供水水质监测预警技术研究现状

张盛楠， 连 帅， 肖丁源， 周睿郡， 张巧玲

(天津仁爱学院，天津301636)

随着人类工业化脚步的加快，城市供水水质问题也频频发生，人们对于自来水水质安全问题愈发关注。解决水质问题的技术和方法成为了近年来社会所关注的热点问题。水质预警是通过专门的技术和方法，对水质可能的恶化污染提前进行分析和警示。本文通过水质监测与预警相关文献的可视化分析，总结和概括了生物在线监测方法、环境卫星遥感监测预警方法、人工神经网络模型等水质监测预警方法的应用，以期供研究机构、水务工作人员与水质研究人员参考。

1 供水水质监测预警技术研究背景

由于水源中污染物的性质与种类的多种多样，其污染特征也有所不同。随着时代的进步与发展，当今社会水质问题也有了不同且多元的处理方法、技术和对策。虽然世界各国生活饮用水水质标准不尽相同，但是各国的水质标准随着时间的推移都在不断被修订。新的《生活饮用水卫生标准》(GB 5749—2022)将于2023年4月1日开始正式实施,对饮用水水质也提出了更高的要求[1]。

我国是一个水资源短缺的国家， 2012年广西的龙江流域和2013年西江支流的贺江流域都发生了重金属污染，造成了居民的饮水困难；2020年浙江杭州西湖地区由于易腐垃圾处置的操作不当，造成供水管网饮用水污染；2021年南京市由于江面上船只碰撞大量物料倾泻，造成水污染事件。要解决类似突发性污染问题，就要先从源头上处理，对水源水质与供水管网水质进行实时的监测与预警，确保后续饮用水的安全。

关于水质预警，早期提出概念及模型最多的是欧美国家。20世纪70至90年代，欧洲很多国家都设置了水质预警的监测站，例如英国特伦特河新建水厂的进水口处、荷兰的多个自来水水厂、德国符腾堡州多瑙河的上游与荷兰马斯河水源地的上游处[2]，当地的水质有了较为完善的预警系统，方便了人员的监测与管理。近几年，随着多地发生水源污染事件，我国也对供水水质预警进行了深入研究，发展了一系列相关的监测技术，可以实时监测水中的各类污染问题。

2 基于Citespace的水质监测与预警文献的可视化分析

CiteSpace是一款适用于文献分析的可视化工具，主要有研究前沿与热点探测与分析、研究演进路径分析、研究群体发现等功能。CiteSpace可以形成知识的思维图谱，给人更直观的、可视化的分析与理解。

2.1 前沿研究热点的分析

通过使用CNKI检索北大核心、CSCD、EI来源等期刊，收集了时间跨度在1995—2021年间关于水质预警相关热词研究的文献资料，利用CiteSpace软件进行关键词的可视化分析，了解现下水质监测预警方面相关的研究热点趋势，见图1。

图1 关键词的聚类分析Fig.1 Cluster analysis of keywords

从图1可以看到与水质监测与预警相关的文献一共聚成10类，分别是水质预警、水质安全、预警、水质、水质检测、水质模型、水质预测等。从0到10，数字越小，表示其中聚类包含的关建词越多，每一种聚类都是由多个休戚相关的词组成，图1中聚类模块值(Q值)和聚类平均轮廓值(S值)表征关键词聚类程度好坏。一般认为Q值大于0.3，聚类结果显著。图1中的Q值为0.628，显然聚类结果是显著的；S值达到了0.732 9(>0.7)，这意味着聚类结果是令人信服的。

基于选取的国内部分文献，我国对于供水水质预警研究起步较晚，进入21世纪后，随着2005年“绿水青山就是金山银山”的生态文明理念建设的提出，论文的发文量及实际应用案例开始明显增加。对于水质预警，早在2007年已经有了“城市水污染应急措施”的实际应用，之后有了实时监测单元，这时已经建有较粗糙框架设计，研究人员开始逐步意识到对于水质检测预警要建立一个完整的体系。随着技术的发展，WASP水质模型、基于数学评判的函数模型、人工智能等都融入了水质预警功能体系中。南水北调中线工程、水源保护、城市供水甚至水产养殖都不同程度地用到水质监测预警技术。从最开始取水样到实验室化验分析，到现在的模型化、数字智慧化，响应及时，精度更高，水质预警技术迎来了蓬勃发展。

