地表水预测模式推荐
区域规划环评中地表水环境模型预测及应用
护的区域一并纳入生态空间。规划区域尚未划定生态保护红线的，要提出禁止开发和
重点保护的生态空间，为划定生态保护红线提供参考依据。 （九）规划环评的空间管制成果，应包括生态空间分布图和优化后的生活空间、生产
空间分布图，生产、生活、生态空间及其组成区块开发管制总图，以及其他必要的支
撑性图件。有关图件应配套编制空间区块说明表，详细说明各空间区块的地理位置、 面积、现状、保护对象、准入要求和管制措施等。
1 规划环评的一些最新要求
1.1 “十三五”环境影响评价改革实施方案
二、推动战略和规划环评“落地”
（五）强化规划环境影响评价 强化规划环评的约束和指导作用。不断强化“三线一单”在优布局、控规模、调结 构、促转型中的作用，以及对项目环境准入的强制约束作用。 推行规划环评清单式管理。根据改善环境质量目标，制定空间开发规划的生态空 间清单和限制开发区域的用途管制清单。制定产业开发规划的产业、工艺环境准入清 单。实现重点产业园区规划环评全覆盖，强化清单式管理。
（一）指导思想 以改善环境质量为核心，以全面提高环评有效性为主线，以创新体制机制为动力，以“生态 保护红线、环境质量底线（目标）、资源利用上线和环境准入负面清单”（以下简称“三线一单” ）为手段，强化空间、总量（措施）、准入环境管理，划框子、定规则、查落实、强基础，不 断改进和完善依法、科学、公开、廉洁、高效的环评管理体系。 （二）主要原则 战略环评重在协调区域或跨区域发展环境问题，划定红线，为“多规合一”和规划环评提供
基础。规划环评重在优化行业的布局、规模、结构，拟定负面清单，指导项目环境准入。项目
环评重在落实环境质量目标管理要求，优化环保措施，强化环境风险防控，做好与排污许可的 衔接。
1 规划环评的一些最新要求
地表水环境影响预测与评价（一）讲义
购买课件请联系ＱＱ１１８３１３３４３３ 第六章、地表水环境影响预测与评价 二、地表水环境影响预测与评价 （一）熟悉水污染物在地表水体中的输移、转化、扩散的主要过程Ｐ１９９ 知识点： １．物理过程：物理过程主要是指污染物在水体中的混合稀释和自然沉淀过程。
只改变进入水体污染物的物理性状、空间位置，而不改变其化学性质、不参与生物作用。
水体的混合稀释作用主要由下面三部分作用所致：紊动扩散、移流、离散。
（１）紊动扩散：由水流的紊动特性引起水中污染物自高浓度向低浓度区转移的扩散。
（２）移流：由于水流的推动使污染物的迁移随水流输移。
（３）离散：由于水流方向横断面上流速分布的不均匀（由河岸及河底阻力所致）而引起分散。
２．化学过程：污染物在水体中发生化学性质或形态、价态上的转化，使水质发生化学性质的变化。
主要包括酸碱中和、氧化—还原、分解—化合、吸附—解吸、胶溶—凝聚等过程。
３．生物自净过程：是水体中的污染物经生物吸收、降解作用而发生消失或浓度降低的过程。
影响生物自净作用的关键是：溶解氧的含量，有机污染物的性质、浓度以及微生物的种类、数量等。
生物自净的快慢与有机污染物的数量和性质有关。
其他如水体温度、水流形态、天气、风力等物理和水文条件以及水面有无影响复氧作用的油膜、泡沫等均对生物自净有影响。
例题： １．以下对水污染物迁移与转化的过程描述不正确的是（ Ａ ）。
Ａ．化学过程是主要指污染物之间发生化学反应形成沉淀析出 Ｂ．水体中污染物的迁移与转化包括物理过程、化学转化过程和生物降解过程 Ｃ．混合稀释作用只能降低水中污染物的浓度，不能减少其总量 Ｄ．影响生物自净作用的关键是：溶解氧的含量，有机污染物的性质、浓度以及微生物的种类、数量等 （二）掌握常用河流水环境影响预测稳态模式（一维、二维）要求的基础资料及参数Ｐ２０４ 知识点： １．受纳水体的水质状况 按照评价工作等级要求和建设项目外排污水对受纳水体水质影响的特性，确定相应水期及环境水文条件下的水质状况及水质预测因子的背景浓度。
【完美版】教案水质预测模型PPT资料
➢河流与湖泊、水库的汇合部分可以按照河流与湖泊、水库 两部分分别预测其环境影响；
➢河口断面沿程变化较大时，可以分段进行环境影响预测；
➢河口外滨海段可视为海湾。
湖、库的简化
简化为大湖（库）、小湖（库）、分层湖（库）
水环境影响预测模型
水质模型的分类 按时间特性分类 动态模型 静态模型 按水域类型分：河流水质模型 河口水质模型(受潮汐影响) 湖泊水质模型 水库水质模型 海湾水质模型 按描述水质组分的多少分类： 单一组分模型 多组分水质模型
按水质组分分类分： 耗氧有机物模型(BOD—DO模型) 单一组分的水质模型 难降解有机物水质模型 重金属迁移转化水质模型
教案水质预测模型
第1节 预测条件的确定
预测时段
地表水环境预测应考虑水体自净能力不同的各个时段（水 期）。通常将其划分为自净能力最小、一般、最大三个阶 段（如：枯水期、平水期、丰水期）。 ✓ 一、二级评价，应分别预测水体自净能力最小和一般两个 时段的环境影响。冰封期较长的水域，当其水体功能为生 活饮用水、食品工业用水水源或渔业用水时，还应预测冰 封期的环境影响。 ✓ 三级评价或二级评价时间较短时，可以只预测自净能力最 小时段的环境影响。
