水环境监测与评价系统设计及应用

杨 晔 ，林彦君 ，陈丹丹 ，李书明

（1．国电南京自动化股份有限公司，江苏 南京 210061； 2．厦门水务原水投资运营有限公司，福建 厦门 361000）

0 引言

现阶段，水环境污染使水资源更加短缺，而水质监测和评价对水环境改善具有积极意义[1]。随着传感器和计算机技术的快速发展，水环境监测与评价系统已由传统的人工监测向自动化监测方向发展，使得水质监测信息的实时性更高[2]。不确定性、非线性理论方法的出现和应用，为水质评价新模式的产生提供了理论依据和技术支持[3]。

然而对于大多数的监测系统，仍存在以下问题：1）监测站点单一，不利于水质信息共享；2）未对水质数据进行深入分析；3）水质评价算法评价结果不稳定；4）只能实现对污染后水体的监测及报警，对水环境质量的预测及趋势分析功能还有待进一步挖掘。

长泰枋洋水利枢纽工程是厦漳两市共同依托九龙江流域，实现跨区域、跨流域水资源配置的重要工程，是水利部全国 172 个重大节水供水水利项目之一。工程位于长泰县枋洋镇，由上存水库、尚吉电站、溪口闸坝及溪口—许庄引水隧洞组成。

本研究结合枋洋水利枢纽，设计一套水环境监测与评价系统。为了增强水质在信息共享、存储和分析等方面的能力，系统运用对比分析方法分析水质信息。将新兴的机器学习支持向量机[4-5]运用到水质评价中，使评价结果更稳定、可靠。利用灰色理论模型[6-7]预测水质，以便能尽早发现水质的异常变化，为防止下游水质污染迅速做出预警预报，及时追踪污染源。

1 系统架构

水环境监测与评价系统主要由以下 4 层构成：

1）基础设施层。由采水、配水、预处理等单元及水质在线分析仪组成，采水、配水和预处理单元将水样采集，处理后供水质在线分析仪使用。其中水质在线分析仪由五参数水质分析仪（水温、pH、溶解氧、浊度、电导率），以及氨氮、高锰酸盐、总磷、总氮等在线分析仪组成。

2）数据层。水质数据主要包括水质监测、监测仪器工作状态、报警等数据，由基础设施层的水质仪表获取，经 RS-232/485 接口由工控机进行统一数据采集和处理，通过数据库访问接口传给水环境监测与评价系统。经专业模型计算后，再经过数据查询、业务报表等调用，通过专业展示模块展示。

3）业务逻辑层。包括相关业务模型。

4）应用服务层。包括相关业务服务，其中视频监控可实现对监视监测仪器的工作状态、人员进出情况、取水口和水面情况监控，保障水样的代表性。

系统架构如图1 所示。

图1 系统架构

2 系统实现

2.1 水质监测

水环境监测系统采取 B/S[8]模式进行架构，对各监测站点水质进行实时监测并利用 MySQL 数据库管理系统管理数据，通过专用的通信系统，将经审核及处理后的数据通过 Web 方式发布到 Intranet 或者 Internet 上，枋洋水利枢纽调度中心及其他相关部门可通过浏览器查询实时或历史水质监测数据。

水质监测页面通过百度地图将监测站点展现在电子地图上，展示内容包括监测站点的分布、水质情况等信息。对比水质目标及类别，判断当前水质是否处于达标状态。达标水质显示为绿色，标记为正常，未达标水质显示为红色。根据监测站点、水质参数、采集时间等信息，实现不同监测站点水质参数的新增、查询、修改、删除功能。对比分析功能有助于用户通过图表及报告更直观地掌握不同时间段的水质参数信息，有助于发现同一时段不同参数因子间的相关性及内在联系规律，对水质评价及参数的预测预报起到积极作用。

2.2 水质评价

水质评价是利用一定的评价方法和标准，根据水环境各要素指标实测资料对水环境进行定量综合评价，以便有效掌握水环境状况，为水环境保护提供科学合理的决策依据和参考。

水质参数的样本是非线性、多维的有限样本，统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，在统计学习理论基础上发展出了一种新的模式识别方法——支持向量机（SVM）。支持向量机模型具有良好的推广和泛化能力，以及在处理分类和小样本问题的优势。关于核函数的选取，径向基核函数（RBF）与其他核函数相比数值限制条件较少，可以将样本映射到一个更高维的空间，可以处理非线性的样本且具有较高的分类效率及较强的适应性。

本系统采用支持向量机的评价模型对水质进行评价，水环境因子参照 GB 3838—2002《地表水环境质量标准》基本项目标准限值。水质评价流程如下：1）选取监测站点水质样本数据若干组，对数据进行归一化处理，将处理后的大部分数据作为训练样本，剩余数据作为测试样本；2）将水质指标参数 pH 值、溶解氧、高锰酸盐指数、氨氮等作为输入变量，水质评价结果作为输出变量。选用径向基核函数，训练学习样本，确定模型参数，建立水质评价模型；3）将测试样本代入模型测试，输出评价结果。系统采用曲线图形式对水质评价类别进行表达，并在同一张图中分别展示按照国家和企业标准评定的水质评价结果，有助于用户进行对比分析。

