水污染论文阅读笔记

水污染论文阅读笔记

一.综述

1.水质评价

水质评价，即水环境质量评价。

水环境包括河流水环境、海洋水环境、湖泊水环境等。

1.1 评价步骤

1.首先确定需要评价的范围；

2.根据所评价的范围，选择合适的评价参数；

3.根据所选的参数，具体问题具体分析，选择最为合适的评价方法，

4最后对所评价区域的水质现状展开模拟计算。

1.2 水质指数

水质指数是综合几个水质参数的检验结果，来综合描述水质质量的一个无量纲数值。

1.3 水质评价基本方法

水质评价的首要工作是水质指标的选择。

在实际工作中，人们往往结合多种方法去评价，通过进行比较分析，使得评价结果更加科学合理。

1.3.1 主成分分析法

此法是一种多元统计方法，主要是从众多的污染因子中筛选出主要i的污染因子，又称主量分析法。

能够在一定程度上减少指标数量，且筛选出的指标两两不相关。

1.3.2 聚类分析法

又称群分析，是利用数理统计对数据进行分类的一种方法，将相关性或数据特征相近的水质指标利用聚类分析的方法归为一类。

常用于水环境时空特征分布中，分析流域水环境的时空分布特征。

在很多研究中将水质评价和聚类分析一起分析，应用聚类法将参与评价的流域或断面在空间尺度上进行归类，然后讨论。

1.3.3 污染指数评价法

基于单因子评价法，将单项因子与水功能分区的水质标准进行比较，得出单项污染指数，并通过一定的计算方法计算各项污染指标的相对污染指数。

此方法能够直观的判断出中和水质是否符合功能区目标。

但在计算时使用的数学方法不同，得出的污染指数也就不同，因此该法不能准确的判断出综合数值级别，以及进行不同水体的对比。

1.3.4 模糊评价法

通过样本数据，建立所选的水质指标对各类水质标准的等级的隶属函数关系，即通过数字手段处理模糊的评价对象，最后根据隶属度最大的原则判断水体的水质类别。

由于计算较为复杂，且对指标权重矢量的确定主观性较强，信息损失多。有可能评价失败，对于劣Ⅴ类水质评价较为保守。

1.3.5 灰色关联法

基于灰色系统来确定两个水环境因子之间关联度的方法。

此法充分考虑了水质分级节限的不确定性，使水质评价结果更加准确。

当有太多指标需要评估时，指标权重的归一化和标准化可能会影响指标分得的权重，从而忽略了这些指标在评价中的作用。

1.3.6 层次分析法

将待评测水体的评价指标按照一定的方法分解为几个层次，按照指标之间的关系进行分组，确定每个层次之间的隶属关系，并通过对指标的两两对比确定层次中各因素的相对重要性顺序。

