改進模糊綜合評價和主顏色提取模型對河道黑臭獨立評價

袁培炎,李尚書,張琪琪,何天煜,劉 靜,3,劉 國,3

1.成都理工大學生態環境學院,四川 成都 610059

2.成都理工大學,國家環境保護水土污染協同控制與聯合修復重點實驗室,四川 成都 610059

3.成都理工大學,地質災害防治與地質環境保護國家重點實驗室,四川 成都 610059

隨著社會經濟的高速發展,大量的工業廢水、生活污水、畜禽養殖廢水等污染水體被排入河流,有機污染物不斷消耗著水體中大量溶解氧,使其受到嚴重的污染,當超過水體自身的自凈能力時,水體會呈缺氧或者厭氧狀態,并產生氨、硫化氫等惡臭物質使河道發臭,同時其中存在的鐵、錳等離子也會被吸附、轉化使河道發黑,形成了一種顏色泛黑、味道令人不適的黑臭水體[1],直接影響居民的身心健康與水生態系統的穩定性發展,黑臭水體高效精準治理迫在眉睫。

自2015 年《水污染防治行動計劃》發布至今,我國大城市深入開展了黑臭水體治理攻堅行動,并基于《城市黑臭水體整治工作指南》完成城市黑臭水體的篩查與治理效果評價,但指南評價方法未明確區分水體的黑度與臭度。 目前有關水體黑臭程度評價常用的模型通常是將水質指標參數與各種數理模型或方法相結合,主要包括多因子綜合指數模型[2]、多元非線性回歸模型[3]、人工神經網絡評價模型[4]和模糊綜合評價模型等[5-6],上述模型方法雖然能夠判斷各水質因子對水體黑臭的影響程度,但存在普適性較差、評價結果不準確、無法判斷水體黑臭程度等問題,尤其是模糊綜合評價模型,在其隸屬函數確定過程中,易出現權重分配不合理[7]等情況,影響評價結果的準確性。 上述模型方法均無法對水體的黑或臭進行獨立判斷,而在實際巡查過程中廣泛存在著水體黑或臭獨立出現的情況[8],導致在統一評價模式下,極易出現沒有針對性的河道治理技術組合體系,使得治理效果不佳。 魏文龍等[9]利用多元線性回歸及有序Logistic 回歸建立的發臭回歸模型,也證明了黑臭水體獨立評價的可行性,但需進一步確定評價指標與水體黑臭程度的相關性。 為提高黑臭水體治理的精確性,降低治理管護費用,支持2025 年基本消除縣鄉黑臭水體的目標,急需完善和改進現有黑臭水體的評價方法,建立黑臭程度獨立評價的方法,更準確地反映水體黑臭的程度。

本文擬通過對四川盆地及周邊17 條黑臭河道進行采樣監測分析,利用相關性分析、主成分分析確定黑臭河道發黑、發臭的特征因子,并基于特征因子建立黑臭水體黑度和臭度的獨立評價模型,以實現對河道黑度和臭度的獨立評估,最終結合實際水體的人體感官評價進行對比,完成模型方法的準確性驗證,為水體的黑臭程度獨立評價提供依據。

1 研究方法

1.1 區域概況

本研究以四川盆地及周邊曾經或正在發生黑臭的城市內河道為研究對象,主要涉及成都、宜賓、眉山、樂山、廣元、南充、達州等在內的11 個市區的17 條河流,以長江水系為主。 研究區域位于東經103°78'～106°04'和北緯28°75'～32°42',屬于亞熱帶濕潤氣候,夏季高溫多雨,冬季溫和濕潤,年降水量為900 ～1 200 mm。

2019 年冬季12 月開展河道的監測采樣工作,其中丁家堰、麻柳河、古堰溪、金魚河、釜溪河、海濱堰匯入沱江水系;鳳凰溪匯入長江水系;木龍河匯入涪江水系;周家溝、曾家橋溝、駝峰溝、鳳椏河匯入嘉陵江水系;玉溪河、黑沱河、申家沖溝、松江、鳳凰河匯入岷江水系,河道沿線流經農田、工廠、居住地等。 參照《地表水和污水監測技術規范》(HJ/T 91—2002)對17 條河流各選取1 ～2 個監測斷面進行采樣(監測斷面具體坐標見表1),共采集了21 處水樣。

