基于BP神经网络算法的密云水库水质参数反演研究

马丰魁，姜群鸥,2*，徐藜丹，梁勇，王荣臣，苏帅

1.北京林业大学水土保持学院，100083 北京；2.北京林业大学/水土保持与荒漠化防治教育部重点实验室，100083 北京；3.北京市密云水库管理处，101512 北京

水是人类生存发展必需的自然资源，是社会经济发展的重要物质保障，是生态环境的控制性因素。然而随着中国经济社会的发展，水资源需求量日益增加，水污染整体呈现恶化态势。水资源短缺和水污染已经成为制约中国可持续发展的瓶颈因素（曾昭等，2013）。北京是一座重度资源型缺水、水污染严重的城市，经济快速发展，城市扩张以及人口持续增长导致北京市的水质不断恶化（高阳等，2018）。在这种背景下，密云水库作为北京市最大的饮用水源供应地，其水质安全不仅关乎北京市两千多万市民的生命健康和生活用水问题，而且对于北京市发展和首都各项职能的正常运转具有重大影响，引起了国家和政府的高度重视。保障城市水源安全、提高城镇饮用水源的安全保障水平，是城市生态文明建设的重要内容，也是生态文明建设的重要组成和基础保障（马巍等，2016）。因而探究监测密云水库主要水质参数变化的有效方法，实现对密云水库主要水质指标的快速反演尤为重要。

传统的水质监测一般以实地采样分析为主，可以较为准确地测得多种水质参数，但是需要耗费大量的时间和成本，且只能获得点状数据，所得数据在时间和空间上都不连续，无法满足大范围、实时的水质监测要求。（赵玉芹等，2009）。水质遥感技术作为一种具有区域化监测能力的方法，可以快速、实时的获取水质的时空分布，在水质监测中日益受到重视（曹引等，2019）。常规的遥感水质参数反演方法主要有经验方法、半经验法和半分析法（张海威等，2017）。翟召坤等（2018）基于高分一号卫星数据和实测数据，采用典型的经验方法对潘家口水库水质参数和敏感波段进行了线性拟合，得到水质参数遥感反演模型。林剑远等（2019）基于航空和水表高光谱遥感数据，利用半经验法对浙江省嘉兴市主城区河网水质进行了监测。石亮亮（2019）基于实测数据，开发了水体IOPs及CDOM反演的半分析算法，对东海、千岛湖水域进行了反演。这些方法本质上都是通过线性回归来实现水质反演，而水环境系统具有强烈的非线性和不确定性特征，传统的线性回归不能完全反映其变化规律，通过线性回归分析会导致结果不准确（Chen et al.，2018）。

近年来，人工神经网络理论的迅速发展为水质评价和预测提供了一种新的有效方法。人工神经网络具有独特的分布并行处理、非线性映射和自适应学习等优点，BP神经网络是其中一种较为成熟的非线性函数逼近的方法，所得结果更为准确（李辉东等，2015；黄俊等，2015；易湘生等，2012）。国内外许多专家学者运用神经网络进行了水质参数的研究。Gazzaz et al.（2012）通过建立神经网络模型完成了对马来西亚金塔河的水质参数的预测，研究结果表明，该模型预测结果可以解释95.4%左右的实测水质参数的变化。Wu et al.（2009）基于MODIS数据集，采用BP神经网络、多元线性回归等方法对巢湖的水质参数进行了反演，结果表明，BP神经网络模型优于多元线性回归，相对误差低于35%。Song et al.（2011）使用Landsat TM数据和实测数据，建立了经验回归和神经网络，对查干湖的水质参数进行反演，结果表明神经网络的均方根误差小于10%，而回归的均方根误差小于25%。Xiao et al.（2017）以汉江中下游为研究区，建立了VIP-BP模型估计叶绿素含量，结果表明，VIP-BP模型可以准确真实的反映叶绿素含量变化，且误差明显低于3波段模型。

上述研究表明，神经网络与遥感技术的结合可以很好地实现水质参数的反演。在此背景下，本研究基于遥感和GIS技术，采用BP神经网络算法，结合地面监测数据和Landsat 8遥感影像，分别建立了总磷、总氮、氨氮、COD（化学需氧量）4个主要水质参数的神经网络模型，实现了密云水库主要水质参数的反演。旨在为密云水库水质监测探索一种便捷、可靠、高效的方法，从而对密云水库主要水质参数变化做出科学评估，为密云水库水质监测和保护工作提出重要的科学建议。