例题：河流的零维模型
有一条比较浅而窄的河流，有一段长1km的河段， 稳定排放含酚废水3/s;含酚浓度为200mg/L，上 游河水流量为9m3/s，河水含酚浓度为0，河流的 平均流速为40km/d，酚的衰减速率常数k＝2 1/d，求河段出口处的河水含酚浓度为多少？
答案：21 mg/L
河流一维模型
河流简化
矩形平直河流、矩形弯曲河流、非矩形河流 具体简化方法如下： ➢河流断面宽深比≥20时，可视为矩形河流；
(整理)地表水环境影响预测公式
一、掌握常用河流水质预测模式的运用预测地表水水质变化的方法，大致可以分为四大类：数学模型法、物理模型法、类比分析法和专业判断法。
1、数学模型法：一般情况数学模型法比较简单，应首先考虑；2、物理模型法：物理模型在地面水环境影响预测中主要指水工模型。
水工模型法定量性较高，再现性较好，能反映出比较复杂的地面水环境的水力特征和污染物迁移的物理过程，但需要有合适的试验场所和条件以及必要的基础数据，制作这种模型需要较多的人力、物力和时间。
水工模型法只适用于解决个别特定问题或有现成模型可资利用的情况。
水工模型应根据相似准则设计。
在无法利用数学模式法预测，而评价级别比较高的，对预测要求比较严时，应用此方法。
3、类比分析法：属于定性或半定量预测。
对三级评价或二级评价的个别情况（如对地面水环境影响较小的水质参数或在地面水环境中迁移转化过程复杂而其影响又不太大的水质参数），由于评价时间短、无法取得足够的数据，不能利用数学模式法或物理型法预测建设项目的环境影响时可采用此法。
建设项目对地面水环境的某些影响，如感官性状、有害物质在底泥中的累积释放等，目前尚无实用的定量预测方法，这种情况可以采用类比调查法。
预测对象与类比调查对象之间应满足下要求：（a）两者地面水环境的水力、水文条件和水质状况类似；（b）两者的某种环境影响来源应具有相同的性质，其强度应比较接近或成比例关系。
4、专业判断法：定性地反映建设项目的环境影响。
当水环境影响问题较特殊，一般环评人员难以准确识别其环境影响特征或者无法利用常用方法进行环境影响预测，或者由于建设项目环境影响评价的时间无法满足采用上述其他方法进行环境影响预测等情况下，可选用此种方法。
建设项目对地面水环境的某些影响（如感官性状，有毒物质在底泥中的累积和释放等）以及某些过程（如pH值的沿程恢复过程）等，目前尚无实用的定量预测方法，这种情况，当没有条件进行类比调查法时，可以采用专业判断法。
在选择模型时，必（1）水质模型的空间维数；须考虑以下几个重要的技术问题（2）水质模型所描述（或所使用）的时间尺度；（3）污染负荷、源和汇；（4）模拟预测的河段范围；（5）流动及混合输移；（6）水质模型中的变量和动力学结构（1）空间维数①大多数的河流水质预测评价采用一维稳态模型，②对于大中型河流中的废水排放，横向浓度梯度（变化）较明显，需要采用二维模型进行预测评价。
[指南]地表水环境影响预测公式
![[指南]地表水环境影响预测公式](https://img.taocdn.com/s3/m/3dff630b33687e21af45a9f8.png)
一、掌握常用河流水质预测模式的运用性污染物，在沉降作用明显的河段，可近似采用非持久性污染物预测模式掌握利用数学模式预测各类地面水体水质时，模式的选用原则按不同的分类依据，水环境预测模型种类如下图所示：除此之外，按水质数学模式的求解方法及方程形式划分为解析解和数值解模式。
（1）在水质混合区进行水质影响预测时，应选用二维或三维模式；在水质分布均匀的水域进行水质影响预测时，选用零维或一维模式。
（2）对上游来水或污水排放的水质、水量随时间变化显著情况下的水质影响预测，应选用动态或准稳态模式：其他情况选用稳态模式。
（3）矩形河流、水深变化不大的湖（库）及海湾，对于连续恒定点源排污的水质影响预测，二维以下一般采用解析解解模式；三维或非连续恒定点源排污（瞬时排放、有限时段排放）的水质影响预测，一般采用数值解模式。
（4）稳态数值解水质模式适用于非矩形河流、水深变化较大的湖（库）和海湾水域连续恒定点源排污的水质影响预测。
（5）动态数值解水质模式适用于各类恒定水域中的非连续恒定排放或非恒定水域中的各类污染源排放。
（6）单一组分的水质模式可模拟的污染物类型包括：持久性污染物、非持久性污染物和废热（水温变化预测）；多组分耦合模式模拟的水质因子彼此间均存在一定的关联，如S－P模式模拟的DO和BOD。
常用的河流水质模式及其选择表常用河流水质数学预测模式有：1.河流稀释混合模式2.河流的一维稳态水质模式3.Streeter-Phelps模式4.河流二维稳态水质模式5.常规污染物瞬时点源排放水质预测模式、6.有毒有害污染物（比重≤1）瞬时点源排放预测模式1.河流稀释混合模（1）点源：河水、污水稀释混合方程。