此方法是一种将定性和定量分析相结合的评价方法，具有较强的逻辑性和系统性。

没有考虑层次权值之间的关联性，导致分辨率降低，对劣Ⅴ类的水质评价偏保守。

1.3.7 人工神经网络法

BP（back propagation）网络是人工神经网络评价法中应用较广泛，也是最具代表性的一种模型。

计算简单，运算速度快，受外界影响小，且与真实结果相符度较高，评价结果可信度高。

收敛速度慢，网络对初始值较为敏感，因此容易陷入局部极小值。

2 水质预测

水质预测是对水质评价工作的延申，水质预测模型是通过对现有的监测资料对未来的一段时间内的水质状况进行科学的推测和判断。

2.1 水质预测基本方法

2.1.1 机理性方法

2.1.1.1 QUAL模型预测法

即可研究点源污染，又可以研究非点源问题。

2.1.1.2 MIKE模型预测法

MIKE11是一维动态水质模型，应用于各类水体水质、泥沙等分析的综合模拟软件。

MIKE21是二维仿真模拟。

MIKE3是三维模型。

2.1.1.3 WASP模型预测法

WASP模型是应用最广泛的模型之一。

不具有模拟水利工程运行的功能，没有考虑浮游动物的影响。

2…1.1.4 QUASAR模型预测法

一维动态水质模型，适用于模拟混合良好的支状河流。

2.1.2 非机理性方法

2.1.2.1 灰色模型预测法

由于各种因素的影响，无法获得待预测水体水质信息的准确性和完整性，灰色预测的引入为预测信息不完整的水质情况提供了一定的理论依据。

其中GM（1，1）模型在水质预测中得到了较为广泛的应用。

2.1.2.2 人工神经网络模型预测法

人工神经网络的每个神经元都具有独立运算和处理的能力，作为一个高度的非线性动力系统，对于同一种网络结构，既能够处理线性问题，也能够处理非线性问题。

3.水质参数

监测越多的水质参数，会造成高昂的经济成本；参数太少，可能会导致污染事件的误判和漏检。

国际上建议监测游离氯、氧化还原电位（ORP）、硝酸盐浓度、温度、pH、电导率（EC）、溶解氧（DO）、浊度。

在数据的采集和传输过程中，即使没有污染事件发生，水的ph值、温度、氯含量等参数仍可能会在很大范围内变化。变化的原因有：

1.白天和夜晚的需水量变化；

2.所谓的基线变化，例如使用另外的供水水库。

3.1水质异常检测技术

机理模型：研究污染物在水体中发生的迁移、转化、沉淀、吸附等复杂的物理变化过程中，运用大量的实验数据构建水质模型，从历史经验中推演未来污染事件的发生情况。

算法模型：利用算法从海量数据中找出潜在的，与历史经验不符的异常检测方法。

3.1.1 机理模型

依托于污染物的理化性质以及水体动力学的研究基础，建立模型。

存在的问题：模型复杂度过高、模型参数率定依赖经验假设导致计算结果的随机性较高，且准确性和适用性难以保证。

3.1.1.1 管网综合水质模型

是对发生在供水管网中的污染物扩散过程进行模拟。

3.1.1.2 河流综合水质模型

是在物质质量守恒与能量守恒原理的基础上，通过结合流体力学的相关理论，构建出描述河道水体中污染物质随空间与时间迁移的模型。然后依据模型对污染物进入河流水体后的一系列物理、化学及生物过程进行推演，并对水质异常做出判断。

QIAL模型用于河流推演，对于河流河道形状以及污染排放模式有了更好的适应性；

SWMM模型用于模拟城市单一降雨事件，可以跟踪模拟不同时间步长，任意时刻，每个子流域所产生径流的水质和水量，以及每个管道和河道中水的流量、水深以及水质等情况；

3.1.2 算法模型

3.1.2.1 统计分析

统计分析型算法是假设正常的检测数据以一定的概率分布服从某种随机模型，再基于历史数据进行模型训练，用于预测某个或多个时间点的状态，然后一句预测残差是否超出阈值来判断水质。对于平稳序列有着较好的检测效果。

时间序列递增算法（Time Series Increment，TSI）

用前一时刻标准化后的测量值代替当前时间点的预测值，与当前时刻标准化的测量值进行比较，得出预测残差。

自回归模型（Auto Regressive，AR）

利用过去多个时刻观测值的线性组合来对当前时刻进行预测。但模型阶数的确立对AR模型影响较大。

以上两种模型相比较而言，AR模型结合了更多最近时间点的信息，能更好的跟踪水质背景波动，得到的预测残差大部分都处于一个较小的水平；而TSL算法只考虑最近一个时间点的信息，无法获得信号的历史特性，很多时候不具备预测能力。

3.1.2.2 机器学习

利用训练样本归纳得到的一般普适学习机对新样本进行异常判别。增强了对水质波动情况的分析和识别能力。

依据训练样本是否带有先验分类标签为分为有监督学习和无监督学习。

有监督学习包括贝叶斯网络（Batesian Network，BN）、决策树（Decision Tree，DT）、K阶最近邻（K-Nearest Neighbor，KNN）、人工神经网络（Artificial Neural Networks，ANN）、支持向量机（Support Vector Machine，SVM）、多元方法等。

SVM算法的检测误报率最低，但模型参数的确定比较困难；BN、KNN、ANN等算法训练相对简单，但误报率较高。

无监督学习的典型方法为聚类算法，有K-means、模糊聚类、非参数聚类、系统聚类等。

聚类算法不需要水质异常的先验知识，可以直接根据水质指标之间的相似性或距离对观测数据进行聚类。

聚类算法主要以两种方式进行水质异常检测：

1.通过模型训练将历史数据模式归类，通过比较当前测量值与各个类别的相似度来判断当前水质的状态。

2.预测残差归类，得到N个预测残差类别，判断当前水质是否正常。

3.1.2.3 模态分析

以上方法大队是对于水质指标幅值上的变化展开较为深入的挖掘，也可以使用固有模态函数（Intrinsic-ModeFunction，IMF）中的经验模态分解（Empirical Mode Decomposition，EMD）和希尔伯特黄变换（Hilbert-Huang Transform，HHT）