表1 監測斷面坐標信息Table 1 Coordinate information of monitoring points

1.2 水樣采集與分析方法

參照《地表水和污水監測技術規范》(HJ/T 91—2002)、《水質采樣樣品的保存和管理技術規定》(HJ 493—2009)等標準對水質樣品進行采集,水樣須裝滿容器至溢出不留氣體。 樣品采集后立即裝入聚乙烯塑料瓶和棕色玻璃瓶中保存,棕色玻璃瓶中加入(CH3COO)2Zn(乙酸鋅)和NaOH 以固定水樣。

本次調查的水質監測與分析指標:CODCr(重鉻酸鹽指數)、BOD5(五日生化需氧量)、TOC(總有機碳)、TP(總磷)、硫化物、NH3-N(氨氮)、總鐵、總錳、臭閾值(在48 h 內完成測定);DO(溶解氧)、ORP(氧化還原電位)、透明度、pH、溫度及黑臭程度(在現場完成測定)。 其中,CODCr根據《水質 化學需氧量的測定 快速消解分光光度法》(HJ/T 399—2007)測定;BOD5根據《水質 五日生化需氧量(BOD5)的測定 稀釋與接種法》 (HJ 505—2009)測定;TOC 根據《水質 總有機碳的測定 燃燒氧化-非分散紅外吸收法》 (HJ 201—2009)測定;TP 根據《水質 總磷的測定 鉬酸銨分光光度法》(GB 11893—89)測定;硫化物根據《水質 硫化物的測定 碘量法》(HJ/T 60—2000)測定;NH3-N 根據《水質 氨氮的測定 納氏試劑分光光度法》(HJ 535—2009)測定;總鐵和總錳根據《水質 鐵、錳的測定 火焰原子吸收分光光度法》(GB/T 11911—1989)測定。

DO、ORP、透明度、pH 和溫度等指標參照《水和廢水監測分析方法》[10]、《溶解氧(DO)水質自動分析儀技術要求》(HJ/T 99—2003)等標準通過便攜式測定儀現場測定;臭閾值通過稀釋倍數法表征[11]。

2 城市河道黑臭特征因子篩選

本研究在21 個監測點位通過水樣采集獲取CODCr、BOD5、TOC、TP、硫化物、總鐵、總錳、臭閾值、DO、ORP、NH3-N、pH、透明度等13 項檢測參數。 利用Spearman 相關性分析,分別識別與臭閾值和透明度有關的水質檢測參數,然后在此基礎上采用主成分分析法提取出影響河道黑度和臭度的特征因子,為后期黑臭程度獨立評價模型的建立以及針對性河道治理措施的提出奠定理論基礎。

2.1 相關性分析

通過相關性分析能夠定量衡量出多個具有同等地位的變量之間的密切程度,且因黑臭水體的影響因子間為非確定性關系,各因子不連續獨立分散,而水質的各項理化指標為連續變量[12],故研究利用IBM SPSS Statistics 20 對采樣獲取的13項影響因子進行Spearman 相關性分析,分別判斷影響因子與水體黑或臭的關聯程度,當分析結果處于95%的置信區內說明具有統計學意義(P ＜0.05)。

2.2 主成分分析

主成分分析法是多元分析法的一種,研究采用主成分分析法分別提取出能夠充分解釋水體黑度和臭度信息的因子,作為建立水體黑臭程度評價模型的特征因子[13-14]。

1)初始數據的標準化處理。 避免由于數量級與量綱不同對各項水質參數的影響,進行標準化處理:

式中: Xij為原始數據; Xj和Sj分別為第j 個參數指標的均值和標準差。

2)計算相關系數矩陣。 依據標準化后的數據和已經求得的Spearman 相關系數來確定原始參數指標的相關系數矩陣R。

式中: rij為原始指標變量Xi和Xj的Spearman 相關系數, rij= rji。

3)計算矩陣R 的特征值與特征向量。 計算相關系數矩陣R 的特征值λi,將特征值按從大到小的順序排列并求得對應的特征向量,要求特征向量滿足=1,uij為特征向量的第j 個分量。