对于点源排放持久性污染物，河水式 与污水完全混合、反映河流稀释能力的方程为：式中：C —污水与河水混合后的浓度，mg ／L ；C p —排放口处污染物的排放浓度，mg ／L ；Q p —排放口处的废水排放量，mg ／s 。
C h —河流上游某污染物的浓度，mg ／L ；Q h —河流上游的流量，mg ／s ；h u B Q h ⋅⋅=河流完全混合模式的适用条件：①河流充分混合段；②持久性污染物；③河流为恒定流动；④废水连续稳定排放（2）非点源方程：对于沿程有非点源（面源）分布入流的情形，可按非点源方程计算河段污染物的浓度：式中：W s —沿程河段内（x ＝0到x ＝x s ）非点源汇入的污染物总负荷量，kg/d ；Q —下游x 距离处河段流量，m 3/s ；Q s —沿程河段内（x ＝0到x ＝x s 。
地表水环境影响预测与评价教程文件
例题分析
• 4、影响地面水环境质量的污染物按排放方式分为（D）
• A.持久性污染物
B.非持久性污染物
• C.水体酸碱污染和热污染 D.点源和面源
城市非点污染源负荷计算
径流中冲刷到受纳水体的有Ycu机污a染Ysu负C荷ou
Y cu
—有机污染物的日负荷量，kg/d aY—s u 单位转换因子 C o u —总颗粒物固体日负荷量，kg/d
—机污染物在颗粒物中的浓度
水体污染物
➢按污染物性质分 ✓持久性污染物：在地表水中不能或很难由于物理 化学生物作用而分解、沉淀或挥发的污染物 ✓非持久性污染物：在地表水中由于生物作用而逐 渐减少的污染物 ✓酸碱污染物：各种废酸废碱等，水质参数为PH
❖含油废水主要来自油罐区和操作区的雨水、油罐 排水、冷却水排污、冲洗和清洗水及原油脱盐
❖苯酚、苯和有机酸等有机物以及硫化铵、金属盐 和无机盐等无机物来自汽提、原油裂解、洗涤、 油的化学处理等工艺
❖高温水来自锅炉排污、冷却水排放等
工业项目运行期环境影响识别
钢铁工业：六种操作—焦炭制造和副产品回收、铁 矿石制备、高炉炼铁、转炉电炉或平炉炼钢、铸 轧机操作、精整操作。废水来源：
小
地面水水质要 求（水质类别）
Ⅰ~Ⅲ Ⅰ~Ⅳ Ⅰ~Ⅲ Ⅰ~Ⅳ Ⅰ、Ⅱ Ⅰ~Ⅲ Ⅰ~Ⅲ Ⅰ~Ⅳ Ⅰ、Ⅱ Ⅰ、Ⅱ
Ⅰ Ⅰ、Ⅱ Ⅰ、Ⅱ
Ⅰ
Ⅰ
二级 地面水域规模 （大小规模）
大 中、小
大 中、小
大 中、小
大 中、小
[指南]地表水环境影响预测公式
一、掌握常用河流水质预测模式的运用性污染物，在沉降作用明显的河段，可近似采用非持久性污染物预测模式掌握利用数学模式预测各类地面水体水质时，模式的选用原则按不同的分类依据，水环境预测模型种类如下图所示：除此之外，按水质数学模式的求解方法及方程形式划分为解析解和数值解模式。
（1）在水质混合区进行水质影响预测时，应选用二维或三维模式；在水质分布均匀的水域进行水质影响预测时，选用零维或一维模式。
（2）对上游来水或污水排放的水质、水量随时间变化显著情况下的水质影响预测，应选用动态或准稳态模式：其他情况选用稳态模式。
（3）矩形河流、水深变化不大的湖（库）及海湾，对于连续恒定点源排污的水质影响预测，二维以下一般采用解析解解模式；三维或非连续恒定点源排污（瞬时排放、有限时段排放）的水质影响预测，一般采用数值解模式。
（4）稳态数值解水质模式适用于非矩形河流、水深变化较大的湖（库）和海湾水域连续恒定点源排污的水质影响预测。
（5）动态数值解水质模式适用于各类恒定水域中的非连续恒定排放或非恒定水域中的各类污染源排放。
（6）单一组分的水质模式可模拟的污染物类型包括：持久性污染物、非持久性污染物和废热（水温变化预测）；多组分耦合模式模拟的水质因子彼此间均存在一定的关联，如S－P模式模拟的DO和BOD。
常用的河流水质模式及其选择表常用河流水质数学预测模式有：1.河流稀释混合模式2.河流的一维稳态水质模式3.Streeter-Phelps模式4.河流二维稳态水质模式5.常规污染物瞬时点源排放水质预测模式、6.有毒有害污染物（比重≤1）瞬时点源排放预测模式1.河流稀释混合模（1）点源：河水、污水稀释混合方程。
对于点源排放持久性污染物，河水式 与污水完全混合、反映河流稀释能力的方程为：式中：C —污水与河水混合后的浓度，mg ／L ；C p —排放口处污染物的排放浓度，mg ／L ；Q p —排放口处的废水排放量，mg ／s 。
C h —河流上游某污染物的浓度，mg ／L ；Q h —河流上游的流量，mg ／s ；h u B Q h ⋅⋅=河流完全混合模式的适用条件：①河流充分混合段；②持久性污染物；③河流为恒定流动；④废水连续稳定排放（2）非点源方程：对于沿程有非点源（面源）分布入流的情形，可按非点源方程计算河段污染物的浓度：式中：W s —沿程河段内（x ＝0到x ＝x s ）非点源汇入的污染物总负荷量，kg/d ；Q —下游x 距离处河段流量，m 3/s ；Q s —沿程河段内（x ＝0到x ＝x s 。