2.2 相关学科与机构分析

图谱主要连线整体性较弱，整体呈现大分散小聚集趋势，可能由于存在竞争关系，机构之间的合作并不频繁，但同时也有少数在同一地域间机构合作的出现。处在节点中心，也是发文数量排在前面的分别是西安建筑科技大学、中国环境科学研究院、哈尔滨工业大学、中国农业大学、浙江大学等。边缘小团体有独立机构，也有相关企业，通过查询作者单位可知，学者更倾向于与本单位机构的人合作，且高校间的作者合作明显多于企业合作，高校与企业之间几乎处于孤立状态。企业更为注重研究成果的实际应用，各高校的学者可加强与企业的合作，做到互惠双赢，架起学术沟通的桥梁。

3 水源地的预警模型

3.1 生物监测预警模型

随着工业化的快速发展，大量有机污染物在短时间内进入河流水体并迅速扩散，导致水质富营养化甚至恶化，造成突发性水污染事故，对人类健康造成了损害。水中含有的有毒物质多种多样，传统的理化分析方法只能对已知的有毒物质进行监测，且监测时间长，成本高。水中的污染物质扩散速度极快，监测的不及时导致数据具有滞后性。相较于传统的理化分析方法，生物在线监测预警系统可以利用水生生物对周围环境变化的感知而产生的反常行为，快速进行数据的监测，进而发出预警。目前广泛使用的监测生物包括细菌、藻类、鱼类。

3.1.1细菌监测

发光细菌在正常适宜的生存条件下会发光。在外界条件发生改变时，发光细菌的发光强度会受环境条件的影响而发生改变。一般认为，受污染水中COD中的小分子有机物或其他毒性物质的刺激可能导致发光菌发光强度减弱。因此，可以利用发光细菌发光强度的强弱在线监测水质，从而及时发出预警[3]。当水质发生污染后，发光细菌对污染物只进行一次检测，且检测时间短于传统生物的检测周期。

我国已经将发光细菌监测饮用水的安全性成功运用于2008年北京奥运会及2010年上海世博会。张理兵等[4]以明亮发光杆菌为指示生物，研究出了一种光纤传感器用于检测重金属含量。发光细菌的急性毒性已经应用于常州市地表水预警(含饮用水水源地)，共获得约25万个有效的生物毒性的数据，并且制定了相应的预警限值[5]。细菌检测方法快速有效，检测时间短，检测谱宽，灵敏度高，结果可靠，但成本较高。

3.1.2藻类检测

藻类体积小，对外界因素的变化更为敏感。当藻类与有毒物质接触时其光合作用会受到抑制，荧光和热耗散相应增加。可通过藻类荧光强度的不同来进行毒性的监测。在进行毒性的监测时，需要选择灵敏度合适的藻种。荧光测试多使用绿藻作为测试生物。叶绿素荧光主要应用于重金属和农药的监测，具有检出限低、重复性好、反应灵敏、测定时间短的优点，但缺乏特异性，无法对某一类污染物进行针对性的检测。也有学者提倡利用底栖硅藻来判断水质情况[6]。底栖藻类分布广、物种丰富、便于采集、生活史短，可以对环境的变化做出快速的反应，分类特征明显，是判断河流水质情况的最佳生物指标之一。有研究表明，硅藻对有机污染物更加敏感，用硅藻作为指示生物监测河流水质，结果更准确，更具预见性[6]。该方法在国外研究较多，为我国在底栖藻类方面的研究提供了新思路。

