水质模型的分类及研究进展

王海涛，金星

（中国水产科学研究院黑龙江水产研究所，黑龙江 哈尔滨 150070）

海洋、河流、湖泊、水库等水体是维持生物生存的基础物质水的来源，也是地表热量传递的重要一环，担负着保持地表温度的重任，在地球生物的繁衍生息和进化中也扮演了十分重要的角色。随着人类文明的发展，尤其是工业革命以后，这些水体的水越来越多地作为工业的生产材料或降温等作用的辅助材料，生产和生活的废物也排放到这些水体中，使水质发生了变化，甚至污染[1-3]。

21世纪以来，工业用水需求的增加促进了水污染的修复和预警技术迅速发展。相对于修复技术，能预判水质变化，尽早做出应对措施的预警技术吸引了科学界的注意，水质变化预测和模型因此快速发展起来。Reder等[4]认为，水质模型能被用来分析污染物排放量和受纳水体水质的关系，预测水质的变化趋势，为水域管理部门提供技术支持。本文通过分析水质模型的种类，阐述水质模型的发展现状，预测水质模型的发展趋势，以期为水质模型研究提供参考。

1 水质模型的种类

自第一次发现水污染开始，人类就试图用简单的模型预测和模拟水质变化情况，所以水质模型发展历史悠久，种类也很多。按照不同的分类标准，把水质模型进行分类[5,6]。如按照变量的确定性来分类，可分为确定性模型、混合性模型、随机性模型；按照模拟空间性质来分，可分为零维模型、一维模型、二维模型、三维模型；按照评估水域来分，可分为河流模型、湖泊模型、海洋模型、河口模型；按照对水质变化的了解程度可分为，黑箱模型、白箱模型、灰箱模型；按照模型参数的性质来分可分为物理模型、化学模型等（表1）。

表1 水质模型分类Tab.1 Classification of Water Quality Models

2 水质模型的研究现状

水质模型是基于水质模拟和预测工作需要，根据能量和物质守恒定律开发出来，在多年的实际工作中得到了发展和丰富[5]。目前国际上使用较广泛的模型有神经网络模型、MIKE系列模型、WASP模型系统和QUAL系列模型等[6-8]。

2.1 神经网络模型

20世纪80年代以来，随着人工智能科技的发展，将人脑的神经元网络进行抽象和模拟，建立了一种简单实用的运算模型，并应用于包括水质预测和模拟的很多科研领域。这种模型即人工神经网络模型，也称神经网络模型（Artificial Neural Network，ANN）。ANN模型建立和广泛使用后，逐渐修正和发展出了很多智能实用的模型。目前应用较广的是以多层感知器为基础的误差反向传播前馈模型，也称为BP（Back Propagation，BP）神经网络模型。神经网络模型的优点是能并行处理多个参数系统，可以拟合为非线性模式，有较强的自学习、自适应能力和较好的容错性，神经网络模型在模拟和预测中的应用空间很大[4,9,10]。

Alizadeh等[11]应用人工神经网络（ANN）和小波神经网络（WNN）建立了可以预测各种海洋水质参数的模型，模拟了希洛湾（Hilo Bay）、太平洋（Pacific Ocean）的水质变化趋势，并利用不同组合的水质参数作为输入变量来预测水质盐度、温度的日变化和小时变化。结果表明，小波神经网络模型优于其他人工神经网络模型，小时变化模型优于日变化模型，显示这种模型可以用来预测海洋水质变化。Ahmed等[2]开发了前馈神经网络（FFNN）模型和径向基函数神经网络（RBFNN）模型，用来预测孟加拉湾的苏马尔河（Surma River）水质溶解氧、生化需氧量（BOD）、化学需氧量（COD）的变化。利用多年积累的实验数据，基于溶解氧相关系数的输入组合，使用相关系数（R）、均方误差（MSE）和效率系数（E）评价了神经网络模型的性能，结果发现，神经网络模型成功地预测了苏尔马河溶解氧、BOD和COD的变化[12]。

