地表水质模型研究进展综述

韩瑞康

（上海市环境监测中心，上海 200235）

0 引言

在当前社会发展水平下，水环境污染防治的形势逐渐严峻，当水环境恶化到一定程度时，人类生产活动和健康安全会受到极大影响。研究地表水污染的现存问题，判断其发展趋势，对于政府开展水污染防治工作具有积极意义。

地表水预测模型是模拟污染物在各类水体中运输和转化过程的重要方法，涉及水文、气象、水生物多门学科的综合知识，同时对监测数据需求量较大，在水质预测和预警预报工作中起着重要的作用。本文主要根据水质模型理论基础的分类对各类主流水质模型研究进展进行整理总结，并展望未来的发展趋势。

1 水质模型

水质模型是目前水质模型中的主流模型类型，其中最早诞生的是S-P一维模型，该模型假设河流中同时发生有机污染物氧化耗氧和大气中氧气进入水体的复氧两个过程，使得水体中溶解氧达到平衡，为一维稳态模型，关注重点为水中的氧平衡，未涉及其他水质项目。到20世纪七八十年代，环境科学技术快速发展，传统的一维水质模型已经在实际应用方面有所欠缺，此时出现了多种模型研究，如多维仿真、形态仿真、多媒体仿真等。该阶段的代表性模型有QUAL-I、WASP等，主要关注N、P存在形态的相互转化及各形态与溶解氧、藻类、大肠杆菌等指标的相互作用。20世纪80年代至今的阶段，水质模型中包括了更多的复杂水质过程模拟，集成了水动力学、水生态、水质、泥沙等多个模块。该阶段产生的模型包括EFDC、MIKE、Delft等。比起早期的水质模型，目前的模型在沉积平衡原理的基础上考虑了水体中的化学、生态过程及目标污染物在水沙界面的交换量，描述了泥沙吸附作用的影响[1]。目前，使用广泛的水质模型包括QUAL2K模型和MIKE21模型。

1.1 QUAL2K模型

为了改进以往模型只涉及五日生化需氧量和溶解氧两个参数而不能实际反应水体总体质量的问题，美国环保署委托美国水资源工程公司和德州水资源开发部于1970年成功研发出QUAL系列模型。QUAL2K模型的基本结构为平流-扩散一维方程，该模型在机理上考虑了平流扩散、稀释、水质组分内部的相互作用及组分外部源和汇对组分中浓度的影响[2]。它可以模拟多种水质组分，包括化学需氧量、溶解氧、藻类、硝酸盐氮、叶绿素、大肠杆菌等。QUAL2K模型含有氮循环、碳循环、溶解氧和浮游植物四个完整过程[2]。

QUAL2K的水质方程为

式中：C为污染物浓度，mg/L；t为计算时间，s；x为纵向距离，m；Ax为距离x处断面面积，m2；DL为纵向弥散系数，m2/s；为平均流速，m/s；s为组分外污染物浓度，mg/L；V为计算单元体积，m3。

该模型主要存在的缺点为：（1）该模型对计算单元有一定限制，对河段、源头数量、单个河段的计算单元和全流域的计算单元总数都有严格的数量限制[3]，而且总河口只能设定为1个，只适用于中小型的河流；（2）该模型缺少灵敏度分析的功能，且官方未提供对应插件。

1.2 MIKE21模型

丹麦DHI开发的MIKE21是平面二维自由表面流模型，同系列的模型还有一维动态模型MIKE11和三维模型MIKE31。该模型具随着实际工程应用不断优化修改，具有用户界面友好、可进行多种控制性结构的设置、可定义多种类型水边界条件等优点[4]。

MIKE21模型的二维水动力模型理论依据为Reynolds值均布的Naiver-Stokes方程及三向不可压缩，同时遵从和静水压力假定和Boussinessq假定[5]。

MIKE21模型应用非常灵活，除了能够和同系列的模型进行调用以外，还可以和SWMM、SWAT等其他体系的水质模型进行耦合，针对特定水质问题的实际情况发挥不同模型的特点，提高预测预警的准确度[6]。

2 数理统计模型

水质进行综合分析评价的难点问题在：水质管理系统是由多个污染因子指标变量组成的复杂信息系统，每个因子都有一定代表性，但难以做出综合评价，而多元统计法的特点可以克服这一缺点。这些年来，主成分分析、数据聚类、回归分析等多元统计方法逐渐在水质评价领域发挥重要作用[7]。

多元统计法作为多变量处理的统计分析方法，适合用于解决水质评价这类综合分析问题。多元统计法中的主成分分析法无须人为给定指标权重，评价结果客观，是从统计学角度建立的评价模型，与普通分析方法有所不同，不会因为指标共线问题而导致问题被隐藏。

以多元分析法为基础的模型通过数据间的线性变换实现变量降维，可以对监测数据进行简化提炼和有效性可靠性的提高，与涉及水体中氮、磷、化学需氧量等多种污染因子的综合评价等问题有较强的相关性[8]。该模型需要注意的问题是水质监测指标的选取合适与否会对相关性程度产生影响，从而对评价结果造成干扰。

3 神经网络模型

人工神经网络模型有多层运算结构，可以用实际数据对其进行仿真训练，模拟人类思考过程，将信息数据化后分析计算，起到预测的作用。该模型具有强大的计算能力、自我纠错能力和数据分析能力，可用于多个领域，其中也包括了水质分析方面的应用，如BP神经网络。

BP神经网络模型神经网络的训练方法主要针对非线性函数问题，其过程为首先随机分配算法权值，之后把产生的输出值与实际值比对，将比较所得的误差反向传递，在隐藏层中对误差求偏导，通过分析斜率来纠正权值，从而最终得到最优权值，完成算法的训练[9]。该模型通过反向传播的方式，可以根据节点的误差及时纠正，在因子阈值和权值的训练过程中能够得到比较准确的结果。该模型存在的缺点是较易取到局部极值且模型训练时间较长，水质参数的低复杂性使得模型的训练速度较慢，仍有较大的提升空间。

4 总结与展望

（1）地表水质模型对于水质预报预警工作有重要意义，通过敏感性分析、不确定分析和水质实际数据比对等方法可以选取合适的水质模型，为地表水水质相关决策提供可靠的数据支撑。

（2）地表水质模型正在经历系统化和平台化的过程，由于水质模型涉及水文、水生物、水动力等多个领域，将各类数据作为模块构建统一平台从而完善数值模拟的准确性，成为流域控制和规划的依据，是目前水质模型的发展热点。

（3）地表水质模型在目前大数据时代的背景下，通过引入超算、云计算、人工智能等先进技术可以大幅度提升模型算法的效率和准确度，配合3S和遥感技术可以促进真正“天地一体化”的水环境监测体系的建立。