1 材料与方法

1.1 研究区概况

图1 密云水库区位图Fig.1 Location of Miyun Reservoir Area

密云水库位于北京市东北部密云县城北13 km处（116°07′—117°30′E，40°14′—41°05′N），地处燕山群山之中（图1）。库区建成于1960年9月，流域面积15788 km2，最大水面面积为188 km2，最大库容43.75 ×108m3，最大水深43.5 m，是华北地区最大的水库。密云水库有2大入库河流，分别是白河和潮河，分为白河、潮河和内湖3个库区（张敏等，2019）。该区属于暖温带半湿润季风气候，年均温 10.5 ℃，年均最低气温-18 ℃，最高气温38 ℃，降水主要集中在6—8月（李东青等，2015）。库区主要功能是防洪、灌溉、发电等，为北京市、天津市和河北省服务。随着北京城市化和经济的快速发展，水资源短缺的局面日益加重，密云水库于1981年开始专为北京市供水，且生活用水比重逐年上升，当前已成为北京市最大的饮用水源供应地，被誉为“北京生命之水”。自20世纪90年代以来，水体的富营养化已成为密云水库最主要的水质污染问题（许尔琪等，2018）。因此开展对密云水库的水质参数的反演研究十分必要。

1.2 数据来源

1.2.1 地面监测数据

研究团队于2018年10月17日乘船进入密云水库，在规划采样区域利用取水器距离水面30 cm深处共采集了80个样品，同时记录了采样点的GPS坐标。采样点的布设原则是尽可能均匀分布，敏感区域多布设一些取样点。采集回样品之后，当天将样品送检相关部门，在实验室对每个样品进行测试：水质总氮采用化学发光器测量基态NO2，将结果换算为总氮；水质氨态氮采用SEALAA3连续流动分析仪测试；水质总磷采用钼酸铵分光光度法测定；水质化学需氧量采用快速消解分光光度法测定。（陈颖等，2018；廖蕾等，2016；GB/T 11893—1989；HJ/T 399—2007）最终得到80采样点的总磷、氨氮、总磷、COD（化学需氧量）4个指标的质量浓度。

1.2.2 Landsat 8遥感影像

本研究采用的遥感数据为Landsat 8，遥感影像下载自中国科学院遥感与数字地球研究所（http://eds.ceode.ac.cn/）和地理空间数据云（http://www.gscloud.cn/sources），空间分辨率为 30 m×30 m。选取研究区的影像时间跨度为 2013—2018年，其中用于构建神经网络模型的遥感影像时间为2018年10月17日，与水质样品采集时间一致。由于密云水库从12月至次年2月有冰期，该时段遥感影像的反射率无法真实反映水质参数的变化，再加上一些时段的遥感影像受到云层的影响，最终选取2013—2018年非冰期共36期云量低于30%的遥感影像，代表非冰期主要水质指标的变化。原始影像含5个数据集：多光谱数据集（1—7波段）、全色波段数据（8波段）、卷云波段数据（9波段）、热红外数据（10、11波段）和质量波段数据（12波段）以及含有整个图像内容的MTL文件，共13个文件。本研究选取多光谱数据（1—7波段）作为反演密云水库水质的原始数据。

1.3 数据处理

1.3.1 Landsat 8遥感影像预处理

本研究首先对Landsat 8影像进行辐射定标和大气校正，使遥感影像表达真实的反射率（秦雁等，2011）。处理完成后将Landsat 8多光谱数据的7个波段分别导出为tif图像，便于后期建模和预测。再通过归一化水体指数NDWI，对研究区水域边界进行提取。然后使用提取出的密云水库的水域边界对遥感影像进行裁剪，得到研究区各波段的遥感影像。最后将遥感影像进行转换，得到研究区全区的反射率值。

1.3.2 采样点反射率提取

本研究将记录的采样点的 GPS坐标离散到空间中，并将采样点与Landsat 8影像叠加，用ArcGIS提取Landsat 8各波段在采样点的反射率值，将提取的采样点反射率数据进行整理，作为建立神经网络模型的输入数据。

