基于云模型的东平湖枯水期地下水水质评价

2016-10-19胡尊芳孙建峰宋印胜王仕昌韩玉珍

水资源保护 2016年5期

关键词：东平湖通水水质评价

胡尊芳,孙建峰,宋印胜,王仕昌,韩玉珍

(1.山东省物化探勘查院,山东济南　250013; 2.山东大学土建与水利学院,山东济南　250061)

基于云模型的东平湖枯水期地下水水质评价

胡尊芳1,2,孙建峰1,宋印胜1,王仕昌1,韩玉珍1

(1.山东省物化探勘查院,山东济南250013; 2.山东大学土建与水利学院,山东济南250061)

水质评价；南水北调东线工程;东平湖;枯水期;地下水;云模型

东平湖位于山东省泰安市,是南水北调东线工程的调蓄水库,同时也担负着黄河下游地区和山东省西水东调水资源调蓄调配的功能,地位重要。地下水是东平湖水环境的重要组成部分,一方面地下水是当地居民主要的生活水源,另一方面地下水通过与地表水的相互交换影响地表水水质,进而影响南水北调工程受水区域的用水安全,因此有必要对东平湖地下水水质进行调查评价。

有关地下水水质评价的方法有:单因子评价法、综合指数法、人工神经网络模型、模糊综合评价法、灰色聚类法等[1],但每种方法都有其局限性,鉴于此,笔者引入云模型地下水水质评价方法。云模型是基于概率论和模糊数学理论而构建出来的一种定性概念与其定性数值表示之间的不确定性转换模型[2]。云模型能综合考虑评价过程中评价标准的非线性、评价因子的多样性以及评价过程之中的模糊性与随机性等特点,在空气质量评价、水资源再生能力评价、土地利用风险评价、地震风险评价等多方面得到广泛应用[3-7]。

云模型在水环境评价领域也有应用,如杨文[8]首次采用云模型与Spearman秩相关系数相结合的方法对宁海县地表水环境质量进行了评价,结果表明模型分析结果与实际情况基本符合,云模型可以很好弥补Spearman秩相关系数中存在的不均匀性量化值缺陷;丁昊等[9]利用云模型对我国14个代表性湖库的富营养化情况进行了评价,并与国内外广泛应用的营养状态指数法、评分公式法及模糊综合评价法所得的结果进行了对比,验证了云模型方法的可行性和有效性;白晓燕等[10]采用基于Critic权重的云模型对东江干流水质进行了评价,结果表明云模型方法合理可行,且更为直观地反映了水质评价中的模糊性和随机性;王昭洋等[11]采用改进赋权的多维云模型对国内12个水库的富营养化进行了评价,准确获得了湖库水质的富营养化级别。

目前,东平湖地下水水质评价工作开展的相对较少,在2013年10月19日南水北调东线一期工程全线通水后,相关的工作更是没有展开。本文采用云模型对南水北调东线工程通水前后的东平湖地下水水质进行评价,以期为南水北调东线工程的运行管理提供参考。

1　材料与方法

1.1样品采集与分析

图1　东平湖水系图及采样点位置

1.2云模型评价

表1　评价因子的分级标准　mg/L

鉴于各评价因子对水质评价结果的贡献不同,权重也不相同,笔者根据评价因子的实测质量浓度和各级别标准浓度计算权重。设评价因子合集X={x1,x2,x3,x4,x5,x6},它的权重矩阵为A=[a1,a2,a3,a4,a5,a6],权重的计算公式为

(1)

(2)

b. 特征参数确定。在确定评价因子和评价标准的基础上,根据文献提出的方法确定云模型的3个数字特征:期望Ex,熵En,超熵He[12]。假设对于某变量VQa,具有上下边界[Bmin,Bmax],则变量VQa的云模型的3个数字特征可以通过下式计算:

(3)

式中:Ex为云滴在论域空间分布的期望,最能代表定性概念的中心点,是概念量化的最典型样本点;En为定性概念的不确定性度量,一方面是定性概念重合度量,反映论域空间可被定性概念接受的云滴取值范围,另一方面又是定性概念随机性度量,反映了能够代表这个定性概念云滴的离散度;He为熵的不确定性度量,反映了在论域空间代表该语言值的所有点的不确定度的凝聚性,其取值范围间接反映了云滴的厚度,由熵的随机性和模糊性共同确定;Bmin、Bmax分别为变量VQa的最小和最大边界;k为常数,本文中k=0.01。得到不同等级云模型数字特征计算方法见表2。

