强降水作用下府城遗址块段浅层地下水水质时空响应

许亚东,张 萌,王心义,2,3,李洁祥,2,3

(1.河南理工大学 资源环境学院,河南 焦作 454000;2.中原经济区煤层(页岩)气河南省协同创新中心,河南 焦作 454000;3.煤炭安全生产与清洁高效利用省部共建协同创新中心,河南 焦作 454000)

0 引言

降水是地面从大气中获得的水汽凝结物。受高度、温度、气流等其他因素的影响,降水有不同形态,如雨、雪、雹等,其中降雨是降水最常见的形态。降水是影响地下水位的主导因素,影响着地下水资源的动态变化特征,强降水的输入导致地下水产生变化[1-3]。地下水是理想的饮用水源,也是生活、工业和农业用水的重要供水水源。在我国,干旱、半干旱地区,地下水成为必不可少的供水水源[4-7]。近年来,地下水被大规模地开发利用,地下水资源污染普遍呈现加重的趋势,个别地区地下水水质与水量均发生了明显变化[8-10]。地下水可能受到自然因素(例如岩石基质)和人类活动(例如农业、住宅、市政、商业)的影响[11]。甚至由于各种工业废料、农业残留物的不合理、不规范排放渗入到地下水系统,导致区域水质严重恶化,成为地下水流动的压力源[12]。朱洪生等[13]建立模型,研究发现受强降水影响,地下水位埋深明显减小,地下水水质超标率减小。Hartmut等[14]根据德国东北部两个邻近的计量站的数据,利用时间序列法得出强降雨条件下地下水位呈现出快速上升后停止的趋势。张晨晨等[15]利用Kendall秩相关、交叉小波变换和小波相干方法,分析得出黄河三角洲地下水埋深时间序列与降水量时间序列呈负相关关系,空间差异性明显。Linyan等[16]在2016-2018年对中大西洋地区采集的地表水进行了研究,发现强降水事件后检测地表水中新兴污染物浓度不降反升。

研究区既是南水北调渠保护区也是故文化遗址开发区同时也是焦作市著名的大沙河景区上游补给带,开展浅层地下水水质变化特征及影响因素的研究对于环境生态保护和旅游环境质量提高均具有重要支持。本文收集的多年降水量资料及2019年自建雨量站实测的降水量数据,结合府城遗址2017年以来18个长观点逐月监测的地下水水位和水质信息,采用综合性的方法研究了日降水量高于和低于25 mm/day阈值时的浅层地下水水质变化及其响应,其成果对于当地地表水和地下水资源合理利用、生态环境科学保护、旅游景观可持续发展具有重要的意义[17-19]。

图1 研究区位置示意图

1 材料与方法

1.1 研究区概况

研究区中心坐标位于东经113°09′3″,北纬35°14′30″。它处于焦作市区西部,太行山南麓,西北与山西晋城市泽州县接壤,东北、东南与修武交界,东与解放区毗邻,西与博爱隔河相望,是焦作市区地表水和地下水的径流通道。南水北调渠(中线)自西南至东北流经本区,北部和南部分别有白马门河和大沙河穿过,西侧有焦桐(焦作-桐柏)高速通过,区内分布有国家重点文物保护单位-府城遗址,见图1。研究区属暖温带大陆性季风气候,四季分明,多年平均降雨量640 mm,降雨主要集中在6-8月,多年平均气温为14℃。孔隙水补给来源有大气降水入渗、农田灌溉水回渗和河流入渗等,流向基本上由西北向东南,水位标高在120～85 m,主要以蒸发和侧向径流、人工开采排泄为主。

1.2 数据来源

在小麦芽农业气象大数据[20]上收集了1982-2021年研究区的逐月降水资料,同时对比结合研究区雨量计测得结果。采样时间为2017年1月-2021年12月,地下水和地表水的采样工作同时进行,每月采集1次水样。研究区采样点共18个,其中地表水6个,地下水12个。根据《地下水质量标准》(GB/T 14848-2017)[21]要求并结合研究区实际及水质资料监测情况,研究中选取空间分布差异大、时间变化显著且数据易获得的F-、Cl-、SO42-、NO3-、Na+、TDS等6个指标因子作为参考指标。在分析研究区强降水的过程中,选取了分辨率0.5×0.5的县级精度再分析数据,仅考虑日降水量大于1 mm的样本进行研究。在2017-2021年间共得到167个研究区夏季降水样本,其分布如图2所示。在所有降水日中,大约三分之一的样本降水量低于10 mm/day,其中10%的样本降水量大于25 mm/day。因此,本文选取日降水量大于25 mm/day作为研究区强降水的阈值。

图2 研究区夏季日降水分布柱状图

1.3 BP神经网络模型

BP神经网络通过反向传播来不断调整网络的权值和阈值,使用最速下降法让网络的误差平方和最小,其学习过程由信号的正向传播与误差的反向传播两个过程组成(图3)。BP神经网络模型的设计包括输入层、隐含层和输出层,另外还有传输函数、训练方法、训练参数的设置等方面[22-28]。