4)計算主成分的貢獻率。

式中:ei為主成分貢獻率;Ei為累計方差貢獻率。

此次因子分析提取選擇累計貢獻率達到90%以上的特征值所對應的指標變量為主成分。

5)計算所提取主成分的荷載。 為了確定各單項指標對主成分的重要性影響程度,計算主成分荷載值lij=。

最后,根據累計方差貢獻率確定的主成分個數并結合主成分荷載值來選取各個主成分的主要影響因子,綜合分析后確定黑臭獨立評價模型的特征因子。

3 黑臭河道評價模型的構建

3.1 改進模糊綜合評價模型

傳統模糊綜合評價法主要包括評價指標的構建(確定因子集、評語集)、構建權重集、構建評判隸屬矩陣、進行模糊評判[15]。

為了實現對黑臭水體臭度的精準分級,在傳統模糊綜合評價模型的基礎上,將因子集的建立與主成分分析確定的特征因子相結合;在權重確定方面,采用層次分析法對因子權重進行優化[16],通過MATLAB 2017a 軟件進行計算。

3.1.1 確定因子集和評語集

將通過相關性分析、主成分分析法篩選確定的影響水體發臭的特征因子作為改進模糊綜合評價模型的因子集,即U={A,B,C,D,E}。 針對河道黑臭水體的發臭程度,將評語集設計為V={無嗅、淡腥臭、微臭、臭、惡臭}五大類。

3.1.2 確定權重系數

層次分析法通常包括5 個步驟:第一步,確定決策問題;第二步,進行成對比較,構造各級判斷矩陣;第三步,構建兩兩比較矩陣;第四步,計算特征值;第五步,完成一致性檢查[17]。 然后建立判斷矩陣,假設判斷矩陣A 為:

式中aij表示指標元素i 相對于j 的重要性程度。

在判斷矩陣中,利用方根法計算判斷矩陣的最大特征值λmax:

式中Wi為下層第i 個因素對上層指標的重要性權重值。

最后對判斷矩陣進行一致性檢驗,判斷指標權重值是否合理。 計算公式:

式中:CI 為判斷矩陣偏離的指標;CR 為隨機一致性比。

按規定,當CR＜0.1 時,判斷矩陣的一致性是可以接受的,否則需要修改判斷矩陣以滿足一致性要求,其中RI 根據判斷矩陣階數確定取值為0.9。

3.1.3 確定模糊關系矩陣

評判矩陣由各指標隸屬度組成,隸屬度指所選因子與評語集的隸屬關系,值趨于1 則表示該指標對該水質等級隸屬度越高[18],各因子在各評價等級的隸屬度可由下面的式子確定DO(溶解氧)除外,當因素為DO 時,等級數越小水質越差,則需要用1 減去得到的值:

式中:x 為實測值;m 指臭度分類等級;em指臭度分類對應的值。

3.1.4 模糊綜合評價

模糊合成算子采用加權平均型,根據權重AWi與評判矩陣R,計算得出模糊綜合評價結果B:

由此得到模糊綜合評價B 后,以max(B)作為最終的水質評價等級。

3.2 基于K-均值聚類的主顏色提取法評價模型

本研究以 Python3.6 設計語言,Pycharm 2017.3 作為編譯器,以Numpy、Matplotlib、PIL 等程序包為基礎,在K-均值聚類法的基礎上結合顏色模型搭建主顏色提取法評價模型。

該模型首先將圖片像素點的顏色信號分為色調(H)、飽和度(S)、明度(V),色調包括紅(R)、綠(G)、藍(B)3 種,S 和V 分別表示顏色的深淺程度、明亮程度,并以百分比進行度量[19],再利用K-均值聚類法計算圖片像素點與聚類中心樣本點的最小歐氏距離[20],使相似像素點重新分類組織[21],根據聚類集群的組成個數數量,快速、準確篩選出最能夠代表水體顏色的一類作為主顏色,并引入灰度模型判斷水體主顏色與黑色的接近度,對其發黑程度進行量化,從而實現水體黑度的分級評價。

主要步驟:①計算黑臭水體圖像每個像素點的HSV(色調、飽和度、明度);②隨機確定M 個最優的聚類中心樣本點,將圖形分割成M 類,計算其聚類中心樣本點的HSV;③逐個計算M 類中每個像素點的HSV 與各個類中心樣本點的歐氏距離,根據歐式距離進行重新分類;④將中心樣本點移動至所在類的中心,再重新計算所有像素點的HSV 到新中心樣本點的歐氏距離,并進行重新分類;⑤多次重復③、④步驟,得到多個集群;⑥剔除聚類數量小于5%的集群后,選取數量最多的一類作為主顏色,并進行主顏色排序[22];⑦使用灰度模型計算提取的主顏色灰度Gray=R×0.299+G×0.587+B×0.114;⑧根據灰度判斷水體黑度評價模型。 結合現場河流實際情況,確定黑度獨立等級為灰黑、黃綠、透明,等級對照見表2。