表2中a～d分别代表评价因子xi的分级标准中的各个边界值,以总硬度为例,其各边界值分别为:a=150,b=300,c=450,d=550。

图2　6个评价因子对应各水质级别的云模型

c. 云模型的生成。根据确定的云模型数字特征,运用matlab R2007b编写正态云发生器及半云发生器程序,输入相应的云参数,分别生成6个评价因子的云模型,如图2所示。横坐标代表评价因子的质量浓度,纵坐标代表评价因子的某一实测值通

表2　不同等级云模型数字特征计算方法

过云模型映射所对应的确定度U。横坐标从左到右分别代表地下水质量标准的Ⅰ级到Ⅴ级所对应的云。以图2(a)总硬度为例,某实测点的总硬度为280 mg/L时,由正向云发生器可以得到总硬度隶属于各地下水水质级别的确定度分别为:UⅠ(总硬度)=0,UⅡ(总硬度)=0.545 8,UⅢ(总硬度)=0.164 6,UⅣ(总硬度)=0,UⅤ(总硬度)=0,其中UⅡ值最大,UⅢ次之,其他确定度为0,说明总硬度为280 mg/L时,隶属于水质级别Ⅱ类的可能性最大,隶属于Ⅲ类有一定的可能,但是不隶属于其他的水质级别。同理,也可以求出其他评价因子的确定度,得到相对应的确定度矩阵。

d. 评价综合确定度的计算。在得到各评价因子隶属于各水质级别的确定度矩阵[X][Y]后,乘以相应的权重A,得到各评价因子的综合确定度A[X][Y],计算其各列值的综合确定度,最大确定度所在的级别即为监测点所属的水质级别。

2　结果与讨论

南水北调东线工程通水前后东平湖地下水水质评价结果见表3。从表3可以看出,南水北调东线工程通水前,东平湖地下水水质级别为Ⅰ～Ⅴ类均有分布,而在南水北调东线工程通水后,东平湖地下水水质为Ⅰ类或Ⅴ类,其中S1、S3、S5点的水质级别在通水前后没有差别,分别为Ⅰ、Ⅴ、Ⅴ类,S2、S6、S7点在通水后的水质级别优于通水前,分别由Ⅱ、Ⅲ、Ⅴ类提升至Ⅰ类,而S4点的水质级别在通水后下降一个级别,由Ⅳ类下降到Ⅴ类。另外还发现无论通水前后,东平湖东部地下水水质均劣于西部地下水水质。Wang等[13]的研究表明，东平湖东部地区的底泥重金属污染更加严重,说明东部地区存在污染源,推测可能是工矿业污染或农业污染。

表3　通水前后各采样点水质级别确定度及水质评价结果

另外,即使通水前后的水质级别一致,其确定度的不同又代表了不同意义,如S1点在通水前后的地下水水质级别均为Ⅰ类,但通水后S1点的UⅠ更大,故通水后S1点的水质级别更倾向于Ⅰ类,水质更好;对于S3点来说,通水前后水质级别均为Ⅴ类,且两者的确定度相差不大,因此可以认为通水前后S3点的地下水水质没有明显变化;对于S5点来说,通水前后的地下水水质级别均为Ⅴ类,但通水后S5点的UⅤ更大,更倾向于Ⅴ类,水质也更差。

3　结　论

a. 云模型评价方法可以克服单一评价指标的随机性和模糊性,能够客观合理地评价东平湖地下水水质。

b. 南水北调东线工程通水后,在7个采样点所采集的地下水水样的水质级别并未变差,原因可能是因为南水北调东线工程的引水为长江地表水,水中重金属质量浓度较低,因此客水的引入降低了东平湖地下水中重金属质量浓度。

c. 东平湖东部地区的地下水水质劣于西部地区,是因为东部地区存在污染源,推测可能是工矿业污染或农业污染。

在后续的研究工作中,建议增加地下水采样点数目并对客水水质进行分析,以期进一步了解南水北调东线工程对东平湖地下水水质的影响。

[ 1 ] 王文强.地下水水质评价方法浅析[J].地下水,2007,29(6): 37-39.(WANG Wenqiang.A brief analysis on groundwater quality evaluation methods[J].Ground Water,2007,29(6):37-39.(in Chinese))

[ 2 ] 李德毅,杜鹢.不确定性人工智能[M].北京: 国防工业出版社,2005.

