文基于流域突發水污染的云溯源體系，以自然流域為單元，同時考慮陸面與水體的污染遷移轉化過程，分別進行陸面非點源模型與河道內水動力水質模型模擬，在水文水質信息聯網監測的基礎上，利用云端的實時計算模式和邊緣端的高效響應能力，實現模型的分布式高效計算與數據的協調傳輸。

1.1 云邊終協同溯源架構

引入終端實時監測、邊緣節點分流和云端統籌計算的云邊終協同計算技術，各司其職，從突發水污染追蹤溯源的流域性和高效性出發，建設基于源-質響應的云溯源架構，如圖1所示。

圖1 云邊終協同溯源架構Fig.1 Cloud-edge-terminal collaboration architectureof source identification

a.終端實時監測。自2012年國家水資源監控能力建設等重點項目啟動以來，水利信息化建設工作快速開展，大部分重要監測斷面均實現了信息實時采集和自動傳輸，如水文、水質自動站的監測頻率已分別達5次/min、4次/h，監測數據上報及時，數據質量維護較好，已基本形成水利信息化基礎網絡體系。為全面及時捕捉水環境質量信息，充分發揮水利信息化的優勢，利用流域范圍內的終端監控設備，包括但不限于在固定污染源、移動污染源、水質監測站、水文監測站和氣象監測站設置的無線傳感監測儀器，實時采集、傳輸監測點的降水、地形、水位、流量、流速、含沙量和污染物濃度等數據；在生態環境監測部門布設人工接口終端，定期統計污染源與監測站的編號、名稱、位置坐標、監測要素、監測頻次、影響范圍、負責人和聯系方式等信息；對于水中優先控制污染物等非連續的人工監測數據，以及突發污染事故時密集的連續應急監測數據，也由人工接口終端負責匯總與上傳。

b.邊緣節點分流。組建分布式邊緣端服務接口，邊緣節點按需部署在每個末級支流流域的水利、生態環境、國土資源等不同部門，按各部門業務需求構建計算中心，利用云端信息并結合終端數據，提供區域或部門的個性化服務。在突發預警方面，邊緣節點實現其所在支流流域的終端水文、水質、污染源等數據集總與各項業務邏輯處理，負責驅動流域非點源模型進行陸面的產流產污計算，得出非點源模擬結果，同時整合由終端采集的點源信息，構建污染源數據庫。對點源進行污染物的不同排放情景設置，形成污染排放情景模擬方案集，排放濃度以污染源正常排放值和重大事故排放值為邊界等距設置，劃定出正常排放與不同等級的事故排放情景，其中重大事故指短時間內污染源存儲的所有潛在風險化學品均排出或水處理設施完全故障時的污染物排放濃度。

c.云端統籌計算。云端通過搭建服務器集群或租賃云計算環境構建，在云端布置流域水動力水質模型的高性能算法。并行計算的負載均衡借助任務管理節點控制，實現流域全局的水體水動力水質實時模擬預報。基于部署的云邊終協同溯源架構，按照從信息上傳到任務下達的兩個步驟，實現突發水污染的溯源模擬。信息上傳過程包括：終端根據實時監測的水質數據確定安全閾值，并進行突變分析，將分析結果和水文水質數據實時聯網傳輸至邊緣端，供邊緣端通過質控中心復核；在邊緣端分析實時水文條件、確定污染源常規排放信息，上傳至云端。任務下達過程包括：將云端的水動力水質實時預報結果發布至邊緣端，在邊緣端對比云端報送的水質模擬序列與終端的水質監控數據，進行突發污染事故判定與預警；得到預警后，邊緣端進行疑似污染源范圍分析，傳輸至終端。以上終端、邊緣端和云端之間的信息傳遞和任務協同，借由消息中間件以數據驅動模型的方式實現，通過聚合傳輸方式降低數據傳輸時間的額外開銷。

1.2 流域溯源模型

流域水環境問題表象在水里，癥結在岸上。立足于流域“水-陸”一體化視野，統籌兼顧上下游水網與左右岸陸面，同時精準刻畫研究區域內河網水動力水質和陸面非點源污染過程，建立流域溯源模型是水污染溯源的必然趨勢。通過統一陸面單元和水域網格的空間計算體系，將非點源模擬結果作為水動力水質模型的前置驅動條件，建立平臺接口實現模型自主驅動與數據主動對接，即可趨于同步地實現陸面非點源模型與河道水動力水質模型的底層耦合。

流域不同地理單元的景觀類型存在差異，其水循環和污染物質的遷移過程也復雜多變，陸面產流產污機制有所不同，故而非點源模型的選用要根據研究區域特點因地制宜。如當前國際上被廣泛使用的開源模型SWAT(soil and water assessment tool)是當前農業面源污染應用和再開發的熱點模型，暴雨洪水管理模型(storm water management model, SWMM)更適合精細量化城市區域的降雨徑流過程。