2.2 MIKE系列模型

MIKE系列水利模型由丹麦水力研究所（Danish Hydraulic Institute,DHI）开发，在单纯预测水质模型的基础上，综合了水动力参数，使该模型的外延更加扩大，应用范围更加广泛。最早的MIKE1系列模型是一维动态模型，不仅用于模拟河网模型，还能模拟滩涂、河口等地形和水文比较复杂地区的水质，参数也涵盖了水温、溶解氧、总氮、总磷、生化需氧量、浮游动物、浮游植物、悬浮物等。经过多年的发展，MIKE水质模型已经发展成为三维模型MIKE3系列，研究的水质变化过程也很广泛，应用于世界上很多的国家和地区[4,13]。

Tang等[12]利用MIKE系列模型模拟和预测了南水北调工程运河水质的变化。他们认为，保证长距离输水系统中的水的转移中的安全是一个挑战。首先把桥梁穿越点确定为潜在污染源和位置，综合考虑了车流、路况、人类的反应等因素，用MIKE11一维水动力和水质模型模拟了流体和污染物转移过程，为制定应急对策和措施提供了依据。熊鸿斌等[13]以典型的污染物质化学需氧量和氨氮为考察指标，结合水质需求，应用MIKE11模型模拟了涡河水质和水动力指标的时空演变规律，利用情景分析方法评估，量化和考察了不同措施处理污染源的能力，结果显示，截污是改善涡河"引江济淮"工程河段水质的关键，利用这种手段能够有效降低化学需氧量和氨氮对于河水的污染。闵志华等利用MIKE系列模型分别模拟了桥梁建设工程对长江和钱塘江相应河段水质的影响，预测了相应的污染物变化趋势[14]。

2.3 WASP系列模型

WASP水质模型（The Water Quality Analysis Simulation Program）由美国国家环境保护局（United States Environmental Protection Agency,USEPA）于1983年发布的，这个模型综合考虑了自然因素和人为因素引起的水质变化，利用数学、水文学、流体力学、水化学等学科的知识和规律，模拟河流、湖泊和池塘等水体的水质变化，预测因子涵盖了溶解氧、COD等水质参数以及各种有机污染物及无机金属元素等污染物的变化规律，该模型也因此被称为万能水质模型[4,16]。这种模型灵活高效，具有高效处理模块，能模拟富营养化趋势及有机污染物的变化趋势，计算结果与实测结果可方便地直接进行曲线比较，能与其它模型很好地耦合使模拟效果更加科学，趋于完善。

Wang等[16]用WASP水质模型模拟计算了一条连接太湖和长江的河流对化学需氧量（COD）和氨氮（NH3-N）的纳污能力，制定了控制污染物的总量（TMCP）。通过计算Gini系数验证基于水环境容量分布的污染物允许排放负荷及地理分布，分析了社会和环境效益。根据结果，重新分配了各个城镇污染物的允许排放量，流域内各乡镇的排放量有所减少。结果发现，庆阳镇COD只减排了11.2%，澄江镇减排了33.6%。相比之下，月城镇、南闸镇、庆阳镇和澄江镇的NH3-N削减量分别为52.9%、40%、61.4%和54.5%，而运河流域总量减少达53.5%。针对这一情况，建立了重新分配河流污染物允许排放负荷的TMCP框架。它不仅结合水质污染物的总量控制，也考虑了污染物允许排放负荷分配的公平与效率。张质明等[17]利用WASP模型预测了北运河通州段水质硝态氮、生化需氧量、溶解氧和氨氮变化，结合CMIP5的RCP8.5与RCP4.5两种气候变化情况，定量考察了大气温度变化对流经城市的河流自净能力的影响，取得了令人满意的结果。一些学者利用WASP模型模拟和预测了河流水质COD和氨氮等水质指标，取得了满意的预测结果，说明WASP模型适用于预测城市河流水质变化趋势[18,19]。