第四章地表水预测
3 水体污染类型
有机耗氧性污染、化学毒物污染、石油污染、放射 性污染、富营养化污染、致病性微生物污染。
二、河流水质模型
1 河流水质模型简介 2 河流的混合稀释模型 3 守恒污染物在均匀流场中的扩散模型 4 非守恒污染物在均匀河流中的水质模型 5 Streeter-Phelps（S-P）模型 （ ） 6 河流水质模型中参数估值
0.1uB 2 Lm = Dy 0.4uB 2 Lm = Dy
4 非守恒污染物在均匀河流中的水质模型
1.零维水质模型 零维水质模型 dC／dt =0，
V dC = Q (C 0 − C ) − k1CV dt
C0 C0 C= = k1V k1 ∆x 1+ 1+ Q u
Ci = C0 k1V 1 + Q
这两个方程式是耦合的。当边界条件 时，式(6-25)的解析解为:
L = L0 e − k1x / u C = C − (C − C )e − k 2 x / u + k1 L0 (e − k1x / u − e − k 2 x / u ) s s 0 k1 − k 2
25 20 15 10 5 0 0 2 4 6 8
2. 河流的混合稀释模型
背景段 河水Q(m3/s)，污染 物浓度为C1(mg／L) 混合系数a ， 稀释比n 定义 混合段 均匀混合段
污染物浓度为C2 (mg／L) 废水流量为 q(m3/s)
混合过程段的污染物浓度 Ci 及混合段总长度 L
C Q + C 2 q C1 aQ + C 2 q Ci = 1 i = Qi + q aQ + q
L mg/L DOmg/L DOmg/L
基于图神经网络的地表水水质预测模型
DOI: 10.3785/j.issn.1008-973X.2021.04.001基于图神经网络的地表水水质预测模型许佳辉1，王敬昌2，陈岭1，吴勇2(1. 浙江大学 计算机科学与技术学院，浙江 杭州 310027；2. 浙江鸿程计算机系统有限公司，浙江 杭州 310009)摘 要：针对水质数据在时间和空间维度上的复杂依赖关系，提出基于图神经网络（GNN ）的地表水水质预测模型. 该模型采用GNN 建模地表水水质监测站点在空间上的复杂依赖关系，使用长短时记忆网络（LSTM ）建模水质指标序列在时间上的复杂依赖关系，将编码结果输入到解码器中得到预测输出. 实验结果表明，与时间序列分析方法、通用回归方法和一般深度学习方法相比，该模型能够实现23.3%、26.6%和14.8%的性能提升.关键词： 水质预测；图神经网络（GNN ）；深度神经网络；长短时记忆网络（LSTM ）；深度学习中图分类号： TP 319 文献标志码： A 文章编号： 1008−973X （2021）04−0601−07Surface water quality prediction model based on graph neural networkXU Jia-hui 1, WANG Jing-chang 2, CHEN Ling 1, WU Yong 2(1. College of Computer Science and Technology , Zhejiang University , Hangzhou 310027, China ;2. Zhejiang Hongcheng Computer Systems Limited Company , Hangzhou 310009, China )Abstract: A surface water quality prediction model based on graph neural network (GNN) was proposed to solve theproblem that water quality data has complex dependencies in both temporal and spatial dimensions. GNN was utilized to model the complex spatial dependencies of monitoring stations, and long short-term memory (LSTM) was used to model the complex temporal dependencies of historical water quality sequences. Then the encoded vector was input into the decoder to get the water quality prediction output. The experimental results show that the model can achieve 23.3%, 26.6% and 14.8% performance improvements compared with time series analysis methods,general regression methods and existing deep learning methods.Key words: water quality prediction; graph neural network (GNN); deep neural network; long short-term memory (LSTM); deep learning地表水水质监测站点能够实时获取所处水域的水质状况. 