1.3.3 敏感因子提取

水体的光谱特征由其中的各种物质对光辐射的吸收和散射性质所决定，当水体受到污染时，光谱特征会发生变化，所以遥感影像各波段与水质参数之间存在一定的相关性。使用 SPSS软件，对Landsat 8的1—7波段的反射率和4个水质参数（总氮、氨氮、总磷、COD）的实测值进行皮尔逊相关性分析，以相关性分析为辅助，在保留最大信息量的原则下剔除干扰波段，得到水质参数的敏感波段组合（表1），使得BP神经网络的拟合效果最优。

1.4 研究方法

1.4.1 BP神经网络

BP（Back Propagation）神经网络是按误差反向传播算法训练的多层前馈式网络。由Rumelhart和Mccelland提出，其运算原理为使用最小二乘法使网络的误差平方和达到最小。网络在训练过程中利用错误反馈传播不断调整阈值和权值，使输出结果达到最佳值，实现最佳的拟合效果（盛夏等，2013）。典型的BP神经网络拓扑结构包括输入层、隐含层和输出层，每一层包含若干神经元，上下层神经元之间全连接，而同层神经元之间无连接，输入层与隐含层神经元的连接值是网络的权值，学习过程的目标是找到最优的权值集，该权值集可以产生正确的输出（李丽等，2008；张斌等，2012）。模型的基本建立过程是：给定神经网络输入和期望值，由输入层传递到隐含层，经隐含层处理后，再传递到输出层，由输出层处理产生结果，此为信息前向传播；计算实际输出与期望输出之间的误差，将误差值沿网络反向传播，并修正连接权值，此为误差反向传播；给定另一个输入，重复上述过程，直到网络输出的误差达到允许的范围或达到设定的训练次数为止，得到研究所需的神经网络模型（张青等，2016；刘淑梅等，2015；刘晓芬等，2011）。

表1 水质参数敏感波段Table 1 Water quality parameter sensitive band

1.4.2 纳什系数

纳什效率系数（Nash-Sutcliffeefficiency coefficient），用于验证水文模型模拟结果的好坏，纳什效率系数（E）的计算公式为：

式中：Qo指观测值；Qm指模拟值；Qt表示第t时刻的某个值；Qo表示观测值的平均值。E取值为负无穷至1，表示模式质量好，模型可信度高；E接近 0，表示模拟结果接近观测值的平均值水平，即总体结果可信，但过程模拟误差大；E远远小于0，则模型不可信。

2 结果与分析

2.1 BP神经网络模型的构建

本研究采用的是3层结构的BP神经网络，在MATLAB中使用feedforwardnet函数，默认的训练函数为 trainlm（Levenberg-Marquardt算法），选择传递函数tansig，输出函数pureline，隐含层节点数通过试选法确定。以2018年10月17日的Landsat 8遥感影像提取的 80个采样点敏感波段反射率为输入数据，以同天对应的地面监测水质参数作为目标数据，构建一个3层的BP神经网络，包括一个输入层、隐含层和输出层。feedforwardnet函数将输入数据分为3份，70%用于训练，15%用于检验，15%用于测试，防止过度拟合。feedforwardnet默认隐含层节点数为 10，学习步长为 0.05，迭代次数为50000，学习误差为 1e-10。通过调整隐含层节点数、学习步长和迭代次数，对模型进行反复训练，直到BP神经网络模型的r值达到最优（表2），即r值不再上升为止。得到4个参数的最优神经网络模型，网络结构见（表3）。

表2 BP神经网络模型相关系数rTable 2 The correlation coefficient of BP neural network model r

表3 各水质参数BP-ANN结构Table 3 BP-ANN structure of each water quality parameter

2.2 BP神经网络模型的验证

在训练区中随机挑选 10个样点，以训练好的BP神经网络分别对各采样点的总氮、氨氮、总磷、COD含量进行预测，得到预测结果对BP神经网络模型做进一步验证（表4）。

从表4可以看出，验证点BP神经网络的预测值和实测值比较接近，特别是在平均值水平上预测值和实测值非常接近，总氮在误差0.1的情况下可以认为预测值和实测值的平均值相等，氨氮和总磷在误差 0.01的情况下可以认为预测值与实测值的平均值相等，COD的预测值与实测值的差距相对较大，但是 COD含量实测值的变化幅度较大，而且COD含量的国家水质标准分类区间大，反演结果虽然与预测值有差距，仍可以在一定程度上反映密云水库的COD含量变化情况。