2.4 QUAL系列模型

QUAL系列模型是美国环保局（EPA）开发的一维综合河流水质模型，适用于普遍分布的树状和网状河流。在模型中每个支流都被看做一个点源污染，这个模型的优点是可以模拟河流沿岸有多个复杂的排污口和其他复杂污染源。模型为用户提供了15种可选水质参数，涵盖了溶解氧、BOD、氨氮等常用参数，用户在使用时可根据自身需要，把这15种参数自由组合进行模拟预测[4,20]。

Kannel等[20]利用一维河流水质模型QUAL2Kw模拟预测了Kathmandu Valley和Bagmati River的7种主要污染物。这条河的支流排入的废水中营养盐和有机物过量，使河流的溶解氧含量过低。预测结果令人满意。灵敏度分析显示，该模型对流速稳定的深水区水质总氮等指标预测准确灵敏，预测最大CBOD为8.5mg/L，这在发展中国家十分普遍，难以达到欧洲发达国家要求的3mg/L。模拟结果显示，局部氧化和增加流量是有效增加河流溶解氧含量的措施。曹碧波等[21]利用QUAL2Kw水质模型预测和模拟了潘家口水库撤销养鱼网箱之后的水质参数。在模型中，把网箱养鱼的污染看作是一个整体的面源污染，对比了网箱撤销前后的水质模拟情况。结果显示，该模型适用于水库网箱养鱼污染模拟，撤销网箱对水质污染减量的贡献不大，减少排污口污染物的纳入才是解决该水库污染问题的有效方法。

3 水质模型研究的发展趋势

随着全球气候变化以及工业、经济和社会发展，水质污染逐渐变得更具复杂性、突发性和扩大性，对水质变化趋势模拟的需求也日益增加。目前国际上水质模型的主要发展方向可概括为两个方面：（1）建立集成现代科技的新水质模型；（2）完善传统水质模型的评估能力。

3.1 建立集成现代科技的新水质模型

经济和工业的全球化使得水质污染的影响范围越来越大，气候变化的周期性也给水质预测和模拟提出了新的要求。随着地理信息技术和卫星成像技术的发展，现代科技给传统水质预测模型增加了活力，地理信息系统使得模型的模拟结果定位更加准确、客观，卫星影像系统有助于水质模拟结果更可视和直观。

Pontes等[7]建立了地理信息技术结合大范围水质变化模型MGB-IPH的新评估方法。利用该方法模拟和预测了面积为380 000 km2的阿拉瓜耶河（Araguaia river）流域河网水质变化，预测结果和单独使用MGB-IPH模型的模拟结果进行了对比分析。结果显示结合了地理信息技术的模型预测结果更加准确和直观。Lin等[22]和Mir等[23]建立了不同水质模型和地理信息系统集成技术，对环境水质进行了预测模拟，解决了传统水质模型的一些问题，使预测结果更加准确。周荣攀等[24]利用卫星遥感技术补充和发展了水质模拟技术，对博斯腾湖pH、悬浮物等水质参数进行了模拟和反演，构建了归一化数据、单波段数据和波段组合数据三种数据形式的模型。

3.2 完善传统水质模型的评估能力

传统水质模型的评估能力已经不能适应时代的需求，要修正传统模型使之适合目前的需求，而完善模型的细节非常重要。Cho等[25]把影响系数和遗传算法（POMIG）引入到QUAL2K的自动标定模型中，用影响系数法优化了非常规状态下的参数，POMIG法使模型更简单而容易理解，适用于解决复杂的数学问题，可以快速、有效地找到全局最优解决方法。利用初始QUAL2K模型和经过遗传算法校正过的模型预测了江陵南大川河（Namdaecheon River）水质和水动力参数预测结果，溶解氧和叶绿素等指标的预测结果显示，经校正的模型的预测结果好于未经校正的模型，修正后的模型更加准确有效。龚清莲等[26]深入研究和评价了QUAL2K水质模型结构和输入数据等的不确定性，为规避利用该模型进行水质变化模拟工作中的不确定性提供了参考，减少了模拟结果的不确定性，使模拟结果更加准确可靠，并为水资源的科学管理和决策提供了基础。