基于获取的地表水水质数据并结合其他环境大数据可以实现高精度地表水水质预测，具有重大的实际应用意义. 例如监察人员能够提前感知流域的污染风险，向上下游站点发送预警信号，并回溯可能的污染来源. 对于预测值和实际值相差较大的点位，可以联动相关人员发起人工排查，提高线下执法效率.实现高精度水质预测面临许多挑战. 水质数据在时间和空间2个维度上有复杂的依赖关系.比如在时间维度上，站点某时刻的污染情况可能会与前一天的同一时刻相似；在空间上，站点的污染情况会受到周围水域的影响，传统的数据分析方法难以建模这种复杂的关联性.许多研究者已经提出过一些方法解决地表水水质预测问题. 现有的预测方法可以粗略分为基于物理模型的方法和基于机器学习的方法2类.基于物理模型的方法[1-2]以领域内专业模型为基础，模拟水污染物从排放到扩散的全过程，从而预测各监测站点未来的水质情况. 该方法对污染源数据的完整性要求非常高，且模型参数需要专业人员根据不同的水域场景作调整适配，泛化能力较差.基于机器学习的方法是一种数据驱动的方法，通过挖掘历史数据的隐含的复杂依赖关系来收稿日期：2021−01−19. 网址：/eng/article/2021/1008-973X/202104001.shtml基金项目：“十三五”水体污染控制与治理科技重大专项资助项目（2018ZX07208-009）；中央高校基本科研业务费专项资金资助项目（2020QNA5017）.作者简介：许佳辉（1995—），男，硕士生，从事时空数据挖掘的研究. /0000-0001-6010-8433. E-mail ：******************.cn通信联系人：陈岭，男，教授. /0000-0003-1934-5992. E-mail ：***************第 55 卷第 4 期 2021 年 4 月浙 江 大 学 学 报(工学版)Journal of Zhejiang University (Engineering Science)Vol.55 No.4Apr. 2021预测监测站点未来一段时间内的各项指标. 基于机器学习的方法，能够自动学习从多源数据输入到实际结果间的复杂映射关系. 这类方法可以进一步细分为时间序列分析模型、通用回归模型和深度学习模型. 时间序列分析模型[3-4]通过发现历史序列中的线性规律来预测未来变化趋势，但无法接受序列数据以外的特征输入. 通用回归模型[5-8]能够支持多源数据输入，如线性回归模型、支持向量机、随机森林等. 这类方法的缺点是为了达到可观的预测准确率，需要进行复杂的特征工程，提升了模型的落地应用难度.深度学习模型[9-11]通过堆叠多层神经网络来拟合从输入到输出的非线性复杂映射，可以实现自动化特征学习，解决传统回归模型的特征选择问题. 针对水质数据在时间和空间维度上的复杂依赖关系，本文提出基于图神经网络的地表水水质预测模型. 该模型根据站点在水网上的分布构建站点图，采用图神经网络建模地表水水质监测站点在空间上的复杂依赖关系，使用长短时记忆网络建模水质指标序列在时间上的复杂依赖关系，将时序编码结果输入到解码器中，得到最终的多步预测输出.1 模型简介1.1 问题定义X ∈R τin ×N ×D τin 定义为模型输入，其中为输入N D G =(V ,E )V E X G Y ∈R τout ×N ×d τout d 时间窗口长度，为站点数量，为输入特征维度.构建图，用于建模站点间的复杂依赖关系. 其中为站点集合，为图上边的集合. 水质预测的任务可以定义如下：建立地表水水质预测模型f (·)，利用历史水质指标监测数据和气象数据，基于反映站点间依赖关系的图，对未来一段时间内所有站点的水质指标（为预测步长，为水质指标数量）进行预测：1.2 框架分析模型的框架如图1所示. 预处理站点历史监测数据和气象等其他数据，根据站点在水网上的分布构建水网距离矩阵. 根据水网距离矩阵构建站点图，用于建模站点间的复杂依赖关系. 在每个时刻，将对应时刻的站点监测数据和气象数据作为节点输入，将站点间的距离权重作为边的输入. 利用图卷积神经网络（graph convolutional network ，GCN ）[12]，实现节点间的信息交互. 采用基于LSTM [13]的编码器，将站点信息编码为一个表示向量；将表示向量送入解码器，得到多步预测输出.1.3 数据预处理水质预测模型使用的数据输入包括地表水水质监测站点历史监测数据和气象数据.1）站点监测数据. 