基于对水质分析的研究方法

戴秀雯(甘肃省张掖水文资源勘测局，甘肃 张掖 734000)

0 引言

水是生命的源泉，是环境的控制元素，水质与每一个生命的健康直接相关。地表水质量分析是水环境管理的一个基本组成部分，水质分析包括使用数学统计数据评估和预测，如相关分析和时间分析。

以我们水资源的区域分布不均衡为特点的水质分析，使我们能够对地表水资源的质量进行科学评估，确定水体中的过量因素。查明该区域的水环境问题，并为决策者提供坚实的基础；保护水生生物，水质直接影响水生生物的生存[1]。

然而，目前的水质分析方法在客观性、科学性和效率方面存在缺陷。如果不合理地选择分析方法，可能会有一些不利因素，例如水生环境功能区的不正确分布、水资源的浪费和对地下水主要问题的探测迟缓。考虑到水质分析的重要性，选择一种科学和客观的水质分析方法尤其重要。

1 传统水质评估方法

目前水质评价方法有：单因子指数法、Horton水质指数法、内梅罗指数法、层次分析法、人工神经网络、灰色评价法。单因子指数的方法是将每一个评估因素与评估因素标准进行比较，并选择评估因素最低的水质量类别Weiguang等人评估了六个评估因素，即DO、高锰酸盐指数、COD、氮、磷总量和氮总量，并对一个流域2019年全年的九个水质监测数据进行了处理。分析结果表明，单一因素指数化方法能够准确地确定水污染水平。赵千信在刘安市的六个水库中使用并比较了四种水质评估方法，如单一因子评估、综合污染指数、灰色评估和模糊数学方法，从而对水质进行了评估。

评估单因素的方法实际上是选择最差的指标作为评估结果的方法，这导致了过度保护。Horton水质指数的方法是将所有评估因素的测量浓度分别乘以相应的加权和标准质量系数的总和乘以所有加权的总和。使用张凤华水质指数来评估北京官方水库的11个评估因素表明，该局水库的主要超标准污染项目是TP、NHS-N和COD，而水库的富营养化更为重要[3]。

2 贝叶斯水质评价方法

英国数学家Bayes在题为“解决机遇问题”的文件中首次提出了Bayes理论。1986年，Judea Pearl创建了Bayes网络，将Bayes方法与图形理论和计算机理论结合起来。目前，Bayes方法在环境质量管理和评估、水力发电、土地资源评估、国防军和财政保险等领域得到广泛应用。

1995年，Olli Varis率先将Bayes网络应用于环境系统。例如将Bayes理论应用于美国西部山区的季节性雪流，向水利工程运营商、灌溉区管理者和农民提供了关于决策的信息。

1997年，Bayes理论被用来建立直径降水预测模型，并被应用于巴西南部的圣保罗州，以预测1965年至1969年3月期间的若干河流的流量。这使得在接近实际观测的地方取得了良好的结果。

2004年，Borsuk先生等人根据海湾网络开发了一个河流富营养化模型，并分析了相关的不确定性，这些不确定性已应用于美国北卡罗来纳州纽斯河，以预测富营养化。

2005年，F.J.Marti’n de Santa Olalla等人在欧洲的伊比利亚-美洲半岛实施了Bayes网络，以解决由于密集使用灌溉水而造成的地下水过度开发问题。

2011年，Takehiko-IF31采用基于Bayes理论的统计方法分析了9种有毒物质(氨、双酚A、氯仿、铜、铅、锰、铬)的敏感性分布情况。

在东京地区地表水中，镍和锌被用于环境风险评估，这表明镍在九种物质中的环境风险最高。调查结果表明，绝大多数取样点位于“良好”和“非常好”之间。

2014年，Mika Rahikainen开发了一个用于评估芬兰湾水质的Bayes决定模型[4]。

3 水质量预测方法概述

回归分析是基于对基因变量与自主变量之间关系的功能研究。在水质预报中，回归分析是一种水质预报模型，可以将下游污染因素与上游参数联系起来。Yan Jianbo等人制定了一个回归模型，预测黄河部分的水质。该方法预测了2003年三门峡部门12个月的编码浓度，并将回归分析结果与1.86%至34.48%的相对误差作了比较，从而产生了较好的结果，但在个人预测中也出现了较大的误差。分析错误的来源主要是由于回归分析模型所需的大量样本数据，而回归分析模型仅保留了31个样本数据集，误差幅度太大。