表2 水體黑度評價等級對照表Table 2 Comparison table of water blackness evaluation grade

3.3 準確性驗證

河道黑臭水體的表觀會呈現黑或者泛黑的顏色并散發出刺鼻的氣味,人體感官特征評價是較為直接地反映出河道水質黑臭狀況的方法。 本研究從黑度和臭度2 個方面,利用人體感官評價來對黑臭程度獨立評價模型的準確度進行驗證。 共由5 名隨行人員作為恒定測試者,年齡段為20 ～40 歲,此外由于研究共監測了17 條河流的21 處水樣,部分河段還會隨機請采樣點周邊4 ～5 名當地居民參與測試(測試者的視覺、嗅覺均正常,且保證其不因感冒或厭煩而對測試結果產生影響),通過對水體色度和臭度的現場感官判斷進行黑臭程度的等級評價。 根據水體氣味的刺鼻程度劃分為無嗅、淡腥臭、微臭、臭、惡臭5 個等級,其中無嗅為貼近水面無感覺,淡腥臭為貼近水面有水體原有氣味,微臭為貼近水面有感覺,臭為站在河道旁有感覺,惡臭為距離河道1 m以外有感覺;根據水色的深淺劃分為透明、黃綠、灰黑3 個等級,選取測試者人體感官評價的多數值與模型評價等級結果對比,進行準確性驗證。

3.4 其他評價方法對比

單因子評價法[23]是通過確定影響水體黑臭的主要指標,用實際監測指標與其閾值相比較來確定。 研究主要采用黑臭單因子污染指數I,當I≥5 時,認定為黑臭。 而綜合指數法是一種可以較為完善描述多因子作用下水質情況的方法,該模型綜合考慮了CODCr、BOD5、DO、NH3-N、TP 這5 種因素對水體黑臭程度的影響,綜合水質指數計算方法:

式中:I 為綜合水質指數;X1為河道綜合水質類別;X2為數據在X1類水質變化區中的位置;X3為低于水質指標的個數;X4為綜合污染程度;Pi為第i 項指標的實測濃度。

黑臭閾值法則是根據現場測量的指標數據與水體黑臭程度的閾值(其中黑度的閾值為21.5,臭度的閾值為15)相比較[24]。

4 結果與討論

4.1 特征因子提取

4.1.1 相關性分析

利用相關性分析法分析河道水體中各物化指標間的關系,得出相關系數見表3。 從表3 可以看出:臭閾值與TOC、NH3-N、COD、TP、DO 的相關系數為0.5 ～0.8,呈顯著相關性。

表3 相關性分析結果Table 3 Results of correlation analysis

隨著工業污水、生活污水的大量排放,河道中的NH3-N、TOC、COD 以及TP 指標會不斷增加,水體中的DO 會隨著有機污染物的好氧分解被消耗而減少,導致河道水體發臭,臭閾值上升。 這是由于當水體的復氧速率小于好氧速率時,水體就會缺氧,并伴隨著厭氧微生物大量生長,厭氧微生物在降解過程中會產生H2S、NH3等發臭氣體以及甲硫醇、硫醚類等揮發性有機物,這些發臭氣體和揮發性物質逸出水面進入大氣就會使得河道發臭[25-29];同時,由于河道中存在大量的NH3-N,且水體處于缺氧狀態,河道中水生動物的生長會受到嚴重影響,甚至會導致死亡[30-31],引起水質惡化并散發出臭味。

透明度與TOC、COD、BOD、總鐵、總錳、DO 的相關系數為0.4 ～0.7,關系緊密。 河道水體中總鐵、總錳含量上升會導致水體發黑,透明度下降。這是由于河道中DO 降低,水體呈還原狀態,厭氧微生物降解產生H2S。 H2S 會散發出臭雞蛋味,還極易溶于水,與水體中存在的Fe2+、Mn2+等還原性物質,在水中腐殖酸和富里酸的吸附絡合下形成黑色沉積物FeS 和MnS 等[32-33],FeS 和MnS 一部分沉積在水下,一部分懸浮在水面使得水體發黑,透明度下降。

