水污染预测方法研究现状

余婷梃+李勇+白云+李川

摘要：指出了随着我国经济的不断发展，由一些不适当的人类活动方式的产物对水体造成的污染也日益增加。近年来，水污染事件在我国频繁发生，水资源保护已刻不容缓。水污染预测是实现水环境管理规划和水污染防治的一项基本工作。综述了几种国内外运用最为广泛的水污染预测方法的研究现状，以期为不同水污染情况下合理挑选预测方法提供参考。

关键词：水污染；预测方法；统计预测；智能预测；机理预测

中图分类号：X832

文献标识码：A 文章编号：1674-9944（2017）14-0053-04

1 引言

伴随着中国城市化、工业化的迅速发展，生活污水以及工业废水的排放量与日俱增，导致自然水体水质的不断恶化。近年来，水污染事件的频繁发生，也表明了当前我国水资源污染形势已相当严峻。党中央、国务院高度重视环境保护工作，将其作为贯彻落实科学发展观的内容，作为转变经济发展方式的重要手段，作为推进生态文明建设的根本措施[1]。为了寻求环境质量变化的原因以及变化趋势，很多学科也提出了关于环境分析预测的方法，水污染的预测也成为环境保护的热点话题。

目前，国内外水污染预测方法没有制定一个统一的方案，各个行业各个监测部门对水污染预测的方法也不一样。很多时候不同的预测方法对同一水资源会有不同的预测结果，而每个水体特征也不一样，所以对水质进行预测的时候，应结合实际情况选择适当的方法。根据各种水污染预测方法机理的不同大致可以分为统计预测法、智能预测法以及机理模型预测法。

2 统计预测方法

统计预测就是对已有的历史资料数据进行整理分析，根据统计学原理，对未来事物的发展趋势和状态的预测。目前，用于水质预测的统计方法主要包括：回归分析预测法、指数平滑预测法、灰色系统理论预测法。

2.1 回归分析预测法

一般来说，回归分析是建立在函数的关系上研究自变量与因变量关系的方法。它可以快速、直观的分析出数据之间的关系，并可以确切得出各个数据之间的相关程度。回归分析又分为一元回归分析和多元回归分析。宫艳萍等[2]将一元线性回归分析法用于研究沈阳某污水处理厂进水水质的COD和BOD之间关系，并对BOD进行测算。结果表明，预测值和实际值之间没有明显差异。颜剑波等[3]运用多元回归分析法对黄河干流潼关至三门峡段河道的水质进行了预测。Zhai等[4]建立回归分析方法预测了淮河流域中COD和NH3-N的浓度，并分析出人类活动对水环境影响的关系。回归分析法简单方便，通过标准的统计方法可以计算出较为准确的结果。

2.2 指数平滑预测法

指数平滑预测法具有使用方便、操作简单等特点[5]是时间序列预测法中应用较广泛的方法之一，它结合了全期平均法和移动平均法所长，在利用过去的数据进行预测的基础上，再引入一个简化的加权因子，以求得其平均数的一种预测方法。荣洁等[6]将指数平滑法和马尔科夫模型用于合肥湖滨与巢湖裕溪口两大断面2001年到2010年的相关指标的预测，结果显示两种预测方法结果一致，将两种方相结合有更好的预测效果。尚晓锶等[7]将指数平滑法和GM（1，1）进行组合来预测邕江水源地的铁、锰浓度。在指数平滑的处理过程中，平滑系数的选择十分重要，该文献利用Excel在指数平滑法参数优选的方法，对预测的数据进行规划以求解参数，选取合理平滑系数值，从而提高了预测的精度。

2.3 灰色系统理论法

灰色系统理论以“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控[8]。目前灰色系统理论已经广泛用于水质污染预测中。张思思等[9]基于灰色理论预测模型对洱海水污染发展趋势进行了分析。鲁珍等[10]建立灰色预测的数学模型，并以较高的精确度预测出大冶湖未来五年湖内COD、BOD5、NH3-N和TP的浓度以及变化趋势。由于灰色系统数据要求低，不需要太多数据，也不需要数据分布规律就可以进行预测，而且计算简便，较为准确。

对上述三种统计预测的方法从理论依据、数据要求、适用情形几个方面进行了分析汇总，结果如表1所示。

3 智能预测方法

随着预测方法的不断深入研究，近年来，各个领域都越来越关注关于将人工智能预测方法用于大规模数据预测。在水环境预测方面越来越多的专家学者致力于将智能预测融入其中，并且得到良好的预测效果，其中人工神经网络（ANN）和支持向量机（SVM）是目前应用最為广泛的水质智能预测法。

3.1 人工神经网络预测法

ANN是通过模拟神经元活动，在数学上表现一种非线性的关系。神经网络具有较好的自适应性和自学习能力，在学习或训练过程中改变突出权重值来适应其周围环境的要求[11]。