图3 BP神经网络模型图

本文中的模型采用三层神经网络:输入层选取F-、Cl-、SO42-、NO3-、Na+、TDS等6个指标因子作为BP神经网络的输入,所以输入层节点数为6。

隐含层是反向传播神经网络最重要的特征,它允许处理更复杂的问题,并提高模型的学习能力。BP神经网络的网络参数设置主要来源经验,隐含层的层数设置根据经验公式(1)计算。

p=sqrt(m+n)+a

(1)

式中:p表示隐含层的层数;m表示输入层的层数;n表示输出层的层数;a为[0,10]之间的一个常数。

因此,隐含层层数的设置是一个不确定的值,根据研究区的水质指标计算,本文所构建的BP神经网络水质评价模型的隐含层层数的取值在[3,13]之间。相关研究表明增加隐含层层数可以提高网络输出精度,缩小误差,但对于已有的训练样本来说过于复杂化的网络结构会使训练结果出现“过拟合”的现象。通过不断的调整隐含层神经元个数进行训练,水质评价模型中网络学习率参数设置见表2。

网络的输出层即为网络模型的输出结果,根据《地下水质量标准》(GB/T 14848-2017),确定输出层节点个数为5,分级标准分别用Ⅰ类为(0.1)T,Ⅱ类为(0.3)T,Ⅲ类为(0.5)T,Ⅳ类为(0.7)T,Ⅴ类为(0.9)T表示。水质评价指标的期望输出值如表1。

表1 水质评价指标的期望输出值

1.3.1 参数设置

使用newff函数创建一个新的BP网络,命名为net默认传输函数为‘tansig’,训练函数为‘trainlm’。创建完成后,设置BP神经网络的参数见表2。

表2 BP神经网络的参数设置

1.3.2 模型训练与测试

基于BP神经网络模型进行水质评价本质上属于一种模糊识别系统,对实测数据处理无法明确的归到相对应的标准等级。因此,按照《地下水质量标准》(GB/T 14848-2017)中规定的评价等级,利用随机函数在各等级上下限之间取400个随机值,生成400×5组数据,将2 000组数据顺序打乱。按照75%和25%分为训练数据和测试数据,其中,1 500组和500组分别作为训练样本和测试样本。

由于不同指标之间的数据存在较大的量级差异,需要进行归一化处理,使得数据散布在[-1,1]之间。本模型归一化采用mapminmax函数,计算公式如下式(2)所示:

y=(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin

(2)

2 结果与分析

2.1 地下水位时空响应

为直观分析研究区地下水位时空分布及其变异特征,选取2017、2019、2021年为代表年份,埋深较大的G4和埋深较小的G10采样点为典型点进行绘图。其中,2021年8月、9月由于疫情的原因导致未取到样。绘制2017、2019、2021年G4和G10采样点浅层地下水位年内趋势,见图4。

图4 G4和G10采样点地下水位年动态变化曲线

由图4可知,G4与G10采样点变化趋势基本一致。年内地下水位变化曲线呈山谷状,大体上先下降再上升,水位下降时间较长,高水位保持时间较短。地下水位动态变化曲线反映出,不管水位埋深的大小,在强降水作用下,各采样点水位迅速提升,而后开始进入下降期,基本不存在滞后性。因为研究区位于山前冲洪积平原区,地势平坦,包气带岩性多为砾石、砂及粉质黏土等,渗透性好,大气降水容易下渗补给孔隙地下水。

绘制2017-2021年G4和G8采样点地下水位逐年变化情况,见图5。

图5 G4和G10采样点地下水位逐年变化曲线

由图5可知,采样点地下水位随着时间推移,先缓慢下降后显著上升。在降水量较大的2021年,水位波动明显,年内水位降幅差值最大。从年际看,大气降水呈现周期性波动,丰枯水期交替出现,地下水位也随之呈现周期性变化。特别在强降水作用下,地下水响应迅速。

2.2 地下水水质时空响应

2.2.1 典型离子变化特征

为研究典型离子浓度的年际年内变化特性,对研究区2017-2021年典型离子浓度进行了变化趋势图绘制,见图6。

(a)Cl- (b)SO42- (c)NO3- (d)F- (e)Na+ (f)TDS图6 2017-2021年典型离子含量变化曲线图

由图6(a)可知,随着时间的推移,Cl-含量始终在50～300 mg/L之间波动,最终呈现缓慢增加的趋势。发生强降水事件,Cl-含量达到最低值。由图(b)可以看出,SO42-含量变化趋势为震荡缓慢升高趋势。其中,丰水期SO42-含量普遍低于枯水期,最大值出现在12月份或1月份。由图(c)可知,各采样点NO3-含量波动幅度较大,整体呈现震荡上升趋势。在进入丰水期后,NO3-含量显著下降。随着降水量的减少,离子含量开始升高。由图(d)可得,各采样点F-含量大多没有超出Ⅲ类标准,整体呈现震荡缓慢增加趋势。丰水期降水量增加,F-含量开始降低。由图(e)和(f)可知,各采样点Na+含量呈现震荡变化,当降水量增加时,离子含量出现下降趋势。2017-2019年,各采样点TDS含量大多超出Ⅲ类标准,2020-2021年开始下降。