站点监测数据的数据指标及其有效值范围如表1所示，包含5个反映地表水水质情况的监测指标，分别为PH 值、氨氮质量图 1 地表水水质预测模型框架图Fig.1 Surface water quality prediction model framework602浙 江 大 学 学 报（工学版）第 55 卷浓度、总磷质量浓度、高锰酸盐指数和溶解氧质量浓度. 因为水质监测系统在运行的过程中会在中间链路上的环节出现问题，导致监测数据库中包含了一些异常值. 因此本文基于地表水水质国家标准[14]，为不同的指标设定了不同的有效值范围（除PH值外，有效值上界为最差的V类水质标准上浮50%）以排除异常值. 所有不在上述有效值范围内的站点监测数据将被认为是异常值，在后续处理流程中视同缺失值.2）气象数据. 气象因素对水污染物的产生与扩散有很大影响. 将气象因素引入模型计算中，能够基于深度学习技术，学习从气象因素到地表水水质的复杂影响关系.气象数据的数据格式如表2所示，其中包含4个与水质相关性较大的气象指标，分别为气温、气压、湿度和降雨量. 本文为气象指标设定了对应的有效值范围（根据气象指标的实际含义）. 与站点监测数据类似，所有不在上述有效值范围内的站点监测数据将被认为是异常值，在后续处理流程中视同缺失值.3）缺失值处理与归一化. 实际数据采集中出现的许多问题都会带来数据的缺失和异常，其中异常数据经过有效范围的判断后，可以视同缺失值，在实现时采用线性插值法实现缺失值填充.线性插值法假设包含缺失值的一段连续序列满足线性变化关系，以线性函数去拟合数据变化，线性插值法的计算公式如下：x0x1p(x)式中：和为缺失值前、后的有效数据样本，为拟合出的线性变化函数. 站点监测数据和气象数据都是在时间维度上平滑变化的，因此可以通过前、后有效观测值来填充.模型输入数据的分布存在较大差异，在数据预处理中加入归一化操作，可以有效加速模型收敛，缓解潜在的梯度问题，归一化计算公式为µσx norm式中：为样本均值，为样本标准差，为归一化操作后的输出数据.1.4 模型设计G=(V,E)G x a ae a,b a b1）站点图构建. 在输入时间窗口内的每个时刻，通过构建站点图来建模站点间的复杂空间依赖关系. 在该场景中，图上的节点对应区域内的水质监测站点，边表示2个站点存在的交互关系. 构建图的方式如图2所示. 图中，为节点的信号，为连接节点和节点间边上的权重.x ae a,b由对应时刻的水质指标监测数据和气象数据拼接组成，由站点地理位置计算得出，具体的计算公式如下：d a,b R hR h式中：为2个站点在水网上的距离，为距离阈值. 在构图时，只计算距离小于的2个节点间边上的权重. 考虑到水污染物一般沿河道传播，采用水网距离来度量站点间的相关性，采用欧式距离度量会引入错误的先验知识.2）图卷积计算. 在完成图的构建过程后，通过GCN实现节点间的信息交互，以建模站点间的空间依赖关系. 具体的计算公式为表 1 站点监测数据指标及有效值范围Tab.1 Station monitoring data and valid value ranges水质指标有效值PH值0~14氨氮质量浓度0~3 mg/L总磷质量浓度0~0.6 mg/L高锰酸盐指数0~22.5 mg/L溶解氧质量浓度0~12 mg/L表 2 气象数据数据指标及有效值范围Tab.2 Weather data and valid value ranges气象指标有效值气温−20~50 °C气压900~1 100 hPa 湿度0~100%降雨量0~60 mm图 2 站点图的构建Fig.2 Construction of station graph第 4 期许佳辉, 等：基于图神经网络的地表水水质预测模型[J]. 浙江大学学报：工学版,2021, 55(4): 601–607.603˜A=A +I ˜D−12H (l )l H (0)X t W (l )l 式中：，即图的邻接矩阵加上self-loops ，一般情况下邻接矩阵中的值只有1或者0以表示节点间的连接情况，该场景中的邻接矩阵计算时考虑了边权；用来对矩阵行列进行归一化处理；表示GCN 第层的节点信号，即对应时刻的节点输入信号；表示第层的变换参数，在训练过程中通过反向传播方法学习；σ为激活函数.{x 1,x 2,···,x τin }3）序列编解码. 在输入时间窗口内的所有图上完成图卷积操作后，每一个站点更新后的信号可以按时间顺序组成序列. 序列将被送入编码LSTM 中，得到每个站点的编码向量.LSTM 是为了解决RNN 网络梯度消失问题所提出的改进型序列建模神经网络，通过在模型内部引入多种功能的门机制，实现对序列长期依赖关系的建模. 具体的计算过程如下.W i U i W f U f W o U o W c U c b i b f b o b c ◦式中：、、、、、、和为可学习参数，、、和为偏置向量，表示hadamard 积.h τin h 编码LSTM 得到的将作为站点的编码向量，用来初始化解码LSTM. 