[ 3 ] 张峰,张鹏林,吕志勇,等.云模型在城镇空气质量评价中的应用[J].环境科学与技术,2009,32(6):160-164.(ZHANG Feng,ZHANG Penglin,LYU Zhiyong,et al.Assessment of urban air quality based on cloud models[J].Environmental Science & Technology,2009,32(6):160-164.(in Chinese))

[ 4 ] 贾琦,段春青,陈晓楠.黄河流域水资源可再生能力评价的云模型[J].中国人口·资源与环境,2010,20(9): 48-52.(JIA Qi,DUAN Chunqing,CHEN Xiaonan.Cloud model of water resources reproducible ability in the Yellow River Basin[J].China Population,Resources and Environment,2010,20(9):48-52.(in Chinese))

[ 5 ] 周启刚,张晓媛,王兆林.基于正态云模型的三峡库区土地利用生态风险评价[J].农业工程学报,2014,30(23): 289-297.(ZHOU Qigang,ZHANG Xiaoyuan,WANG Zhaolin.Land use ecological risk evaluation in Three Gorges Reservoir area based on normal cloud model[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(23):289-297.(in Chinese))

[ 6 ] 张秋文,章永志,钟鸣.基于云模型的水库诱发地震风险多级模糊综合评价[J].水利学报,2014,45(1): 87-95.(ZHANG Qiuwen,ZHANG Yongzhi,ZHONG Ming.A cloud model based approach for multi-hierarchy fuzzy comprehensive evaluation of reservoir-induced seismic risk[J].Journal of Hydranlic Engineering,2014,45(1):87-95.(in Chinese))

[ 7 ]王贺，刘高峰，王慧敏.基于云模型的城市极端雨洪灾害风险评价[J] .水利经济，2014，32(2)：15-18.(WANG He,LIU Gaofeng,WANG Huimin.Urban extreme rainstorm flood loss based on cloud model[J] .Journal of Economics of Water Resources，2014，32(2)：15-18.(in Chinese))

[ 8 ] 杨文.基于云模型的宁海县地表水环境质量评价[D].金华: 浙江师范大学,2013.

[ 9 ] 丁昊,王栋.基于云模型的水体富营养化程度评价方法[J].环境科学学报,2013,33(1): 251-257.(DING Hao,WANG Dong.The evaluation method of water eutrophication based on cloud model[J].Acta Scientiae Circumstantiae,2013,33(1):251-257.(in Chinese))

[10] 白晓燕,赖成光,陈晓宏,等.基于Critic-cloud模型的东江干流水质评价[J].水资源保护,2014,30(5): 26-31,59.(BAI Xiaoyan,LAI Chengguang,CHEN Xiaohong,et al.Evaluation of water quality of trunk stream of Dongjiang River based on Critic-cloud model[J].Water Resources Protection,2014,30(5):26-31,59.(in Chinese))

[11] 王昭洋,王立,王小艺,等.改进赋权的水体富营养化多维云模型评价[J].计算机与应用化学,2015,32(3): 346-350.(WANG Zhaoyang,WANG Li,WANG Xiaoyi,et al.Multi-dimensional cloud model evaluation of water eutrophication based on improved weight method[J].Computers and Applied Chemistry,2015,32(3):346-350.(in Chinese))

[12] 丁昊.云模型在水体富营养化评价及水文序列展延中的应用[D].南京: 南京大学,2013.

[13] WANG Yunqiang,YANG Liyuan,KONG Linghao,et al.Spatial distribution,ecological risk assessment and source identification for heavy metals in surface sediments from Dongping Lake,Shandong,East China[J].Catena,2015,125: 200-205.

Evaluation of groundwater quality of Dongping Lake in dry season based on cloud model

HU Zunfang1, 2, SUN Jianfeng1, SONG Yinsheng1, WANG Shichang1, HAN Yuzhen1

(1.ShandongInstituteofGeophysicalandGeochemicalExploration,Jinan250013,China;2.SchoolofCivilEngineering,ShandongUniversity,Jinan250061,China)