延河水质评价及水质指标预测研究

王际焱，邵瑞华

（西安工程大学，陕西 西安 710600）

1 引言

延河是黄河的一级支流，位于陕西省延安市中部，流经延安市安塞区、宝塔区和延长县3个县（区），全长286.9km，流域总面积7 725km2[1]其水质好坏直接关乎着黄河水质及延安人民饮用水安全。近年来延安市政府高度重视延河流域水污染治理，一定程度上保障了淡水资源水质的稳定。但根据《中国环境状况公报》显示，延河时常出现在全国地表水考核断面水环境质量状况排名后30位城市中，说明延河流域水环境仍存在一定程度的污染。因此，对延河水质分析评价，把握延河流域水质污染的现状，分析今后水质因子发展方向，对延河流域水污染的防治具有重要意义。根据《陕西省水环境功能区划》规定，延河水质在延长县七里村镇以上执行国家地表水标准（GB 3838－2002）Ⅲ类标准，在延长县七里村镇以下执行Ⅳ类标准[2]。本研究根据国内外其他地区水质分析与预测的经验，对近年延河水质指标作出评价及预判，旨在为延河流域水污染防治提供可行性和科学性参考理论。

2 材料与方法

2.1 数据来源

此次研究工作的监测周期为3年（2019年-2021年），采样时间为每月10日前后。采样地点选定延河流域9个控制断面，其基本属性信息如表1所示，控制断面设置分布如图2所示。采样方法参照《地表水水环境监测规范》（SL219-98）执行。测定方法参照《地表水环境质量标准》（GB3838-2002）执行。

图2 控制断面分布图

表1 控制断面基本信息

2.2 分析方法和评价因子

对《地表水环境质量标准》（GB3838-2002）中规定的24项指标进行采样监测[3]，其中酸碱度（pH）、水温、透明度现场直接测定，DO、电导率通过便携式快测仪测定，其余水质指标带回实验室分析测定。通过对比分析监测数据发现，绝大多数监测指标符合延河水域功能区划标准，故选取河流评价中常见监测项目作为评价因子[4-5]，分别为：溶解氧（DO）、高锰酸钾盐指数（CODMn）、5日生化需氧量（BOD5）、氨氮（NH4-N）、总 磷（TP）、总 氮（TN）、氟化物等7项水质指标。由于温度对DO影响很大，相比之下氟化物对DO影响较小[6]，所以在预测模型中用温度替换氟化物指标。

2.3 水质评价方法

2.3.1 单因子指数评价法

单因子指数评价法是当前国标中明确规定的水质评价的方法。单因子指数评价法是将水质指标实测值（Pi）与该流域水质指标规定标准值进行比较，从而确定各个指标的水质类别，以最差的水质类别作为监测断面的水质类别[7]。由于单因子评价法具有计算简便，方便理解的优点，而被广泛应用。

单因子评价法可表示为：

式中：Pi为第i种污染物的单因子指数；Ci为水体中第i种污染物的实际浓度值，mg/L；C0为水体中第i种污染物的标准浓度值，mg/L；对于pH，其单因子指数按下面的公式计算：

式中：PpHj为j断面的pH单因子指数；pHj为j断面的pH监测值；pHsd为评价标准中规定的pH下限；pHsu为评价标准中规定的pH上限；对于DO，其单因子指数采用下面公式计算：

式中：PDOj为j断面的DO单因子指数；DOf为饱和溶解氧浓度，mg/L；DOj为j断面的溶解氧监测值，mg/L；DOs为评价标准中规定的溶解氧值，mg/L；T为j断面的水温监测值，℃。

2.3.2 水质综合污染指数法

水质综合污染指数法具有分析简单的特点，能够弥补单因子指数法过于苛刻、过于片面等不足，并且对延河各断面水功能达标或超标程度有良好的判别能力[7]。水质综合污染指数通常以单项污染指数为基础，将各指标的单项污染指数通过算术平均法、加权平均法、连乘法或指数法等得到综合污染指数（P），根据P值的范围来评价分析综合水质状况[8]，水质综合污染指数等级划分标准[7]如表2所示。

表2 综合水质类别判定标准

此次研究采用算术平均法进行计算，公式如下：

式中：Pj为j断面的综合污染指数；i为延河i水质指标；Pij为j断面i水质指标的污染指数；j为延河监测断面编号；P为延河m个监测断面的综合污染指数；m为延河监测断面总数。

2.4 预测方法

DO是评价水质的重要指标之一，也是水体净化的重要因素之一，溶解氧高有利于水体中各类污染物的降解，从而使水体较快得以净化；反之，溶解氧低，水体中污染物降解较缓慢，表明污染程度严重[9]。

本研究选取BP人工神经网络模型，将CODMn、BOD5、NH4-N、TP、TN、温度作为输入变量对DO进行预测，旨为研究DO提供新的思路。

BP神经网络是应用最广泛的神经网络之一，属于前向多层反向误差传播学习算法，由输入层，隐藏层和输出层组成，通过正向与反向传播的过程训练数据。即当输入层输入一个学习样本时，该层的神经元通过激活函数激活，经各隐含层传递到输出层，在输出层的神经元获得隐含层的输入响应后，按照减少网络输出值与实际输出样本之间误差的方向，反向从输出层反馈到输入层，通过这种误差逆向传播修正的反复进行，不断优化各链接权值、阈值[10]，进而使预测值逼近真实值。

本文假设DO的浓度和前面监测的6项水质指标有关，对162个数据进行整理，7个数据一组，每组前6个数据作为输入变量，第7个数据作为输出变量[11]。取2019—2020年和2021年1—3月份共146组水质数据作为训练集，取2021年3—6月份16组水质数据作为验证集，将得到的DO预测值与实测值进行误差对比分析，验证BP人工神经网络预测延河水质指标的准确性。