为了更直观的表现预测和实测值的变化情况，将实测值与预测值绘制成折线图（图2）。从图2可以看出，总氮、氨氮、总磷含量的预测值与实测值比较接近，变化趋势基本一致，预测值相对于实测值的浮动较小，预测效果较好。COD含量的预测值与实测值的变化趋势大致相同，但是预测值相对于实测值的偏差相对较大，COD的预测效果相对较差。因此本研究所建立的4个BP神经网络模型中，总氮、氨氮、总磷具有较好的反演能力，COD的反演能力相对较差。

为进一步验证BP神经网络模型质量，采用纳什效率系数和均方根误差，以 10个验证点的观测值和预测值进行计算，结果见（表5）。

从计算结果来看，氨氮、总磷和 COD的纳什系数接近1，说明这几个水质参数的模型质量较好，模型可信度高，其中是氨氮和总磷纳什系数较高，而总氮的纳什系数更接近于 0，说明总氮的神经网络模型其模拟结果接近观测值的平均值水平，即总氮模拟结果总体结果可信，但模拟过程误差大。均方根误差显示，总磷、总氮和氨氮的均方根误差均小于0.03，其中最小的为总磷，其次是氨氮，再次是总氮，说明总磷、总氮和氨氮的预测值和实测值较为接近。COD的均方根误差大于1，说明 COD的真实值和预测值有偏差。综合来看，本研究建立的氨氮和总磷的BP神经网络模型预测效果较好，其次是氨氮，COD的神经网络模型预测效果较差。

表4 BP神经网络预测值与实测值的比较Table 4 Comparison between measured values and predicted values of BP neural network mg·L-1

图2 BP神经网络模型结果验证Fig.2 Verification of BP neural network Model

表5 纳什效率系数、均方根误差Table 5 NSE (Nash-Sutcliffe efficiency coefficient),RMSE(Root Mean Square Error)

2.3 密云水库主要水质参数的变化分析

2.3.1 主要水质指标的年际变化

本研究基于构建的 BP神经网络模型反演了2013—2018年密云水库非结冰期每月的主要水质参数，估算了每年主要水质参数总氮、氨氮、总磷、COD的年平均值（图3），分析2013—2018年密云水库水质的年际变化情况。

结果显示，2013—2018年密云水库的主要水质指标总氮、氨氮、总磷、COD整体均呈下降趋势。总氮质量浓度在2013年最高，达到0.932 mg·L-1，2017 年最低，为0.868 mg·L-1，2015—2018 年年际波动较小，含量基本稳定；氨氮质量浓度在2013—2018年变化比较平缓，2015达到最高值0.018 mg·L-1，2015—2017年连续下降，2017年为最低值 0.0099 mg·L-1；总磷质量浓度变化为先呈上升趋势，2015年达到最高值0.027 mg·L-1，2015—2018年总磷含量表现为逐年小幅下降且趋势变缓；COD变化趋势与氨氮相似，2013—2015年呈上升的趋势，2015年达到最高值 12.974 mg·L-1，2015—2017年快速下降，2017年为最低值6.17 mg·L-1，年际波动比较大。

从 2013—2018年间密云水库年均水质指标变化来看，氨氮和 COD的含量一直处于Ⅰ类水质标准，且在Ⅰ类类别中含量较小，指标优良；而总磷近年为Ⅱ类水质标准，总氮为Ⅲ类水质。总体来看，密云水库水质较好，且年际变化显示近年来密云水库各项水质指标均呈下降趋势，水质整体呈上升趋势。同时由年际变化可以看出，2018年总氮、氨氮、COD比上年有所增长。因此，密云水库的水质风险仍然存在，保护与监测工作不容忽视。

2.3.2 主要水质参数的季节变化分析

本研究选取的是 2013—2018非结冰期遥感影像，因冬季密云水库区域人为活动较少，生物生长缓慢，库区水质比较稳定，故只研究春、夏、秋 3个季节主要水质指标的变化状况。为了剔除偶然年份的影响，得到研究时段密云水库水质参数的季节性变化特征，本研究将反演结果按季节求得多年平均值，获取了4个水质指标不同季节的变化分布图（图4）。

图3 主要水质参数的年际变化Fig.3 Interannual variation of major water quality parameters

由图4可以看出，密云水库主要水质参数总氮、氨氮、总磷、COD的季节变化趋势基本一致，均表现为春季浓度最高，秋季次之，夏季浓度最低，即密云水库夏季水质最优，后因水资源的补充不足，水质参数含量升高，导致秋春季水质较差，春季达到最差。