BP人工神经网络是目前应用最为广泛ANN模型之一。郭庆春等[12]建立了BP人工神经网络模型对滇池水污染物的浓度进行了预测，结果显示该模型满足预测精度的要求，能够较为准确的预测出湖泊的污染物质。Elman神经网络是一个典型的局部回归神经网络，相比BP神经网络，他在隐含层的范围内增加了一个关联层，引入这种关联层使得网络以任意精度逼近想要的非线性函数。宋韬略[13]利用Elman神经网络建立模型对活性污泥法的污水生物处理过程进行预测控制，并在原有的Elman神经网络的基础上输出层节点的反馈，进一步提高了预测的精度。小波神经网络是通过小波分解进行平移和伸缩对信号进行多尺度的分析，从而提取到信号的局部信息的一种神经网络。张垒[14]建立了小波神经网络对海河流域四个不同水质等级监测断面的溶解氧浓度进行短期的预测。Aleksandra等[15]将一般回归神经网络和广义回归神经网络用于预测多瑙河的BOD水平，预测结果满足所需要的精度要求。

人工神经网络对于预测水污染的预测具有良好的适应性，所以在国内外受到广泛的关注[16]。它具有较强的泛化能力自组织的能力，与传统的统计预测方法相比，其预测结果具有较高的精度，能够较准确的反应出水质指标内在的变化规律。

3.2 支持向量机法

支持向量机（SVM）是基于统计学理论的VC理论和结构风险最小化为原理的一种机器学习方法[17]，根据对特定样本预学习和无错误识别样本的能力，进而加以推广。SVM方法能较好的进行归类和回归分析，现已许多领域展开了广泛的研究。

Arabgol[18]运用支持向量机对伊朗的阿拉克平原地下水的水质预测。武国正等[19]分析了支持向量回归机在水质预测中的应用，并以干旱区浅水湖泊乌梁素海的多年实测pH值为例进行了预测。梁坚等[20]提出了基于小波变换和支持向量机的水质预测，并将该模型运用于王江泾自动监测面溶解氧浓度的预测，其预测结果比基于BP神经网络的预测结果具有更高的精确度。冯莉莉[21]详细研究了支持向量机的理论与方法，并将支持向量机算法应用于地表水质指标值预测及其综合评价的实际问题研究中。

支持向量机能够较好地处理具有复杂性、非线性、高维数、局部极小点、小样本等特点的水环境水质指标的预测，具有广泛的推广能力，已成为水质预测研究热点之一。

将人工神经网络和支持向量机进行综合分析比较，汇总见表2所示。

4 机理模型预测法

机理模型预测法是根据对现实对象特性的认识，分析其内在规律，并建立模型做出假设，从而对达到事物分析预测的目的。

4.1 WASP水质模型预测法

WASP模型是由美国国家环保局环境研究实验室开发，模拟水文动力学、湖泊、河流一维不稳定流以及河口三维不稳定流；常规污染物（DO、BOD、营养物质等）和有毒污染物质（有机化学物、沉积物、金属等）在水中的迁移转化的规律。陈珊等[22]以南四湖为研究对象，建立了南四湖上、下级湖水营养化以及简单有毒污染物的WASP模型，并运用该模型分析预测出了湖水水质的变化规律，以及各个影响因子的敏感程度。王思文等[23]使用了WASP模型分别预测了2014年松花江支流的阿什河和呼兰河的污水消减量以及水环境容量。

4.2 S-P水质模型预测法

S-P水质预测模型主要适用于河流处于充分混合且稳定流动状态，预测其BOD和DO值的变化情况。袁啸[24]对水利枢纽工程蓄水前的湘江長沙段水质进行了跟踪监测，使用Matlab软件处理监测数据求解建立了以S-P模型为基础的BOD-DO生化模型，以及TN、TP的水质模型。Peng等[25]采用S-P模型预测了三峡库区河流中COD随时间的变化趋势，研究结果表明，该模型得出的预测结果准确度较高。

4.3 QUAL-II模型预测法

QUAL-II模型属于溶解综合水质模型，它引入了水生生态系统和各个污染物之间的关系，从而使水质研究问题更为深化，该模型各组成成分之间以溶解氧为核心。规模性解决了很多河流水质规划、水环境容量的问题，很多专家学者结合实际情况，对该模型进行改进用于水质的预测。Ester等[26]提出了CE-QUAL-W2模型分析预测出了对西班牙桑丘水库水质影响的主要因素。朱磊等[27]联合应用流域水文非点源AnnAGNPS模型和水库水质CE-QUAL-W2模型对黑河金盆水质进行预测。陈月等[28]选取COD、TN、TP作为污染指标，采用QUAL2K模型对西苕溪干流梅溪段进行了预测。

将以上三种预测模型方法，从模型维数、流量状态、适用领域方面进行比较，结果如表3所示。

5 结语

近年来，很多水污染突发事件超出了政府和社会的治理能力范围，需要建立一个可以预测水质变化动态的模型，以实现对水环境的自动监测。本文介绍了一些关于水质分析预测的方法，能预测出水质的发展变化趋势，为解决水污染问题提供决策支持。但是由于不同水体的特性不一，进行水体分析预测时会受到许多时间及空间等外界因素的影响。这需要环保工作者根据实际情况科学选用预测模型，开发新的预测方法，在不同的水环境以及不同的污染情况下进行更深入的研究。

参考文献：

[1]周生贤. 国家环境保护“十二五”规划[R].中国环境报， 2011（12）：13～15.