2.3 水质预测

水质预测是利用水质历史信息推断未来一段时间内水体相关参数的变化，并将预测结果展现在系统中，为水质分析和预警提供数据支持。

由于水体中污染物种类、数量及其扩散和弥散的复杂性，以及水体对其稀释和自净作用等的影响，存在大量的不确定因素，即灰色信息。对灰色信息进行预测则主要采用灰色系统理论，灰色系统理论使用累加生成概念作为灰色量“白化”的工具，用以构造趋势模型。灰色系统建模思想是直接将时间序列转化为微分方程，从而建立抽象系统发展变化的动态模型。其中，关于数列预测的一个变量、一阶微分的灰色模型 GM（1，1）就是取得显著成效的灰色动态模型，是一种研究非确定灰问题的新建模方法，在水环境预测中得到广泛应用。

本系统采用灰色模型 GM（1，1）对水质进行预测管理，基本思路是以灰色生成函数概念为基础，以微分拟合为核心，把原来无明显规律的非负时间序列，经过按时间累加后生成新的时间序列呈现的规律，用一阶线性微分方程的解逼近，从而建立抽象系统的发展变化的动态模型，以弱化原始序列的随机影响。用最小二乘法进行参数估计，再进行还原处理，得到原始序列的预测值，最后对求解的预测模型采用残差检验进行精度检验。

基于 GM（1，1）的水质预测模型建模过程如下：

1）假设连续时间段内获得水质参数的原始非负序列X（0），经过累加生成得到有规律的时间序列X（1），再经过均值生成得到模型的背景值序列Z（1）。序列表达式分别为

式中：x（0）（k）≥ 0，k= 1，2，…，n。

2）将生成的背景值序列结合灰色差分方程构造模型的基本形式，表达式为

式中：a为模型的发展系数；b为灰色作用量。

3）结合最小二乘法思想求解模型参数向量，计算公式为

4）将所求参数a，b代入白化微分方程求解并经累减还原计算后得到原始水质参数数据序列的预测值。白化微分方程及其解的表达式及未来k个时间段的水质参数预测值的计算公式分别为

5）对水质预测模型进行残差校验，计算相对误差ε（i）、平均相对误差ε，得出模型预测精度p，评价预测效果。相关计算公式为

若p大于 90%，则符合预测精度标准。

3 系统在枋洋中的应用介绍

3.1 水质监测

长泰枋洋水利枢纽工程总共布设 2 个点，溪口闸坝闸前、上存大坝坝前设计布设户外预集成式枋洋水质自动监测站。

点击页面左侧监测站点图标，弹出信息框，显示相应水质类别及参数实时值。对于未达标水质，显示为红色，如图2 所示。页面右侧展示最近 1 d 变化曲线，通过点击折线图下方的参数名进行筛选所要查看的参数曲线，如图3 所示。

图2 上存水库水质类别 GIS 图展示

图3 上存水库水质参数 1 d 变化曲线

通过下拉菜单选择监测站点名称、水质参数名称，点击“按周比较”“按月比较”按钮分别对过去4 周及过去 12 月的水质参数的最大值、最小值、平均值进行比较分析，以柱状图形式展示。

3.2 水质评价

采用基于 SVM 的水质评价模型分析 2021 年 2 月 1—5 日枋洋水利枢纽监测站点上存水库、溪口闸坝水质评价类别。以溪口闸坝为例，通过国家和企业评价标准所得综合水质评价类别如图4 所示，各监测因子水质类别如图5 所示。

图4 溪口闸坝综合水质评价类别

图5 溪口闸坝单因子水质评价类别

3.3 水质预测

采用基于灰色理论的水质预测模型对长泰枋洋水利枢纽各水质参数的含量进行预测，预测值以折线图的方式进行展示，选择监测站点及水质参数，点击按钮可以动态查看。

以 pH 对预测模型进行残差检验，结果如表1 所示，平均相对误差小于 1%，获得较高的预测精度。

表1 水质预测模型残差检验表

4 结语

水环境监测与评价系统为水质信息存储、处理、预警、分析及服务提供了综合展示平台，对于不同监测站点，在水质分析、评价及预测方面均取得较好效果。采用支持向量机算法进行水质评价，有效避免了局部极值问题，对于多维有限样本，应用此算法建模更为简单有效。针对水质参数多样性、水质预测困难的特点，采用基于灰色系统理论所建模型对水质进行预测，可靠性高，不需要大量样本数据，相比机理预测模型结构较为简单，适应性强。

当原始数据出现较大波动，则会对预测精度产生影响。因此，对水环境质量的预测及趋势分析功能还有待进一步挖掘。随着水质监测分析工作的不断深入，水质评价及预测模型的发展会更加符合水环境的特征，建议今后将支持向量机算法与其他算法融合，建立新型水质评价模型，并以灰色系统理论思想为基础，多学科交叉、渗透，建立新型灰色预测模型，计算结果会更加精准可靠，为实现水环境预测预警提供技术支持。