水質預測預警模型研究

韓殿鵬， 白家磊， 彭 媛， 吳 瑾， 高志賢

(軍事科學院軍事醫學研究院環境醫學與作業醫學研究所，天津 300050)

自上世紀五十年代以來，全世界范圍內多次出現水環境污染帶來的重大危害事件，如北美死湖事件、日本水俁病事件和日本富山痛痛病事件等，以及近期甚囂塵上的日本排核廢水入海決議等。而我國突發性水環境污染事件也常有報道，中國石油吉林石化公司雙苯廠2005年發生連續爆炸，事故造成大量苯類污染物對松花江造成嚴重污染。杭新景高速公路2011年苯酚槽罐車追尾，導致近20噸苯酚泄露，部分苯酚隨雨水流入并污染新安江。日前，第二輪第三批中央生態環境保護督察組于4月16日公開通報的8起典型案例，遼寧省鐵嶺市凡河新區大量生活污水長期直排，部分污水滲漏導致地下水污染嚴重超標。江西省撫州市金溪縣陸坊工業區區域環境污染嚴重，2013年至2018年期間含重金屬的廢水長期排入水塘，導致其中鎘、銅和鋅等重金屬離子濃度超標，水塘周邊土壤鉛含量超標?？梢?，水環境面臨的潛在威脅不斷，安全形勢依然不容樂觀。

綜合歷次污染事件不難發現，水環境污染事件通常具有突發性和不確定性等特點，加強水環境污染控制與治理的同時，開展水質監測、預測和預警技術的研究，建立完善的水質預測與預警體系，可以有效降低水環境被大范圍污染的風險，對全面、實時和準確反映當前水質現狀及未來演變趨勢具有重要指導作用，同時對于防治水環境污染、保障人類財產和生命安全以及維持生態平衡等方面具有重要的意義。本文綜述了水質監測、預測及預警技術在水環境安全領域的主要應用，列舉了當前水質預測預警的研究熱點，并展望了其未來發展方向，為后續建立水質預測預警體系奠定基礎。

1 水質監測技術及應用研究現狀

水質監測通過對水質指標參數的實時監測和異常監測，不僅可以及時捕捉水質變化，對其變化規律的研究也是實現水質預測預警的前提條件，傳統水質監測指標大多是針對水質中汞、鉛和砷等重金屬離子的檢測。隨著科技的進步與發展，由依賴于人工手動定點、定時采樣和檢測的傳統水質監測發展到基于傳感器的自動化、無人化和智能化的實時監測，監測指標也在原先基礎上拓展至對水質溫度、濁度、酸堿度、溶解氧、電導率、氨氮、總磷、總氮以及高猛酸鹽指數等指標多參數的檢測〔1〕。

Nam等結合碼分多址技術和ZigBee搭建無線傳感網絡，實時監測并遠程傳輸水質信息〔2〕。徐思維等通過STM32微處理器和ESP8266模塊搭載的物聯網水質監測系統使用戶可以在OLED屏、手機App和LabVIEW上實時監測水質溫度、濁度、酸堿度及溶解性固體總量等多參數指標的具體數值〔3〕。顧涵等以CC2630芯片和GPRS網絡傳輸設計了基于無線傳感器網絡的水質監測系統，實現對水質溫度、酸堿度和溶解氧等指標的遠程監測〔4〕。林華等設計STM32為核心的水質監測機器人及其監測系統，實現了對水質溫度、濁度和酸堿度等參數的遠距離控制與無線通訊等多種功能〔5〕。葛秋基于ZigBee技術的無線傳感器網絡的水質監測系統實現對水質溫度、酸堿度和濁度的連續監測〔6〕。謝辰旻等開發以Ardunio為主控制器的水下航行器，配合溫度、酸堿度以及溶解氧等多參數傳感器實現對水質的自動化監測〔7〕。葛新越等基于NB-IoT的遠程水質監測系統，實現對目標水域的水樣采集和實時監測〔8〕。