[2]宫艳萍， 王 劼.一元回归分析在污水处理厂中的应用[J].环境保护科学，2013，39（2）：13～14.

[3]颜剑波， 阮晓红， 孙 瀚. 多元回归分析在黄河水质预测中的应用[J]. 人民黄河， 2010， 32（3）：35～36.

[4]Zhai X， Xia J， Zhang Y. Water quality variation in the highly disturbed Huai River Basin， China from 1994 to 2005 by multi-statistical analyses[J]. Science of the Total Environment， 2014（496）：594～606.

[5]郑 丽， 白宝玉. 三次指数平滑法在基坑地表沉降变形分析中的应用[J]. 重庆工商大学学报（自然科学版）， 2015， 32（12）：23～26.

[6]荣 洁， 王腊春. 指数平滑法-马尔科夫模型在巢湖水质预测中的应用[J]. 水资源与水工程学报， 2013， 24（4）：98～102.

[7]尚晓锶， 林卫东， 唐艳葵.指数平滑和GM（1，1）组合法在水质预测中的应用——以邕江水源地铁、锰浓度为例[J].环境科学与技术， 2011， 34（1）：191～195， 163.

[8]刘思峰， 谢乃明.灰色系统理论及其应用（第六版）[M].北京：科学出版社， 2013.

[9]张思思.基于灰色理论的洱海流域水污染控制研究[D].武汉：华中师范大学经济管理学院， 2011.

[10]鲁 珍， 李 晔， 马 啸， 等. 滇池水污染物浓度预测的人工神经网络模型[J].环境科学与技术， 2012， 35（5）：174～178.

[11]夏 静. 建设项目环境影响评价预测模型发展现状[J]. 绿色科技， 2016（8）：87～89.

[12]郭庆春， 郝 源， 杜北方， 等. 滇池水污染物浓度预测的人工神经网络模型[J]. 四川环境， 2013， 32（6）：137～141.

[13]宋韬略.基于神经网络的污水处理预测控制模型研究[D].大庆：东北石油大学， 2014.

[14]张 磊， 邹志红.基于小波神经网络的天然水体溶解氧预测研究[J].数学的实践与认识， 2016， 46（16）， 122～127.

[15]Aleksandra N， iljic'Tomic'·Davor Z， Antanasijevic'·Mirjana -D， et al. Modeling the BOD of Danube River in Serbia using spatial， temporal， and input variables optimized artificial neural network models[J]. Environmental Monitoring and Assessment， 2016， 188（5）：1～12.

[16]Melesse AM， Ahmad S， McClain ME， et al. Suspended sediment load prediction of river systems：An artificial neural network approach[J]. Agricultural Water Management， 2011， 98：855～866.

[17] 田 丽， 曹安照， 王 蒙，等. 基于SVM和神经网络组合预测模型物流需求预测[J]. 重庆工商大学学报（自然科学版）， 2012， 29（9）：61～64.

[18]Arabgol R， Sartaj M， Asghari K. Predicting nitrate concentration and its spatial distribution in groundwater resources using support vector machine （SVMs） model[J]. Environmental Modeling and Assessment， 2016， 21（1）：71～82.

[19]武國正. 支持向量机在湖泊富营养化评价及水质预测中的应用研究[D]. 呼和浩特：内蒙古农业大学， 2008.

[20]梁 坚， 何通能.基于小波变换和支持向量机的水质预测[J]. 计算机应用与软件， 2011， 28（2）：83～86.

[21]冯莉莉.支持向量机在地表水质评价与预测中的应用研究[D].西安：西安理工大学， 2011.

[22]陈 珊.WASP水质模型在南水北调东线南四湖水质预测中的应用[D].青岛：青岛理工大学， 2012.

[23]王思文， 齐少群， 于丹丹， 等.基于WASP模型的水环境质量预测与评价研究——以松花江哈尔滨江段为例[J].自然灾害学报， 2015， 1：39～45.

[24]袁 啸.湘江水利枢纽工程对湘江（长沙段）水质影响与预警研究[D].长沙：湖南农业大学， 2012.

[25]Peng H， Yao W， Huang P. Application of modified Streeter-Phelps model and COD changing model to Xiangxi river in Three Gorges reservoir area[J]. International Conference on Bioinformatics and Biomedical Engineering， 2010：1～4.

[26]Torres E， Galván L， Cánovas CR， et al. Oxycline formation induced by Fe（II） oxidation in a water reservoir affected by acid mine drainage modeled using a 2D hydrodynamic and water quality model-CE-QUAL-W2[J]. Science of the Total Environment， 2016（562）：1～12.

[27]朱 磊， 李怀恩， 李家科， 等. 水文水质模型联合应用于水库水质预测研究[J]. 中国环境科学， 2012， 32（3）：571～576.

[28]陈 月， 席北斗， 何连生， 等. QUAL2K模型在西苕溪干流梅溪段水质模拟中的应用[J]. 环境工程学报， 2008， 2（7）：1000～1003.