2.3.3 密云水库主要水质参数的空间变化特征分析

本研究在空间栅格尺度上估算了 2013—2018年密云水库水质参数总氮、氨氮、总磷、COD的含量，揭示了主要水质参数的空间分异与变化特征。

2.3.3.1 水质参数总氮的空间变化特征

密云水库总氮含量按照国家水质分类标准总体以0.7 5mg·L-1和1 mg·L-1为分界点划分为三类区域。从反演结果来看，总氮质量浓度比较集中分布于0.75—1 mg·L-1这个区段。为了更加显著突出总氮含量的空间变化，将这一区段再以 0.83 mg·L-1和0.91mg·L-1为分界点细分，共分为五级（图5）。

从分级结果来看，北部区域的总氮含量高于其他区域。其中，2013年水库的总氮质量浓度主要集中在0.91—1 mg·L-1区域，中部和北部地区含量高于其他区域。2014年总氮含量明显下降，集中区域转变为0.83—0.91 mg·L-1区域，西部和北部岸边含量显著高于其他区域。2015年水域面积缩小，总氮含量明显降低，东北部含量高于其他区域。到2016年水域面积扩大，虽然总氮含量仍然集中在0.83—0.91 mg·L-1区段，但是相比2014年整体降低了，北部水域总氮含量高于其他区域。2017年水域面积进一步扩大，总氮含量在0.75—0.83 mg·L-1区段分布面积扩大。2018年水域面积达到近年最大，总氮含量相比 2017年有所上升，主要分布区域位于东南部地区，这些区域遥感影像的云量偏高，这会造成估算值比实际值偏高。总体来看，总氮含量较高的水域面积呈减小趋势，且集中分布于密云水库北部和东南部。

2.3.3.2 水质参数氨氮的空间变化特征

2013—2018年 密云水库的氨氮质量浓度小于0.03 mg·L-1。为了显示密云水库氨氮含量的空间差异性，以 0.006、0.012、0.018、0.024 mg·L-1为分界点将氨氮含量分为五级（图6）。2013—2015年密云水库的氨氮含量以0.012—0.018 mg·L-1为主，北部和东北部含量较高。2014年西部水域氨氮含量明显降低，2015年东北部0.018—0.024 mg·L-1的氨氮水域面积不断扩大。2016年之后密云水库氨氮含量明显下降，以0.012—0.018 mg·L-1为主；2017年氨氮含量进一步下降，以0.006—0.012 mg·L-1为主；2018年东部地区氨氮含量较上年有所上升。从密云水库氨氮的空间分布上看，2015年较氨氮含量较高的区域分布面积最大，2015年后氨氮含量呈下降趋势，2017年氨氮含量较低的区域分布面积最大。从水质参数氨氮标准来看，2013—2018年密云水库的水质良好，氨氮含量处于Ⅰ类水质标准，且远低于Ⅰ类阈值。

图4 主要水质参数季节变化Fig.4 Seasonal changes in major water quality parameters

图5 2013—2018密云水库水质参数总氮空间分布图Fig.5 Spatial distribution of total nitrogen in Miyun Reservoir during the period of 2013-2018

2.3.3.3 水质参数总磷的空间变化特征

图6 2013—2018密云水库水质参数氨氮空间分布图Fig.6 Spatial distribution of ammonia nitrogen in Miyun Reservoir during the period of 2013-2018

图7 2013—2018密云水库水质参数总磷空间分布图Fig.7 Spatial distribution of total phosphorus in Miyun Reservoir during the period of 2013-2018

总磷按国家水质分类标准标分为四级（图7）。2013年密云水库的总磷质量浓度集中在 0.01—0.025 mg·L-1区域，整体含量较低。2014年总磷含量略有升高，集中在 0.025—0.05 mg·L-1区域，北部和南部区域含量较高。2015年总磷含量较高区域主要分布于东北部。2016年密云水库北部0.025—0.05 mg·L-1总磷分布面积扩大。而到2017年之后北部区域总磷含量明显降低；2018年南部地区总磷含量升高。总体来看，密云水库的总磷含量处于Ⅱ类和Ⅲ类水质标准。因此，密云水库仍需加强上中游地区污染物总磷的排放和监管。