本网络取一个隐含层，其中输入层到隐含层神经元的传递函数为tansig，隐含层到输出层神经元的传递函数为purelin，默认的训练函数为trainlm[12]。隐含层神经元个数根据经验公式多次验证，得出取最优值13时BP神经网络具有较小的训练误差和较好的逼近能力。学习速率取0.01，迭代次数设置为1000次，目标精度为0.00001。BP神经网络运行性能图如图1所示。

图1 BP神经网络运行性能图

3 结果分析

3.1 水质评价

3.1.1 单因子污染指数评价

单因子指数法是最简单的环境质量指数，没有标准量纲[13]。通过对单因子指数Pi值和数量值1比较，可确定出延河流域中的各评价断面水质是否超标、主要污染因子和超标率。当Pi大于1时，说明该水质因子己超过标准，水质受到污染[9]。Pi指数越大，表示该水质指标对断面水质的污染程度越重，反之则越轻。

（1）时间

表3、表4和表5分别为2019年、2020年和2021年各监测断面水质年均值的单因子污染指数评价结果，可以看出近3年各断面评价结果几乎全部超过了规定等级，并且可以直接明了的看出主要污染因子为TN和TP。其中，在2019年各个断面的TN全部超标，超标最严重的是甘谷驿断面，高达500%，在2020年和2021年，TN超标的断面占比为88%。

表32019 年单因子污染指数

表42020 年单因子污染指数

表52021 年单因子污染指数

（2）地域

9个监测断面分别分布在延河流域延安段的上游、中游和下游，其中S1马鞍桥断面处在上游段，S2安塞区城区下游、S3上李家湾、S4石窑村、S5朱家沟、S6甘谷驿和S7延长杨家湾处于中游段，S8谭家河和S9阎家滩位于下游段。

从图3和图4反映的地域分布来看，中下游TN、TP污染要高于上游，从时间变化来看，2021年TN、TP含量要明显少于2020年和2019年。若去除TN和TP，则延河流域水质除个别因子外基本达标，可以看出单因子评价法过于苛刻，结果过于悲观。由于水环境的复杂性，水环境中往往存在着多种污染物，需要多种水质指标来反映水质状况，因此，单因子指数法具有一定的局限性。

图3

图4

3.1.2 水质综合污染指数

观测水质综合污染指数表（表6）可知，2019年只有下游两个断面没有受到污染，基本达标率仅为22%；2020年中游两个断面处于污染状态，基本达标率为77%；2021年下游两个断面基本达标，其余断面全部达标，基本达标率为100%。综合三年期间延河整体水质情况来看，2019年处于污染状态，2020年处于基本达标状态，2021年处于达标状态。通过水质综合污染指数可以发现，2020年和2021年水质达标率要显著高于2019年水质达标率，说明延河水质有明显好转趋向，同时表明延安市政府在新冠疫情大流行的环境下，既保证了化工企业正常运转，又很好的做到了流域污染防控。

表6 各断面近年来水质综合污染指数

3.2 水质预测

图5为DO实测值与BP神经网络预测值差值对比，图中期望值代表实测值，可以看出BP神经网络在对DO进行预测时，前几次误差相对较大，但经过多次调试和迭代后将均方差降到较低水平，到最后误差值趋于平稳，在0左右波动，DO的整体拟合值和实际值变化趋势一致。通过分析相对误差可知（表7），16个预测值最大误差值为35.6%，最小误差值为1%，平均误差为10.3%，去掉一个最大误差和最小误差后，平均误差为9.1%，预测结果在可接受范围内。

表7 相对误差分析表

图5 实测值与预测值对比

误差收敛曲线图中（图6）横坐标是迭代次数，纵坐标是误差精度，也就是训练集的实际值和预测值的均方差，由图可知，在刚开始运行的时候，均方差成直线式下降，速度非常快，随后速度减缓，直到在迭代500次左右后趋于平缓，在第1 000次迭代时取得最小误差精度0.005 468 9。

图6 误差收敛曲线

预测值Y和实测值T之间的线性关系用相关系数R表示，如图7。其中实测值经过归一化处理，均在[-1，1]区间。预测值与实测值之间的线性函数为Y=0.94T+0.022 9。若R趋近于1，则表示在输出和实测值之间有一个精确的线性关系；反之，若R趋近于0，那么说明输出值与实测值之间不存在明显的线性关系。本次试验得到的相关系数R=0.970 7，也就是说BP网络的训练性能较为理想。

图7 预测值和实测值相关系数

4 结论

（1）通过单因子污染指数方法得到延河水体中主要污染物为TN和TP，通过综合污染指数法评价得出2021年综合水质要好于前两年，延河水质总体有好转趋势。对比两种评价方法可知，应用不同的评价方法给出的评价结果也不同：单因子污染指数法评价得出延河历年各断面水质达标率很小，而用水质综合污染指数法评价达标率要明显高出很多，可以较为客观的评价出水体水质状况。同时，无论用哪种办法都可以看出，延河确实还存在一定污染，需要有关部门长期坚持不懈的治理，尤其要注重控氮和控磷。

（2）通过建立BP神经网络水质预测模型，利用延河流域其他污染因子，对DO进行预测。得出DO与其他因子的相关系数为0.970 7，具有较强的相关性，误差收敛速度较为理想，在1 000次迭代后达到最优值，将DO预测值与实测值相比较，发现变化趋势基本符合，最小误差为1%，去掉一个最大误差和最小误差后，平均误差为9.1%，预测结果在可接受范围之内，具有一定的可靠性，可以为日后将深度学习理论引入到延河水质预测管理领域提供理论支撑。□