河道水動力水質模型的建模區域應當覆蓋流域內全部干流及支流，根據研究區域內河道監測資料、高精度DEM及遙感影像資料，生成河網水系的精細化地形。突發污染物進入河流后，其遷移轉化作用受水動力條件影響很大，污染物質沿程縱向的遷移擴散速度較快，橫向次之，往往形成狹長的羽狀污染帶，更適合二維水動力水質耦合模型模擬[20]。模型按秒設置時間步長，基本方程包括連續方程、動量方程和污染物遷移擴散方程：

(1)

(2)

(3)

式中：h為微小水體的水深，m；t為時間，s；u、v分別為x、y方向流速，m/s；q為單位流程、單位寬度上從旁側流入微小水體的流量，m3/(s·m2)；z為水位，m；g為重力加速度，m/s2；C為謝才系數，m0.5/s；ξx、ξy分別為x、y方向的渦動黏滯系數，m2/s；ρi為污染物i的質量濃度，mg/L；Ex、Ey分別為污染物在x、y方向的綜合擴散系數，m2/s；Si為污染物i的源漏項，mg/(L·s)。

除常規污染物的遷移轉化模擬外，本方法還面向水中優控污染物的溯源需求，系統考慮包括化學品、油類、金屬及放射性4大類，共計126種的特征污染物，在邊緣端集成了相應的模型數據庫與模型參數預置庫。模型參數會隨水動力等條件改變而變化，對水質模擬結果有很大影響，可以依據云溯源系統同化的大量在線水質監測數據來反復校正水質模擬結果，實現參數在線實時率定[21]，準確反映突發水污染進行時刻的污染遷移轉化規律，降低參數靜態設置帶來的模擬誤差。

1.3 源-質響應模擬技術

“異源同效”的水污染現象表明，突發污染事故源頭排放情景存在非唯一性。為盡量把對監測斷面造成污染的排污主體做到應查盡查、不重不漏，利用云端實時的水動力模擬結果，通過在邊緣端多污染排放情景下的快速水質模擬，基于源-質響應方法解析事故區域內固定污染源、移動污染源等各排污主體對監測斷面水質變化過程的影響規律，進行溯源響應追查。突發污染事件的源-質響應模擬流程如圖2所示。

圖2 突發污染事件的源-質響應模擬流程Fig.2 Source-quality response simulation processof sudden pollution events

源-質模擬指對事故區域內水體，進行實時水動力條件下多污染排放情景的水質模擬，溯源追查指根據超標水質類型、實時的水質監控數據及其與源-質響應情景數據庫的對比分析，得到擬合效果最好的疑似污染排放過程情景，逐步縮小包括非點源、固定點源和移動點源等在內的污染源篩查范圍。

a.全域水質云端實時預報。整合流域終端水文、氣象、污染源、水利設施調控等數據，云端每日定時驅動全流域水動力水質模型計算，得到全流域范圍河道內任一點水位、流量、流速及水質的模擬與預報結果。

b.突發污染事件類型判定。首先，在終端根據日常監測與系統模擬值，建立該區間的水質安全閾值。其次，邊緣端通過分析云端下傳數據，當本次預報峰值與建立的安全閾值出現較大誤差，但過程擬合度較好時，發出非點源事故預警；若與安全閾值和過程擬合度都出現較大誤差時，則發出點源(含移動源)突發事故預警。

表1 模型水質驗證結果Table 1 Model water quality verification results

c.源-質響應情景數據庫建立。排除事故源為非點源后，在邊緣端進行多情景的點源事故模擬。下載云端實時的水動力計算結果，作為事故區域模擬的水動力邊界條件，在邊緣端進行污染源多情景排放的水質模擬，得到污染物濃度模擬序列，形成事故區域源-質響應情景數據庫。

d.突發污染事件范圍確定。采用分析河道斷面污染過程擬合度的方法，確定突發事件范圍。在邊緣端調取源-質響應庫中各排放情景下的污染物濃度模擬序列，以監測過程和模擬過程的峰現時間為匹配點，采用納什效率系數，檢驗每種情景模擬序列與實際監控序列的相關性，進行污染過程擬合度分析。納什效率系數越接近于1，該模擬情景擬合效果越好，說明該情景污染過程對應的點位發生污染事件的可能性越大。根據事故區域的研究要求，確定可接受的納什效率系數下限值，本研究取0.8，提取不低于該值的疑似情景并傳輸相應污染源范圍至終端發布，輔助應急部門進行實地排查。

(4)