解码LSTM 将每一步的隐状态输入到多层感知机（multi-layer percep-tion ，MLP ）中，以得到每一步的预测结果.该任务的损失函数定义为均方误差（MSE ），具体的计算方式如下：τout k ˆY式中：为预测步长，为地表水水质数据指标数，为地表水水质预测值.2 实验分析2.1 数据集采集杭嘉湖地区24个站点从2018年1月至2020年5月的历史水质指标监测数据和相应地区的气象数据. 地表水水质监测站点在地理上的分布如图3所示，地表水水质监测站点在地图上以圆点标注.2.2 实验设置模型代码以Python 语言编写，采用PyTorch 框架[15]构建神经网络模型，基于PyTorch Geomet-ric 库[16]实现图神经网络计算. 模型的训练采用NVIDIA RTX2080Ti GPU.模型的超参数设置如下：batch size 设定为64，GCN 的输出维度为16，LSTM 的隐状态长度为32，GCN 层数为1. 采用Adam 优化器[17]优化模型参数，学习率设定为0.002，训练epoch 设定为150.为了减少随机性，模型将独立训练5次，在实验部分取5次实验结果的平均值作为最终结果.τin τout 按照任务目标，预测任务定义为利用所有站点24个值（=24，采样周期为4 h ）的历史水质指标监测数据及气象数据预测将来9个值（=9，采样周期为4 h ）的水质情况. 将一个样本中包含长度为24的水质指标及气象数据作为模型输入，后面长度为9的水质指标作为地表水水质真实值. 用窗口大小为33的滑动窗口，以步长为1生成5 127个数据样本，按时间先后顺序以7∶1∶2的比例划分成训练集、评估集和测试集.该实验以训练集的样本优化模型参数，以在评估集上的运行结果优化超参数，在测试集上验证该模型的性能.性能评价指标包括平均绝对误差（MAE）和平均相对误差（MRE），计算方法如下：图 3 杭嘉湖地区水质监测站点分布图Fig.3 Distribution diagram of water quality monitoring stations inHangzhou-Jiaxing-Huzhou area604浙 江 大 学 学 报（工学版）第 55 卷MAE 直接计算真实值与预测值之间的绝对值. MRE 在MAE 的基础上除以真实值得到相对的误差率，结果更加直观，但不适用于数值范围在0附近的数据指标（相对误差会非常大）.R h 2.3 距离阈值的影响R h R hR h R h 直接影响了所构建图的边连接密度. 当很小时，有利于在图卷积计算时保留节点本地特征，但是不能充分地建模站点间的空间依赖关系. 当很大时，图上几乎所有的节点都有边的连接，在经图卷积计算后，图上所有节点的信号可能会趋同，丢失节点的本地特征，即产生过平滑现象.模型损失函数MSE 随的变化趋势如图4所示.图 4 距离阈值对均方误差的影响Fig.4 Mean square error with different distance thresholdR h R h 从实验结果可以看出，当=65 km 时，MSE取得最小值0.375，优化效果最好. 在后续实验中，设置为65 km.2.4 气象数据及水网距离的影响除了历史水质指标监测数据外，模型还用到了气象数据和水网分布数据. 为了验证这2种数据的有效性，引入2个变体模型w/o wea 和w/o water.其中w/o wea 去除了站点图节点信号的气象数据输入，w/o water 以站点间的欧式空间距离代替水网距离来构建距离矩阵.模型的性能对比结果如表3所示. 采用2个性能评价指标MAE 和MRE. 5个水质指标分别为PH 值、氨氮质量浓度、总磷质量浓度、高锰酸盐指数、溶解氧质量浓度. 其中因为氨氮质量浓度与总磷质量浓度的监测数据一直在0附近，MRE 在数值上会趋近于无穷值，没有评价意义. 仅列出模型在PH 值、高锰酸盐指数和溶解氧质量浓度3个指标上的实验结果. 表3中所有的结果为对应指标和模型所有步长结果的平均值.从实验结果可以看出，该模型较2个变体模型具有性能上的优势，这说明模型中引入的气象数据和水网分布数据有助于实现水质指标预测.水网分布数据比气象数据的影响更大，原因是基于空间欧式距离定义的相关性不仅不能充分表达站点间的依赖关系，还会引入错误的先验知识，造成模型无法正确地拟合真实的映射关系，而基于站点在水网上分布所构建的水网距离矩阵能够更加真实地反映站点间的相关性.2.5 基线对比将提出的地表水水质预测模型与现有的基于机器学习方法的模型进行对比. 用于对比的基线模型如下.1）支持向量回归机（SVR ）[5]. 该方法是传统支持向量机（SVM ）的回归版本，目标是在特征空间内寻找最优的超平面，使得特征空间中的所有数据样本到该平面的距离最近. 