黄河包头段水质状况短期预测

黄河包头段水质状况短期预测
龙胤慧;郭中小;魏永富;廖梓龙
【摘要】10.3724/SP.J.1201.2012.05056% 包头市是中国重要的重工业基地,也是严重缺水城市,流经包头市南缘的黄河成为包头市可利用的重要地表水源,因此
准确地预测黄河包头段地表水污染物浓度及其趋势变化具有重要的理论和现实意义。

采用灰色残差辨识法对黄河包头段地表水体建立DO、TB、IMn和NH3-N四项
污染指标的水质预测模型,预测结果表明,DO、TB和NH3-N三项污染指标预测结
果与实测结果基本吻合,而IMn指标波动性较大,可能是由于不合理放牧及化肥过量使用导致实测值无规律变化造成的,但总的预测变化趋势符合实际情况。

【期刊名称】《南水北调与水利科技》
【年(卷),期】2012(000)005
【总页数】4页(P56-58,107)
【关键词】水质短期预测;灰色残差辨识法;水质模型
【作者】龙胤慧;郭中小;魏永富;廖梓龙
【作者单位】河北工程大学水电学院,河北邯郸056021; 水利部牧区水利科学研
究所,呼和浩特010020;水利部牧区水利科学研究所,呼和浩特010020;水利部牧区
水利科学研究所,呼和浩特010020;水利部牧区水利科学研究所,呼和浩特010020; 中国水利水电科学研究院研究生部,北京100038
【正文语种】中文
【中图分类】X703.1;X824
包头市是内蒙古自治区最大的综合性工业城市，也是我国重要的钢铁及稀土生产基地之一。

黄河流经包头市南缘，长约220km，多年平均径流量259.56×108 m3，成为了包头市可利用的重要地表客水资源。

近年来，随着城市化进程的加快和经济的快速发展，工农业生产和生活需水量日益增加，水资源短缺对城市经济社会发展的瓶颈作用日益凸显，加之人类社会经济活动的非理性发展，天然水体正在不断遭到污染，使得包头市水环境问题尤为突出。

生产及生活废水中存在多种不同组分、不同浓度的污染物，它们浓度的高低直接影响水环境质量的好坏［1－3］，因此准确地预测黄河包头段地表水污染物浓度及
其趋势变化对包头市水资源的可持续开发利用、节水型社会的建设具有重要的理论和现实意义。

近年来，多种新型水质预测方法得到了广泛应用，如灰色系统［4－5］、人工神经网络［6－8］、多元回归分析［9－10］、支持向量机［11－13］、概率组合法［14－15］等。

灰色系统理论在水质预测中已有很多成熟的应用及研究，其原理简单，预测结果合理［16－17］，因此，本文采用灰色残差辨识法对
黄河包头段水体建立水质预测模型，预测水污染物浓度及其短期变化趋势。

1 预测模型
给定数列｛（i）｝，i，k＝1，2，…n，构造GM（1，3）模型［16］，即：
令δ1为待识别参数列，δ1＝［δ11δ12…，则参数列δ1与数据矩阵Mn－1（B），YN间有下列关系：
用最小二乘法求解：
按最小二乘法解的残差概念，定义n－1级残差为：
令＝Mn－2（B）δ2，
故中残差信息可按下式寻找：
类似有：
综上，则：
2 模型计算
2.1 采样与监测
为了能够及时全面的掌握主要流域重点断面水体的水质状况，预警或预报重大（流域性）水质污染事故，需要对水质进行实时连续监测和远程监控。

为此，从1999年9月至2011年12月，环境保护部在黄河包头段建设了画匠营子水质自动监测站。

监测项目为五参数（水温、pH、DO、TB及EC）、高锰酸盐指数（IMn）、氨氮（NH3－N）和有机碳总量（TOC）八项指标。

根据包头市环境监测站历年
水质监测统计资料显示，画匠营子监测站断面全年水质基本达到Ⅲ类水质，而在冰封期结束后的几个月内，水质为Ⅳ类水质，入境画匠营子断面的主要污染物为氨氮，其中2011年4月水体中氨氮浓度比去年同期升高49.3%。

2.2 实测数据及预测指标
本次预测所需的采样数据来源于包头市环境监测站的《全国主要流域重点断面水质周报—画匠营子站》，由于4月－5月黄河包头段冰封期刚结束，水体自净能力
较差，而这一时段又是春夏生产活动频繁、需水量迅速增加的时期，因此，选取2011年4月4日－5月7日作为监测时间，以4月4日－5月1日的实测数据作
为原始数据（见图1），5月2日－5月7日的实测数据作为检验数据。