2.3.3.4 水质参数COD的空间变化特征

为了体现COD质量浓度的空间变化，以7.5、15、20、30 mg·L-1为分界点将COD含量划分为五级（图8）。2013年密云水库的COD质量浓度以7.5—15 mg·L-1为主，东北部区域COD含量较高。东北部COD含量较高的区域随着时间推移而不断扩大，2015年COD含量较高的区域扩到最大。2016年东北部COD含量最高等级的区域迅速缩小，而20—30 mg·L-1的COD面积不断扩大。到2017年COD含量全面下降，COD含量主要集中在0—7.5 mg·L-1区段。2018年东部COD含量上升为 7.5—15 mg·L-1。总体而言，密云水库的COD含量处于Ⅰ类和Ⅱ类水质标准，符合饮用水源要求。

图8 2013—2018密云水库水质参数COD空间分布特征Fig.8 Spatial distribution of COD in Miyun Reservoir during the period of 2013-2018

3 讨论

分析结果表明，密云水库的主要水质参数总氮、氨氮、总磷、COD含量虽然年际之间有波动，但整体呈下降趋势，表明密云水库的水质在不断改善，水质保护工作取得了显著成果。从各项水质参数的季节平均值来看，夏季含量最低，秋季次之，春季最高，可能是由于夏季降雨较多，密云水库的水源得到补给，水体得到更新，导致水质相比其他季节更佳。密云水库主要水质指标的空间分布显示，库区北部、和东部水质指标偏高，这种分布可能与北部和东部村庄密集，以及密云水库两大入库河流：潮河和白河，从北部入库有关。秦丽欢等（2017）研究表明，深水区和朝河及白河的过度区域总磷含量较高，这与本研究所得空间分布吻合。此外，班静雅等（2019）研究表明南水北调工程使得库区水位大幅上升，库区周边大面积土壤被永久淹没，产生了土壤污物溶出，模拟结果表明对密云水库水质影响范围小、程度低。笔者认为，这也可能是导致北部和东部水域指标含量较高的另一个原因。总体来看，密云水库水质较好，氨氮和COD两个参数为Ⅰ类水质，总磷为Ⅱ类，总氮为Ⅲ类，各项水质参数指标满足饮用水源要求。然而密云水库水质监测和保护工作不能放松，总磷和总氮在个别年份也存在小幅超标的现象。

本研究开展的基于BP神经网络算法反演密云水库水质参数的研究达到了一定精度，但也存在一些不足。由于Landsat 8数据有限，再加上密云地区特殊的气象条件，一些时段的遥感影像受到雾霾和云层的影响无法使用，导致遥感影像无法被充分利用，以后的研究需要进一步探索针对水质反演的大气校正模型和遥感影像的去云技术，从而减小云量对于辐射值的影响，使遥感影像得到充分利用。另外，本研究采用的多光谱遥感影像分辨率为 30 m×30 m，而记录采样点坐标的手持GPS的精度为15 m，因此两者的配准会产生一定的误差，期待以后的研究通过技术手段的进步，提高遥感影像与采样点的配准程度，使数据能够更加准确的反映水库的水质指标的变化。

4 结论

本研究基于Landsa 8遥感数据与地面监测水质数据，采用遥感和GIS技术，通过构建BP神经网络模型，实现了密云水库2013—2018总磷、总氮、氨氮和COD（化学需氧量）4个水质参数的反演，并对水质参数的时空变化做了分析，得到如下结论：

（1）主要水质参数的Landsat 8敏感波段为：总氮为1、4波段，氨氮为1—7波段，总磷为1、3—7波段，COD为2—5波段。对BP神经网络模型的预测结果验证显示，密云水库水质指标的预测值与实测值在平均值水平上非常接近，纳什系数和均方根误差评价结果表明，研究构建的总磷和氨氮的BP神经网络模型质量较好，可以很好实现水质反演，而氨氮和COD模型质量不佳，但在平均值水平上仍然具有准确性。

（2）密云水库主要水质参数总氮、氨氮、总磷、COD的含量在2013—2018年总体呈下降趋势，年均值显示，氨氮和 COD两个参数处于Ⅰ类水质，总磷为Ⅱ类，总氮为Ⅲ类，主要各项水质指标满足饮用水源要求，需注意加强总磷和总氮的控制。

（3）从季节变化特征分析显示，4个水质均表现为春季最高、秋季次之、夏季最低。

（4）密云水库主要水质参数的空间差异性较大，总体来看，水库北部和东部水域的4个水质参数含量相对较高，这与北部和东部村庄分布，以及密云水库的两大入库河流：潮河和白河，从北部入库有关。