在水質監測應用領域方面，國外發達國家比國內起步早，發展也相對較為成熟。自上世紀六十年代后，以美國為首的西方國家針對日益嚴峻的水環境污染現狀制定了一系列法律法規，并開展了各種水質監測的實驗研究，在組成的超大型水質監測網在全球范圍內處于領先地位。美國SMART公司利用HART協議接口與網絡連接，可在線設置監測指標參數及控制儀器。西門子公司的產品可實現對5-12項指標參數的在線實時監測。YSI公司研發的多功能水質監測系統，能夠實現對14項指標參數的動態連續監測，并可通過無線通信設備不間斷發送測試數據。而國內在水質監測領域相對比較成熟的是力合科技(湖南)有限公司，其研發的系列自動化監測儀器及設備已陸續應用到水質自動監測站，并為中國生態環境部“國家地表水水質自動監測實時數據發布系統”提供技術支持。

2 水質預測技術及應用研究現狀

水質預測是對水環境進行管理的重要組成部分，通過討論和分析水質預測模型可以獲得有關水質變化的結論和信息。Streeter等在1925年研究俄亥俄河污染時提出了描述河流水質變化的第一個預測模型，即基于氧平衡的水質模型(S-P模型)，其為后續水質預測模型的研究奠定了基礎〔9〕。隨著計算機技術、環境科學的發展，以及模糊數學、地理信息技術等新方法和技術的誕生，水質模型進入了多元化發展時代。Howland認為BOD與泥沙的沉降和絮凝相關，故在先前基礎上增加了絮凝系數。O’Connor提議將BOD分為兩部分，即碳酸化階段的CBOD和硝化階段的NBOD，并且DO的減少也應為這兩個部分的總和，故在S-P模型基礎上考慮了硝化過程對DO變化的影響。1970年美國環保局提出QUAL水質模型，其把水環境分成七個關聯單元，引入有機磷、氨氮和浮游生物等多種輸入源和泄漏源，并將浮游生物對水體底泥的吸附和解吸附影響考慮在內，此后QUAL模型經多次完善和升級一直沿用至今〔10〕。1983年美國環保局在研究地表水水質時提出了WASP模型，其可以模擬常規污染物、水文動力學以及有害污染物在河流中的遷移和變化規律等〔11〕。丹麥水動力研究所設計的MIKE模型能模擬河網、河口和灘涂等不同地區的實際情形，囊括了細菌、水溫、氮、DO、BOD和重金屬等多個變量的影響〔12〕。

上世紀八十年代左右，水質預測理論及相關模型開始傳入國內。隨著機器學習的流行，水質指標參數的預測逐漸由空間向時間線性轉變，當前神經網絡模型成為了水質預測的研究熱點，基于神經網絡的智能組合預測模型也愈發成熟，其對于非線性的影響因素進行預測時具有很高的精確度，同時也具有較強的泛化能力和魯棒性。肖金球等基于多隱含層改進型GA-BP優化TS模糊神經網絡的水質預測模型，對太湖水質酸堿度、濁度、溶解氧以及氨氮等多參數指標的擬合有著更高的精度和泛化能力〔13〕。琚振闖等選用L-M優化算法構建出一種3-6-1型網絡結構的BP神經網絡預測模型，其對黃河內蒙古河段水質COD預測中具有較強的非線性映射能力和較高的預測精度〔14〕。顧杰等基于ARIMA自回歸積分滑動平均模型與改進的BP神經網絡算法構建的組合模型，相比單純使用ARIMA模型在水質預測方面具有更高的精確度，各項指標的平均百分比誤差和均方根誤差均有很大程度的減小〔15〕。王晶等在秦皇島石河水庫中基于多變異位自適應遺傳算法和BP神經網絡設計了氣溫-水溫-水質組成的預測算法GA-GABP，結果顯示其網絡學習時間短，尋優速率快，預測效果理想〔16〕。 此外，基于其它算法的水質預測模型在實際應用中也取得了不錯的效果。程銘等以河流碳化生化需氧量和氨氮為指標建立的WASP水質模型在對河流水質風險進行模糊評價時，可實現對水質安全風險程度的定量化分析和高效預測〔17〕。秦文虎等通過向量自回歸模型預測水質背景參數，發現相較于自回歸模型，向量自回歸模型在水質預測上具有更高的準確性和異常檢出率〔18〕。韓偉基于灰色模型預測葠窩水庫的水質狀況，結果表現出較高的可行性，其對氨氮、COD5以及總磷和總氮的預測誤差均低于30%〔19〕。趙雪松結合交叉熵隨機抽樣算法預測遼寧省營口地區某河流總氮和總磷兩指標的濃度區間，結果表明該算法具有較好的適用性，概率預測誤差保持在20%以內〔20〕。鐘艷紅等利用T-S模糊神經網絡預測湖南省四水干流的水質等級，顯示湘潭站水質存在變優的趨勢〔21〕。孫銘等基于小波分解的長短期記憶網絡時間序列預測模型對安徽省阜南王家壩流域pH值、DO、COD、Mn和NH3N等4個水質指標進行訓練和預測，相比傳統的長短期記憶網絡模型具有較高的預測精度和泛化能力〔22〕。