3.1.3蚤类的监测

水蚤数量多但体积小，适应性强灵敏度高，重现性较好，是国际公认的一种标准毒性实验生物[7]。水蚤与污染物接触后，生长活动会受到一定的影响，情况严重时甚至会死亡。因此，可以用水蚤的死亡率来作为生物毒性检测的指标。目前，蚤类检测大多是以大型蚤的在线监测生物系统为主，莱茵河流域中9个水质监测中，7个都是大型蚤在线生物监测系统[8]，而我国的蚤类监测系统目前还处于起步阶段。蚤类监测系统系统成本低，但是由于水质的多样复杂性，其准确度受到影响，也会出现报警错误等情况。目前大型蚤在线监测系统仍然处于发展阶段。

3.1.4鱼类监测

鱼类是水生生物的高级类群，可以根据鱼类的种群变化来推测水质变化。当鱼类与一定浓度的有机污染物接触后，在形态和种群数量上会出现反常的变化。可以将鱼类的回避行为、正趋流行行为、撞壁频率以及死亡等反应作为水质的生物监测的依据。早期鱼类水质监测多使用较大型的蓝鳃太阳鱼。20世纪70年代以后，环境毒理学家发现体型较小的斑马鱼与人类基因有着87%的相似度，且相较于其他鱼群繁殖速度快。因此，斑马鱼成为重要的研究对象，也是国际通用的急性毒性实验标准生物。鱼类监测系统灵敏度高，具有良好的可靠性，但孕育成本偏高，相关技术较为复杂。

近年来，有学者提出根据农药对鱼类活性的影响程度，用多层神经网络对鱼体目标活性状态进行准确的分类判断，从而判断水质中的毒性污染情况，进行实时监测与预警，这种方法已在绍兴和萧山某制水公司试运行[9]。

3.2 遥感卫星反演监测预警

水源地水质环境监测是确保饮用水安全必不可少的环节。近几年，水源地常遭遇突发性污染，富营养化导致的水华现象尤为突出，再加上突发的工业废水污染，亟需对水源地进行相应的监测预警。水源地常规监测手段主要是采集水样，然后分析水样数据，再对该水源地水质状况进行评估。该方法的优点是测量数据精度高，但数据结果具有明显的滞后性。

伴随高精度、多谱段卫星的民用推广，环境卫星遥感技术正在水环境监测中逐渐得到应用。另外，GIS(地理信息系统)与遥感技术的结合应用已成为一种高效的监测手段。地理信息系统在空间信息查询与分析、结果的直观表达等方面具有优势[10]。GIS主要是提供一系列基本数据库，用以补偿卫星瞬时数据的不足，并增强信息处理和分析能力，譬如辅助遥感卫星构建背景图层，绘制监测断面层、污染监测断面、饮用水取水口等[11]，用以提高遥感数据的分类精度。基于水体污染物指标浓度越高，它在特定波段反射率就越大的原理，遥感卫星监测预警结合遥感影像数据、频段数据的分析，以及GIS的辅助，可对多个水质指标进行反演计算，对得到的各水质指数进行加权，得出综合预警指数值[12]。

GIS与遥感技术相结合，既有传统的方法，又有构建模型的运用，相辅相成，协同工作。

4 供水管网监测预警技术

4.1 在线监测技术

我国供水管网的拓扑结构越来越复杂，且管网后期的维修养护不到位，有6%的管网使用年限已经超过了50年，同时部分管材低劣[13]，供水管网老化腐蚀导致饮用水二次污染的问题尤为严重。由于缺乏二次供水的水质指标监测，自来水出厂后的安全性不能得到有效的保障。供水管网的二次在线监测可以做到防患于未然，及时发现水质不达标的管段，以便采取措施。水质在线监测系统主要分为采样单元、预处理单元、分析单元、控制单元、数据处理单元等。通过合理设置一定数量的有效水质检测点(采样单元)，结合高敏感度仪器与计算机强大的演算能力，构建起供水管网在线监测系统。