4.1.2 特征因子提取

由于臭閾值和透明度與多項水質檢測參數具有一定的相關性,數據標準化后,經主成分分析法得到各因子的特征值及貢獻率和總解釋方差,在保證因子貢獻率符合提取要求的同時獲取影響河道黑度和臭度的特征因子。

由表4 中每個變量提取的信息可以看出,除硫化物的提取信息為47.5%外,其他因子都提取了超過50%的信息。

表4 公因子方差Table 4 Common factor variance results

根據相關系數矩陣求得各因子的特征值與貢獻率,總解釋方差結果見表5,碎石圖見圖1。 由于此次特征因子提取原則為保留90%以上的信息,即累積貢獻率大于90%,因此當提取第 1 ～第 5 因子時, 累積貢獻率達到90.72%,說明了這5 個因子包含了11 種水質參數中90%以上的信息,基本上反映了原始數據的信息。

圖1 碎石圖Fig.1 Scree plot

表5 總解釋方差Table 5 Total variance explained

旋轉因子載荷矩陣反映的是各項水質參數與5 個主成分因子之間的關聯程度。 由表6 可知:第1 主成分因子對水體臭度影響最大,累積方差貢獻率達57.99%,與之關聯程度較高的指標包括TP (0.788)、 有機污染物(0.758、 0.755、0.736)、NH3-N(0.663);第2 主成分因子的累積方差貢獻率為18.28%,與之關聯程度較高的指標為ORP(-0.912);第3 主成分因子的累積方差貢獻率為9.95%,與之密切關聯的參數指標為總錳(0.791);第4 主成分因子的累積方差貢獻率為7.53%,總鐵(0.697)和DO(-0.580)與之的關聯程度較高;第5 主成分因子的累積方差貢獻率為6.04%,與之關聯最密切的參數指標為pH(0.767)。

表6 旋轉因子載荷矩陣Table 6 Loading matrix of rotated factors

結合主成分累積方差貢獻值和旋轉因子矩陣的載荷值選取TP、有機污染物、NH3-N、ORP、DO、pH、總錳、總鐵為特征因子,又根據此前相關性分析結果中總鐵和總錳具有較好的相關性,COD 和BOD 均是水中有機物需氧量的綜合指標,TOC 是有機物中含碳量的指標,基于指標因子間的交互重疊作用及相關程度的原因,最終選取影響河道黑臭程度的特征因子為TP、COD、NH3-N、ORP、DO、pH、總鐵。

由相關性分析結果可知,各項水質指標參數中TOC、TP、COD、NH3-N、DO、Mn 和臭閾值具有顯著關聯性(P＜0.05),TOC、COD、BOD、總鐵、Mn、DO 和透明度具有顯著關聯性(P＜0.05),最終確定影響河道臭度的特征因子為TP、COD、DO、NH3-N,影響河道黑度的特征因子為COD、總鐵、DO,進一步確定了改進模糊評價模型的因子集。

4.2 基于改進的模糊評價法對臭度的評價結果與分析

將確定影響河道臭度的4 種因子NH3-N、COD、TP、DO 作為改進模糊綜合評價模型的評價因素集合,即U={COD、NH3-N、TP、DO},以上4個參數在21 個采樣點的取值見圖2。

圖2 DO、TP、NH 3-N 和COD 的采樣數據Fig.2 Sampling data of DO,TP,NH 3-N and COD

由層次分析得到的權重向量見表7。

表7 層次分析法結果Table 7 Results of analytic hierarchy process

根據以上的權重指標計算及一致性檢驗結果可知,該層次分析模型中特征值λ 為4.010 3,CI為0.003 4,CR＜0.01,滿足一致性檢驗標準。 其中特征因子權重排序為COD(0.468 1) ＞NH3-N(0.234 1)＞TP(0.211 5)＞DO(0.086 3)。 因此,確定以A={0.234 1、0.468 1、0.211 5、0.086 3}作為權重向量,并賦權重因子于評價因素集合U 上。

將層次分析法確定的各項特征因子的權重與模糊關系矩陣利用公式復合計算后歸一化,從而得到17 條作為研究對象的城市黑臭河道的臭度獨立評價結果(表8),以無嗅、淡腥臭、微臭、臭、惡臭作為結果分類也較為符合實際情況。 根據水質臭度評價等級,其中包括丁家堰在內的6 個監測點位,河道臭度狀態為無嗅,基本無味;鳳凰河上游等5 個監測點位,水質有受到輕微污染,河道臭度狀態為淡腥臭;申家沖溝等4 個監測點位,河道臭度狀態為微臭;金魚河在內的6 個監測點位,水質受到嚴重污染,河道臭度狀態為惡臭,嚴重影響到周邊生物與人類的生活。