根据包头市环境监测站历年水质监测统计资料，画匠营子站主要超标指标为DO、TB、IMn和NH3－N四项指标。

因此，选择以上四项污染物作为水质预测指标，采用灰色残差辨识法建立DO、TB、IMn和NH3－N四项污染指标的预测模型。

图1 画匠营子站4月4日至5月1日各指标的实测数据Table1 The measured values of each prediction index from April 4th to May 1st in the Huajiayingzi station
2.3 预测步长的确定
通常情况下，灰色预测模型选择不同的原始数据系列长度，预测结果将有所不同。

若预测序列过短，预测结果将难以满足精度要求；若预测序列过长，预测结果则失去了意义。

因此，选择不同的系列长度对5月2日的水质状况进行预测分析，结
果表明，预测序列并非越长越好，只有当步长取值为24h，累计绝对误差最小。

不同步长下的模拟结果见表1。

表1 不同步长下的模拟结果（5月2日）Table1 The simulated results under different step sizes（May 2nd）指标实测值步长25模拟值误差24模拟值误差23模拟值误差22模拟值误差21模拟值误差DO／（mg·L－1）10.66 10.83－0.17 10.89－0.23 10.91－0.25 10.74－0.08 10.7－0.04 TB／NTU 229.1 222.5 6.6 233.79－4.69 243.39－14.3 255.04－25.9 260.45－31.4 IMn／（mg·L－1）3.67 4.56－0.89 3.52 0.15 3.24 0.43 3.52 0.15 3.47 0.2 NH3－N／（mg·L－1）0.34 0.78－0.44 0.74－0.4 0.7－0.36 0.72－0.38 0.58－0.24累计绝对误差8.1 5.47 15.33 26.55 31.83
2.4 短期动态预测
若只使用同一原始数据系列进行预测，预测的时间越远，则灰区间越大，即模拟值与实测值差值就越大。

为了避免灰区间过大，使预测结果更接近实际情况，需要不
断补充新的信息，将这一次的预测结果作为下一次预测的原始数据，为了不改变原始数据的系列长度，需要去掉原系列中的第一个原始数据，这样新陈代谢，依次递补逐个预测，直到完成预测任务。

因此，取步长为24，对5月3日－5月7日的水质状况进行动态递补预测。

实测结果与预测结果对比见图2，预测误差见表2。

图2 实测结果与预测结果对比图Fig.2 The comparison between the measured and predicted values for each prediction index
表2 预测误差Table2 The errors of the predicted values指标日期5月3日5月4日5月5日5月6日5月7日DO／（mg·L－1）0.25 0.61 0.6 0.81 0.78 TB／NTU 51.15 62.85 45.42 54.65 61.4 IMn／（mg·L－1）0.43－0.07 0.32 1.1 0.65 NH3－N／（mg·L－1）－0.25－0.27－0.15－0.01－0.23累积误差52.08 63.8 46.49 56.57 63.06
2.5 结果分析
综上分析，4月－5月黄河包头段冰封期刚结束不久，流量较小，自净降解能力较弱，IMn及NH3－N入境已超标，加之包头市污染排放沿程积累，导致包头市画匠营子站监测断面IMn及NH3－N超标严重。

预测结果表明，DO、TB和NH3－N三项污染指标预测结果与实测结果基本吻合，而IMn指标因其波动性较大（图2），因此预测结果仍存在一定的差距，但预测变化趋势基本符合实际情况。

IMn指标是反映水体中有机及无机可氧化物质污染的常用指标，其波动性较大的原因可能有两个，其一是由于黄河在冰封期结束后，融冰过程中间歇性地汇集了地表面由于长期放牧作用产生的牲畜粪便而形成的有机物质；其二是由于农业化肥的大量使用，过量化肥残留在农田中，随着径流的汇集而进入地表水。