4.1.1供水水质在线监测系统

在线监测系统利用先进的计算机软件应用技术，以及自动检测数据技术对水质进行实时监测，监测设备、GPRS无线信号传输网络以及数据管理软件平台是在线监测系统的主要单元构件[14]。通过采样单元采集管网中浊度、温度、溶解氧(DO)、电导率(EC)、pH、总氯、流速等参数并进行预处理，采集到的数据经过分析单元、数据处理单元的计算推演，自动与阈值匹配，实现高度的自动化监测，不仅节省了人力物力，也避免了实验室检测数据所带来的滞后性。通过对水温、pH、总氯等参数的大量测定验证，得出在线监测设备数据的可靠性。虽然实验室检测和在线监测设备都可以得到数据来反映管网中水质的情况，但实验室检测需要大量的人力物力，检测时间过长，水质数据有明显的滞后性，而在线监测系统可以避免上述问题，实时监测水质各项指标，及时发出预警。

4.1.2检测点的优化布置

设置合理的水质监测点是供水管网水质监测预警的前提。若监测点数目过少，不能得到整个供水管网的水质变化过程；监测点过多，则会增加相应的人力物力。因此，水质监测点的优化布置尤为重要，通常依据人工经验设置在大管径大流量管段、用户多的区域和水质不稳定的管段。

常用的水质监测点优化布置方法是覆盖水量法。覆盖水量法通过监测一定比例的水量来衡量供水管网整体的水质状况[15]。节点水龄法在覆盖水量法的基础上进行改良，在正常工况下，节点水龄法假设水从源头流向各个节点时，水质随着时间的延长而降低。因为水质的变化只与时间有关，节点水龄通过余氯、浊度等参数来判断水质情况，设置管网的平均水龄处节点为监测点来监测整个管网的水质变化情况。

节点水龄法只考虑了供水管网水龄这一单一因子，缺乏供水分界线、余氯质量浓度等因素对水质易产生影响的监测。陈炳瑞等[16]在考虑供水管网水龄的基础上，提出了多因子法。由于不同节点的水流来源不同、水量不同，计算需水量、水龄的余氯时应为水流在该节点各供水路径所经历时间的加权平均值。利用权重系数Ki确定一般节点、大用户和供水分界线的位置。

以北方某供水管网为例，在人工经验法的基础上，进行多因子优化法的监测点的计算，得到相同位置的监测点占比为43.75%，预警时间最早的占据了83.3%[16]。这表明以人工经验法为基础，进行多因子优化法计算，得出的监测点位置更加全面。

4.2 水质模型

供水管网水质模型以水力模型为基础，模拟余氯等指标在管网中的变化。根据水质指标的不同，将水质模型分为4类。

4.2.1余氯浓度衰减模型

投加消毒剂是水处理工艺中常用的消毒方法。主体水余氯浓度衰减和管壁余氯衰减是余氯浓度衰减的两个途径。安小宇等[17]针对神经网络预测模型存在收敛速度慢、局部开发能力弱等问题，提出了改进的正余弦算法优化(ISCA)神经网络，在此基础上建立了ISCA-BP模型并对水体余氯进行预测。以平顶山市某水厂5月随机选取的60组水体采样进行试验，得出ISCA-BP预测模型相对误差平均值和绝对误差平均值数值小于BP、RBF神经网络，精确度更高，泛化能力更强。

4.2.2消毒副产物模型

供水管网中，消毒副产物(DBPs)主要有三卤甲烷(THMs)、卤乙酸(HAAs)、卤代醛等。消毒副产物存在致癌危害，其产生与管道材质和余氯量有关。其中，三卤甲烷被证实与微生物的增长有关，也是研究最多的消毒副产物。姜旭等[18]以东北地区H市的某净水厂为例，采用多元回归分析方法对水库原水经过液氯消毒后的三氯甲烷(TCM)生成量建立模型，得出温度、pH、CODMn与TCM生成量呈正相关。

江钆泓等[19]以南方某市的7个自来水厂为对象，对原水和出厂水的水质参数分别建立出厂水THMs和HAAs生成量的预测模型，利用IBM SPSS Statistics 20作多元线型回归方程。结果表明：THMs质量浓度水平能够通过多元线性回归方程较好地预测；但回归方程不能预测出HAAs质量浓度水平。