表8 改進模糊綜合評價結果Table 8 Results of improved fuzzy comprehensive evaluation

基于層次分析法改進的模糊綜合評價模型,結合多位專家的打分,確定了特征因子權重大小,科學和準確地評價了影響臭度的特征因子對水質臭度等級的貢獻程度。 在將臭度分為無嗅、淡腥臭、微臭、臭、惡臭5 個等級的情況下,人體感官評價結果與模型評價結果具有較好的相關性,此改進模型與實際值相比,準確率為66.6%,誤差基本在一個等級以內的準確率為85.7%,評價結果較為合理。

4.3 基于K-均值聚類的主顏色提取法評價模型對黑度的評價結果與分析

對21 個調查點位使用K-均值聚類法確定其對應的主顏色,并利用灰度模型計算出其Gray值,找到其對應的評價等級。 圖3 為K-均值聚類模型評價等級與實際黑度等級的對比。

圖3 G ray 值及評價等級對比結果Fig.3 Comparison results of Gray value and evaluation grade

根據K-均值聚類模型對水體黑度進行評價得出的評價等級顯示,包括丁家堰、鳳凰溪等在內的12 個監測點位,河道黑度狀態為透明,水體顏色較淺;黑沱河、金魚河等7 個監測點位,水質有受到輕微污染,河道黑度狀態為黃綠色;海濱堰上游和下游等2 個監測點位,水質受到嚴重污染,河道黑度狀態為灰黑。

對比發現,模型評價等級與實際黑度評價等級基本一致,僅監測點位4(鳳凰溪)、5(申家沖溝)和21(松江)出現評價結果不一致的情況,經過反復研究確定,是由于拍照角度或者光線原因導致拍攝的照片受到了影響,對照片中像素點HSV 的分析也由此受到了影響,這是K-均值聚類模型產生誤差的主要原因。

基于K-均值聚類法的主顏色提取評價模型,能夠快速、準確地評價水體的發黑程度。 在將水體黑度分為3 個等級的情況下,此改進模型與實際值相比,準確率為85.7%,評價結果合理。

4.4 其他評價方法對比結果

本研究還采用單因子法、綜合指數法和閾值法對水體黑臭程度進行評價,評價結果見表9。由表9 可知,不同的評價方法具有不同的評價等級劃分標準,且對于黑臭程度的評語描述較為單一,只能籠統地概括為有無黑臭,對于黑臭程度不能進行精細化地評價,而且評價結果在一定程度上存在較大差異,例如古堰溪監測位點,其單因子評價結果為無黑臭,但閾值法評價結果為發黑發臭。 與本研究采用的評價模型相比,上述方法均不能實現對黑臭水體的黑度和臭度進行準確的獨立評價。

表9 其他3 種評價方法的結果對比Table 9 Comparison of the results of the other three evaluation methods

5 結論

1)在相關性分析基礎上,研究最終根據主成分分析結果從13 項影響水質的物化參數中篩選出COD、總鐵、DO 為河道發黑的特征因子,TP、COD、NH3-N、DO 為發臭的特征因子。

2)基于層次分析法優化了傳統的模糊綜合評價模型,改進因子集、評語集和隸屬度矩陣,實現對河道水體臭度獨立評價;此外通過實現顏色量化構建了基于K-均值聚類主顏色提取模型實現對水體黑度的獨立評價。

3)用人體感官的定性評價來驗證黑臭獨立評價模型的準確性,其中將發臭程度劃分為無嗅、水腥臭、微臭、臭、惡臭5 個評價等級,誤差基本控制在一個等級以內的準確率為85.7%;將發黑程度劃分為透明、黃綠、灰黑3 個評價等級,評價準確率為85.7%。 實現了對城市河道水質更為客觀與快速的評價,為黑臭水體治理與水質提升提供了理論依據。

4)將本研究評價模型與單因子法、綜合指數法、閾值法結果進行對比,本研究評價模型分級準確、合理,能夠實現對河道的黑臭進行獨立分級評價。