通过分析研究区典型离子含量变化特征,发现年内变化表现为浅层地下水中的离子浓度丰水期好于枯水期,降水过后,离子含量被稀释,浓度变低。强降水作用下,降水补给增加迅速,离子含量快速降低。当降水量减小,离子浓度出现缓慢升高趋势。年际变化总体上呈震荡变化趋势,不同离子的增减趋势不一致;由于研究区地层入渗补给能力强且地下水埋深浅,浅层地下水对大气降水响应灵敏。

2.2.2 强降水下的水质响应

1)方法应用

将1 500组训练样本和500组测试样本进行标准化后,对训练样本进行训练使得网络模型具有识别分类能力,当Validation Check达到20次时,表明训练误差无法降低,则结束训练,模型训练完成时,界面如图7。

隐含层节点数为7时的误差结果如下:平均绝对误差MAE为:0.010 716;均方误差MSE为:0.000 301 02;均方根误差RMSE为:0.017 35。

图7 BP神经网络训练性能分析图

由图7(a)可知,在训练到第361次后,神经网络的误差达到0.001 7,满足精度要求。图7(b)为训练阶段参数变化情况,由图可知,模型梯度在训练到361次时为0.000 8,trainlm算法的误差精度为e-7。由图7(c)可知,相关性分析R值分别为0.998 5、0.998 1、0.998 5和0.998 4,均在0.92以上,说明模型训练较好。同时,将输出结果四舍五入得到的结果与测试样本进行对比,误差在[-0.2,0.2]之间波动,说明BP神经网络预测结果符合期望结果,因此可以将训练好的BP神经网络应用于实测数据的水质评价中。

2)评价结果

2017-2021年,BP神经网络模型评价的浅层地下水水质结果中,Ⅱ类水占比4.86%,Ⅲ类水占比34.03%,Ⅳ类水占比29.86%,Ⅴ类水占比31.25%。在2017-2021年中分别选定丰水期和枯水期的典型月份,基于BP神经网络模型分别评价浅层地下水水质,其结果见表3。

表3 2017-2021年水质评价结果统计

由表3可以看出,2017年8月和12月浅层地下水质Ⅱ级以下个数分别为2个和1个、2018年9月和12月Ⅱ级以下个数分别为1个和0个、2020年7月和12月Ⅱ级以下个数分别为3个和2个、2021年7月和12月Ⅱ级以下个数分别为1个和0个。显然,丰水期优质水质(Ⅱ级以下)出现的频次高于枯水期。2019年8月和2020年1月Ⅱ级以下个数分别为1个和2个,虽然后者大于前者,但前者为Ⅰ级水质、后者全部为Ⅱ级水质,显示了强降水对浅层地下水质的有利影响。

图8 2017-2021年丰枯水期均值对比图

表4 2017-2021年水质等级赋值

如Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ级水质分别赋分1、2、3、4、5,不同时间水质积分及均值见表4,积分均值柱状对比见图8。

由表4和图8可以看出,2017年12月和8月浅层地下水等级积分均值分别为3.92和3.67、2018年12月和9月积分均值分别为3.75和3.50、2020年1月和2019年8月积分均值分别为3.92和3.75、2020年12月和7月积分均值分别为3.45和3.36、2021年12月和7月积分均值分别为4.73和3.82。同年度枯水期浅层地下水质评价等级均高于丰水期,亦即枯水期浅层地下水水质比丰水期差,降水量越大浅层地下水水质越好。

3 结语

本文以焦作市中站区朱村镇府城遗址为研究对象,以1982-2021年480个大气降水数据、地下水水位,水化学特征监测数据为基础,对强降水条件下的浅层地下水水质响应进行了分析。主要结论如下:

(1)在强降水作用下,各采样点地下水位迅速提升,而后开始进入下降期,基本不存在滞后性。年内地下水位变化曲线呈山谷形状,先下降再上升。水位下降时间较长,高水位保持时间较短。年际变化趋势为先缓慢下降后急剧上升。

(2)基于BP神经网络法的评价结果,浅层地下水等级主要为Ⅲ级、Ⅳ级和Ⅴ级,占比分别为34.03%、29.86%和31.25%。分析表明,评价结果与实际情况接近,具有较高的可信度和准确度。

(3)典型离子F-、Cl-、SO42-、NO3-、Na+、TDS年际变化总体上呈震荡变化趋势,不同离子的增减趋势不一致;由于研究区地层入渗补给能力强且地下水埋深浅,浅层地下水对大气降水响应灵敏,水质年内变化表现为丰水期远好于枯水期。

(4)2017年12月和8月浅层地下水等级积分均值分别为3.92和3.67、2018年12月和9月积分均值分别为3.75和3.50、2020年1月和2019年8月积分均值分别为3.92和3.75、2020年12月和7月积分均值分别为3.45和3.36、2021年12月和7月积分均值分别为4.73和3.82。同年度枯水期浅层地下水质评价等级均高于丰水期,亦即枯水期浅层地下水水质比丰水期差,降水量越大浅层地下水水质越好。