3 结语
本文采用灰色残差辨识法对黄河包头段地表水体建立水质预测模型，预测DO、TB、IMn和NH3－N四项污染指标浓度值及其短期变化趋势。

针对常规预测模型
使用同一原始数据固定步长预测的不足，确定了最优的步长，并提出了动态递补预测，使得预测模型能够及时补充新的信息而去掉使预测失去意义的老信息。

预测结果表明，DO、TB和NH3－N三项污染指标预测结果与实测结果基本吻合，而IMn指标因其波动性较大，但预测变化趋势基本符合实际情况。

总而言之，从预
测结果可以看出基于灰色残差辨识法的黄河包头段水质状况短期预测是切实有效的，可为包头市水环境治理提供可靠的依据。

参考文献（References）：
［1] 李如忠，王超，汪家权，等.基于未确知信息的河流水质模拟预测研究［J］.
水科学进展，2004，1（15）：35－38.（LI Ru－zhong，WANG Chao，WANG Jia－quan，et al.Study on Simulation and Prediction of River Water Quality Based on Unascertained Information［J］.Advances in Water Science，2004，1（15）：35－38.（in Chinese））
［2] Jesus Abaurrea，Jesus Asin，Ana C，et al.Trend Analysis of Water Quality Series Based on Regression Models with Correlated Errors
［J］.Journal of Hydrology，2011，11（400）：341－352.
［3] Ali Erturk，Melike Gurel，Alpaslan Ekdal，et al.Water Quality Assessment and Meta Model Development in Melen Watershed－Turkey ［J］.Journal of Environment Management，2010，7（91）：1526－1545. ［4] 苗成林，周宏.基于灰色模型的水质预测［J］.中国农村水利水电，2007，（2）：126－128.（MIAO Cheng－lin，ZHOU hong.Water Quality Prediction Based on Grey Model［J］.China Rural Water and Hydropower，2007，（2）：126－128.（in Chinese））
［5] 刘东君，邹志红.灰色和神经网络组合模型在水质预测中的应用［J］.系统工程，2011，29（9）：105－109.（LIU Dong－jun，ZOU Zhi－
hong.Application of Gray Forecast Model Combined with Artificial Neural Networks Model to Water Quality Forecast［J］.Systems Engineering，2011，29（9）：105－109.（in Chinese））
［6] 黄胜伟，董曼玲.自适应变步长BP神经网络在水质评价中的应用［J］.水利学报，2002，（10）：119－121.（HUANG Sheng－wei，DONG Man－ling.Application of Adaptive Variable Step Size BP Network to Evaluate ［J］.Journal of Hydraulic Engineering，2002，（10）：119－121.（in Chinese））
［7] Honggui Han，Qili Chen，Junfei Qiao.An Efficient Self－organizing RBF Neural Network for Water Quality［J］.Neural Networks，2011，7（24）：717－725.
［8] Sundarambal Palani，Shie－Yui Liong，Pavel Tkalich.An ANN Application for Water Quality Forecasting［J］.Marine Pollution Bulletin，2008，9（56）：1586－1597.
［9] 李泗清，陈建玲.城市河流底泥重金属形态特征与河流水质的多元回归分析［J］.广东化工，2011，38（7）：126－127.（LI Siqing，CHEN Jian－ling.Multiple Regression Analysis of Heavy Metal Fractionation in Sediment and Water Quality of Urban Rivers［J］.Guangdong Chemical Industry，2011，38（7）：126－127.（in Chinese））
［10] Jean Louis Pinault，lor G.Dubus.Stationary and Non－stationary Autoregressive Processes with External Inputs for Predicting Trends in Water Quality［J］.Journal of Contaminant Hydrology，2008，8（100）：22－29.
［11] 王丽学，刘永鹏，孔祥春，等.APSO－WLSSVM算法在水质预测中的应用
研究［J］.水电能源科学，2011，29（4）：38－40.（WANG Li－xue，LIU Yong－peng，KONG Xiang－chun，et al.Research on Water Quality Prediction Based on APSO－WLSSVM［J］.Water Resources and Power，2011，29（4）：38－40.（in Chinese））
［12] Yue Liao，Jianyu Xu，Wenjing Wang.A Method of Water Quality Assessment Based on Biomonitoring and Multiclass Support Vector Machine［J］.Procedia Environment，2011，A（10）：451－457.
［13] Kunwar P.Singh，Nikta Bassant，Shikha Gupta.Support Vector Machines in Water Quality Management［J］.Analysisi Chimican Acta，2011，10（2）：152－162.
［14] Guohua Tan，Jianzhuo Yan，Chen Gao，et al.Prediction Water Quality Times Series Data Based on Least Squares Support Vector
［J］.Procedia Enihineering，2012，31：1194－1199.
［15] 孙兆兵，王保良，冀海峰，等.基于概率组合的水质预测方法［J］.中国环境科学，2011，31（10）：1657－1662.（SUN Zhaobing，WANG Bao－liang，JI Hai－feng，et al.Water Quality Prediction Based on Probability－combination［J］.China Environmental Science，2011，31（10）：1657－1662.（in Chinese））
［16] Maryam Ramin，Tanya Labencki，Duncan Boyd，et al.A Bayesian Systhesis of Predictions from Different Models for Setting Water Quality Criteria［J］.Ecological Modeling，2012，9（242）：127－145.
［17] 王治祯，柏景方.灰色系统及模糊数学在环境保护中的应用［M］.哈尔滨：
哈尔滨工业大学出版社，2007.（WANG Zhizhen，BO Jing－fang.Application of Grey System and Fuzzy Math on Environmental Protection［M］.Harbin：
Harbin Institute of Technology Press，2007.（in Chinese））.。