3 水質預警技術及應用研究現狀

水環境污染事件的頻繁發生，加上水質監測、預測技術及模型的不斷發展，綜合的水質預警技術及相關系統也逐漸進入了人們的視野。俄亥俄河流域水質管理委員會在俄亥俄河干流及主要支流下游地區的進水口處安裝了由15臺有機物監測器組成的水質預警系統，各監測站點的數據被統一傳輸到中央數據處理器，從而對污染物隨時間的擴散規律做出精準評估〔23〕。英國在特倫特河新建水廠進水口處安裝了在線水質監測預警系統，配備有液相、氣相色譜以及常規在線水質監測儀和氨氮分析儀，旨在預警水質達到不同警戒級別時采取相應的處置措施。法國在塞納河及其支流上建立了包含1個自動監測站和3個水處理站的水質監測預警系統，當水質污染事件發生時，可快速判斷污染事件的性質和特征，并依據數據庫的決策系統給出相應的處置流程。日本針對淀川河可能出現的污染物構建了包含生物監測儀、氣相色譜儀、TOC、UV以及常規水質在線監測儀的水質監測預警系統，其由10余家水廠自身監測系統組成，當污染事件發生時，各水廠可從系統中獲取及時有效的可靠信息。歐洲在萊茵河上建成了目前世界上最大的生物指示系統，由9個國際監測站和20多個本地監測站組成。此外，歐洲多瑙河國際保護委員會在多瑙河上建立的水質監測預警系統，相關水質參數可在11國間實現數據共享〔24〕。

自2004年松花江硝基苯事件發生后，國內許多學者都將目光投入到我國重要流域的水質預警系統研究上，張康等基于Zigbee的無線傳感網絡和多元回歸模型建立水質預警模型，用以實時監測和及時有效發現水質異常事件的發生〔25〕。白云飛等在網絡通訊、WebGIS技術、云計算、物聯網和水質預測模型技術的基礎上，針對清潩河水質的預警信息搭建了包含空間展示、可視化表達、動態推演和實時發布等功能的預警平臺〔26〕。于益等利用EFDC模型設計了松花江哈爾濱段突發水污染事件的二維預警模型，其在預測污染物在枯水期、豐水期對斷面影響時長和遷移中能夠較為準確的反映出污染物的擴散過程〔27〕。史斌等結合高頻水質自動監測、回歸分析和人工神經網絡分別建立了在線高頻水質參數間線性關系的軟測量和預測殘差的最小閾值，借助有序監督聚類對水質進行突變檢測，實現對水質突發污染事件的預警〔28〕。李若楠等基于水質多參數的協同反饋規律建立了典型相關系數和隨機森林的水質預警模型，對已知和未知污染物具有超過96%的準備率，誤報率不足0.2%，為突發水污染事件提供了有效的預警〔29〕。

4 展望

水環境安全形勢依然嚴峻，發展水質指標多參數監測、預測和預警技術對于防治水環境污染以及維持生態平衡等方面具有重要意義。目前，國內對于水質監測、預測及預警技術的研究文獻資料雖然眾多，但總體來說我國水質預測預警體系尚不完善，相關技術仍處于試驗階段。此外，突發水污染事件具有不可預知性，事件的發生也無顯著規律，不同流域和區域之間水質指標參數之間的多元性、復雜性以及時變形等特點增加了因素分析、模型建模以及管理的難度。吳季友等建議各流域應加強合作，成立上下游聯動機制，跨部門協作開展各流域的水質預測預警工作〔30〕。其次，需完善應急響應機制，建立區域與流域相統籌的水質預測預報模式，構建架構統一、業務協同、資源共享的水質預測預警體系，同時搭建全國水質預測預警決策輔助平臺，發展集水質預測、污染事件預警模擬、生態評估、應急預案為一體的水質管理能力，最終實現水環境安全的長治久安。