对指数进行平滑的方法假定，预测与过去的数据有一定的联系，而且随着数据接近预测，其影响将会增加。该指数平滑方法将不同的加权系数分配给不同时间的监视值，为最近的监视值提供更大的加权系数，从而提供更真实的值。在一项关于巢湖水质变化的研究中，使用指数化平滑法和Markov模型预测了巢湖水质，分别是预测Markov模型为0.081mg/L和1.0mg/L。虽然Markov模型无法预测具体指标，所确定的每一种评估因素都对应于地表水环境质量标准中的等级概率，以及由该指数平滑法产生的特定评估因素的等级。因此，这两种方法在水质预测中都是可以实现的[5]。

Il Siwen et al.发现，广义上的GM预测有问题，因此提出了一种基于指数化平滑法的灰色预测方法，即ES-GM CL。该模型应用于预测南京长江的水质，大大提高了预测的准确性，而不是传统的GM CL模型。这使得能够预测高锰酸盐指数和BOD浓度的年增长，并提出纠正措施。神经网络模型不仅用于水质评估，而且用于水质预测。

CaoDonghua等人利用遗传算法优化神经网络模型。在河流系统研究中，将河流和沙漠质量控制方程与人造神经网络模型相结合，通过神经网络模型实时预测沙子的数量。

Yuhuan Cui等人根据灰色预测方法预测了长江的水质，并在计算机上模拟了长江今后十年的水质，并利用相对的恢复误差和错误进行了测试，从而确定了该模型。灰色预测提供了对长江水质未来趋势的正确分析[6]。

水质量预测方法具有优点和缺点，例如回归预测分析方法和需要大量样本数据的人造神经网络方法。如果缺少数据降低了结果的准确性，则Markov模型无法预测水质因子的特定浓度。因此，选择一种有效和合理的水质量分析方法特别重要。Duxin等人为辽宁高锰酸盐水质指数制定了水质预测模型，准确反映了高锰酸盐水质指数的变化，这表明已经制定了一个正确的模型，并对水质进行新的预测[7]。

由于时间序列模型的准确性很高，对样本数据的需求很低，而且模拟过程简单，研究人员越来越多地考虑到这些模型。

Bayes水质评估方法包括计算水质属于不同类别的概率，并确定作为最终属于质量类别的水质类别的最大概率。在水质评估中，总氮对综合水质评估的影响最大，因此，当总氮得到处理时，就像我们的水资源受到广泛污染一样，通过气相生物过滤工艺，从水源水中除去了高锰酸盐、氨和锰等物质，在实验中除去了90%以上的氨，达到了饮用水源水质标准。一种水处理设施的深度处理系统，包括混凝土盆地、侧流降水盆地、斜板降水盆地、臭氧氧化盆地和先进的氧化单位，为解决现有水处理工艺中的氮和溶解有机物去除效率低的问题，开发了一个新的工具包[8]。

在实验过程中，从水中排放的氨的最低浓度为0.09mg/L，使得在通过相应的水处理从总的氮中除去之后，可以用作饮用水源。

4 结语

作为水质评估的一部分，可以选择主要的水质指标，简化评估方法。然而，在确定水质类别时，将水质指标中与标准水质指标相比较的最低水质类别作为综合水质类别，从而减轻了其他因素的影响。Bayes理论是水质与获得水质信息之间的可能联系。在水质评估中，Bayes方法考虑到了通过Jeffrey标准分配原则进行的水质评估，而没有关于水质的信息[9]。通过使用更接近现实的经验性观察数据，实现更接近现实的结果。

在水质评估中，各种评估指标对水质的影响因各种因素而异，因为评估指标没有加权，因此依赖于最高的污染指标会损害评估结果的客观性[10]。Bayes评估方法为每一项指标分配了不同的加权，最后的水质评估考虑到了所有指标提供的信息，确定每个类别的水质属于不同的聚合概率，最后的水质类别是由最大聚合概率决定的。

通过采用Bayes水质评估方法，可以推断水质属于某一特定类别的概率，通常将最高的合成后监测概率作为水质类别。作为源水质评估的一部分，Bayes水质评估方法为每一指标提供了一个后测试的概率[11]。与组合后分析概率进行比较，可以清楚地确定每项指标对水质量综合评估的影响，并帮助供水商及时发现和预防源泉水的危害。