2 流域突發水污染云溯源體系應用

建立三峽庫區水動力學水質二維模型，以COD、TN和TP這3種可溶性可降解的水質指標為代表，進行模型驗證。根據長江水利委員會水文局和重慶市生態環境局提供的資料，長江寸灘斷面流量為3 830 m3/s，嘉陵江入匯流量為368 m3/s，采用同期統計的排污負荷，率定的河段糙率和各污染物綜合降解系數取值范圍為0.028～0.035 d-1、0.01～0.1 d-1，對比磁器口、大溪溝、望龍門、寸灘4個驗證斷面的污染物質量濃度實測值，得到水質驗證結果如表1所示。COD、TN和TP模擬結果的相對誤差基本小于20%，水質模擬值與實測值吻合較好，表明云溯源體系應用的二維水動力水質模型精度較高，能準確反映研究區域內污染物濃度的變化規律。本系統同時建立126種特征污染物的模型及參數庫，在突發事件發生時可以直接采用。

以三峽庫區龍溪河入匯口干流和龍溪河支流上兩個存在同種污染事故風險的企業A、B為例，進行突發水污染云溯源方法的應用分析，如圖3所示，分別模擬這兩個污染源在事故排放情景下對下游斷面造成的污染，通過對比實時的污染物濃度監測過程，實現疑似事故源頭和排放強度識別，以縮小應急部門追溯污染源的篩查范圍。

圖3 研究區域Fig.3 Research area

在距離企業A、B分別約14.5 km、15 km的下游標記鎮安鎮監測斷面，根據突發水污染事故的一般特點，設計該斷面產生數據庫在錄可溶性可降解污染物M的1類和2類兩次突發污染過程，作為溯源案例分析的水質監測數據，如圖4所示。選擇水文條件比較穩定的平水期進行研究河段的水動力水質模擬，無降水時不產生陸面沖刷的非點源污染，長壽江段平均來流流量為7 200 m3/s，龍溪河平均入匯流量為48.7 m3/s，設計突發事故均為企業A或B的污染物M泄漏，模擬污染發生后下游鎮安鎮監測斷面的水質濃度過程?？刂莆廴疚镌诙虝r間內全部排放，設置污染排放情景如表2所示。

表2 事故情景設計Table 2 Accident scenario design

(a) 事故情景下污染物質量濃度模擬過程

(b) 事故模擬過程與監測數據的擬合圖4 鎮安鎮斷面污染濃度過程Fig.4 Pollution concentration processof Zhenanzhen Section

鎮安鎮斷面1類污染過程持續約 1 280 min，污染物質量濃度峰值達到22.56 mg/L；2類污染過程持續約1 530 min，峰值達到20.76 mg/L。對比各個事故情景模擬結果，以峰現過程為匹配點，分別以企業A、B為代表的情景2、6在鎮安鎮斷面的污染模擬過程擬合度較高，納什效率系數均大于0.8，模擬濃度峰值分別為25.21 mg/L、19.67 mg/L，對1類污染過程峰值的相對誤差分別為11.75%、-12.81%，對2類污染過程峰值的相對誤差分別為21.44%、-5.25%。長壽段干流流速較龍溪河更大，干流企業A發生事故后約800 min污染團運移至鎮安鎮斷面，約1 200 min時斷面濃度達到最大值，2 200 min后污染團離開鎮安鎮斷面，污染影響持續時間約 1 400 min；支流企業B發生事故后約 950 min 鎮安鎮斷面水體濃度開始增加，在1 550 min時達到峰值，2 600 min 后斷面污染濃度降至 0 mg/L，污染影響持續時間約為1 600 min。

對于1類污染過程，企業A、B事故情景的納什效率系數分別為0.91、0.87；對于2類污染過程，該值分別為0.84、0.95。企業A、B均有可能為這兩次突發污染的事故源頭，1類污染過程與企業A排污模擬的擬合度更高，則A企業排污可能性更大；2類污染過程與企業B排污模擬的擬合度更高，則判定B企業排污可能性更大。污染過程擬合度高的事故企業，對監測斷面的污染影響持續時間也更接近實際，是事故源頭的可能性更大。最終的污染源準確定位，還需要工作人員根據模擬結果在一定目標范圍內進行實地排查。

3 結 語

基于云溯源體系在云端實現流域全局的水動力水質實時預報，完成實時水動力條件下邊緣端對事故區域內多污染情景的水質快速模擬，識別多個可能對監測斷面造成污染的事故源頭，確定溯源篩查范圍。在架構層面，借助云邊終協同優勢提升大體量數據的傳輸、存儲與計算效率，基于流域水文水質監控網絡，能夠主動識別突發水污染事故并實現高效追溯；在模擬層面，采用二維水動力水質模型，模擬流域尺度的水體水質狀況，并在長江重慶段進行應用分析，納什效率系數大于0.8的污染情景都可能是事故源，且納什效率系數越高，該情景相應的污染源可能性就越大。