4.3 人工神经网络模型在水质预警中的应用

随着信息技术的发展，人工智能逐渐成为产业革命的中坚力量，各行各业都对人工智能技术与传统产业的结合展开了深入研究，发展了人工神经网络(artificial neural network, ANN)等智能算法。相比传统统计学模型时效性差、操作复杂的缺点，人工神经网络具有高维性、自学性、高计算性以及强大的学习能力和泛化能力，对于水质预测等复杂问题研究具有很好的适用性，很快成为了学术界和工业界的研究焦点[20]。

人工神经网络是一种以神经元为基本结构单元的大规模信息处理系统，通常由输入层、隐藏层和输出层组成[20]。ANN具有非线性、平行处理、学习和自适应性等特点，是一种多变量系统。由于在水环境领域中，各个因素之间大多具有非线性，而ANN基于这一点，对于水环境污染建模、监测预警等问题有很大的优势[21]。

在ANN训练过程中，数据通过加权相位激活函数计算输出值，最后计算损失函数的值并更新权值。而ANN模型的预测能力倚重于对数据收集的训练量及其结构的复杂性，所以数据越多，其准确性越高。相应的，这也显示出了神经网络模型的缺陷，即运行维护成本高；对于长时间系列观测数据获取较困难，数据质量不稳定；缺乏这方面的人才，难以大范围应用ANN技术。

神经网络与水质模型结合具有以下优势：一是其高速的计算能力能够处理庞大的非线性计算；二是大容量记忆能力可以存储大量的水体水质数据；三是学习能力强大；四是有一定的容错能力。由于人工神经网络是模拟大脑分布式记忆，因此，对于不完整的数据输入，抑或是少量的错误数据，水质模型输出的结果仍是正确的[22]。

迄今为止，人工神经网络模型发展出很多分支，其中BP神经网络算法先进成熟，应用较多，适用于复杂的非线性计算。

BP神经网络是一种多层拓扑网络，由输入层、隐含层和输出层组成，每层向下传播，不能向上一层反馈。BP神经网络由一个个神经元组成，每个神经元相当于一个传感器，而且每个神经元只会影响下一个神经元，对该层神经元层没有影响。BP算法先将得到的权值初始化，然后确定结构参数并定义变量。通过输入训练样本，进行正向和反向传播，数据达到精度要求后便会输出结果。以感知器为例，BP网络的感知器就像大脑的神经元，当输入层接到信号后会传递给下一层的隐含层。隐含层通过对权值阈值的函数处理，完成数据处理之后再传递给输出层。输出层将计算得到的数值与真实值进行比对，再通过反向传播调节各层的权值和阈值。通过大量数据的训练模型，最终会使预测值无穷趋于真实值，得到最终的BP神经网络算法模型[23-25]。

BP神经网络与ANN模型同样属于“黑箱模型”，只需要依靠水质指标本身来学习完善，不受外部环境因素和人为因素的影响。但BP神经网络模型相较于其他模型，建模时间更短，适应性更强。因此，BP神经网络可以较好地应用于水质环境预测当中。

表1简单概括了各种水质监测预警技术的优缺点。各种水质监测预警技术各有优劣，实际应用中应做到取长补短，相辅相成。

表1 各种水质监测预警技术的优缺点Tab.1 Advantages and disadvantages of various water quality monitoring and warning technologies

5 结论

① 现阶段，国内外高度重视供水水质监测和预警，并对其监测预警的方法和技术展开了深度研究。饮用水水质保障是居民用水中很重要的一环，关乎着民生大计。

② 水质预警监测的方法和技术较多，但仍有很多问题需要解决。建立健全完善的饮用水安全监测系统、确定饮用水突发水质问题的应急预案、建立多方面监测预警的水源水质模型、加强对水源水质在线监测预警系统的研究、更快速反应实时管网中水质的变化情况，以及提高供水管网在网络化方面监测预警水平，都是现阶段亟需解决的主要问题。

③ 饮用水水质监测预警的目的是为用水对象提供水质合格的饮用水，让水资源达到使用的良性循环，实现可持续利用发展。达到这一目标，还需要社会多方面通力协作共同努力。