原始版本的SVR 只支持单变量输出，作为实验对比基线，本文为每个指标和预测步长建立SVR 模型.2）差分整合移动平均自回归模型（ARIMA ）[3].该方法将时间序列转化为平稳时间序列，将因变量对它的滞后值以及随机误差项进行回归拟合，是时间序列线性分析中最常见的模型之一.3）长短期记忆网络（LSTM ）[10]. LSTM 在序列建模过程中保持记忆性，较RNN 与GRU 有更加复杂的门控结构，设定遗忘门和输入门用以控制长期记忆的保留与更新，设定输出门用以得到每个时刻的输出结果. LSTM 缓解了RNN 模型中的梯度消失问题，是深度学习中建模时间序列最常用的神经网络.为了评估各模型在短期预测及长期预测任务上的性能，列出了模型在不同预测步长下的误差.如表4~6所示为提出模型与对比模型在PH 监测值、高锰酸盐指数和溶解氧质量浓度3个指标上的预测结果. 表中，L 为预测步长. 可见，与其他基线模型相比，该模型有明显的性能优势. 与时间序列分析方法ARIMA 相比，该模型在PH 监测表 3 变体实验结果Tab.3 Variation experiment results方法PH 监测值高锰酸盐指数溶解氧质量浓度MAE MREMAE MRE MAE MRE 本文模型0.099 1.4%0.46810.7%0.4787.5%w/o wea0.1091.6%0.47810.9%0.4847.6%w/o water 0.1231.7%0.60813.3%0.66210.7%第 4 期许佳辉, 等：基于图神经网络的地表水水质预测模型[J]. 浙江大学学报：工学版,2021, 55(4): 601–607.605值、高锰酸盐指数和溶解氧质量浓度3个指标上性能分别提升了23.3%、36.5%和37%. 与通用回归模型SVR相比，在3个指标上分别提升了26.6%、28.3%和36.8%. 与LSTM模型相比，在3个指标上分别提升了14.8%、20.0%和29.6%.实验结果表明，与时间序列分析模型ARIMA 和通用回归模型SVR相比，基于深度学习技术的LSTM和该模型在预测准确率上具有明显的优势.这是因为在该场景中，输入数据的维度高达216维（24×9），开展特征工程的难度较大，而基于深度学习的模型支持多源异构数据输入，通过堆叠多层神经网络实现了自动化的特征学习. 该模型的预测性能比LSTM模型更好，这是因为该模型能够通过GCN建模站点在空间上的复杂依赖关系，例如水污染物在水网上的传播过程，相比深度单序列建模模型更完整地考虑了水质监测数据在时空两方面的复杂依赖关系.表 4 PH监测值的预测结果Tab.4 Prediction results of PH value方法L=1L=3L=5L=7L=9 MAE MRE MAE MRE MAE MRE MAE MRE MAE MRE本文模型0.081 1.2%0.090 1.3%0.096 1.4%0.097 1.4%0.110 1.6% SVR0.101 1.5%0.125 1.8%0.135 1.9%0.144 2.0%0.167 2.2% ARIMA0.079 1.1%0.143 2.0%0.138 1.9%0.135 1.8%0.167 2.2% LSTM0.089 1.3%0.125 1.8%0.110 1.6%0.105 1.6%0.126 1.8%表 5 高锰酸盐指数的预测结果Tab.5 Prediction results of permanganate index方法L=1L=3L=5L=7L=9 MAE MRE MAE MRE MAE MRE MAE MRE MAE MRE本文模型0.4108.2%0.45510.5%0.47410.8%0.49711.1%0.52011.4% SVR0.62413.7%0.67314.6%0.68014.8%0.67114.6%0.68114.8% ARIMA0.57112.9%0.71215.5%0.69515.1%0.74316.0%0.85017.7% LSTM0.52111.4%0.53211.7%0.58913.2%0.64114.0%0.67414.7%表 6 溶解氧质量浓度的预测结果Tab.6 Prediction results of dissolved oxygen mass concentration方法L=1L=3L=5L=7L=9 MAE MRE MAE MRE MAE MRE MAE MRE MAE MRE本文模型0.354 5.7%0.4517.1%0.4667.3%0.5178.3%0.5829.2% SVR0.5258.4%0.73111.5%0.80312.0%0.89713.9%0.87613.7% ARIMA0.5018.0%0.81812.3%0.80212.0%0.86513.6%0.89113.8% LSTM0.4677.3%0.67210.9%0.67510.8%0.74211.7%0.83912.7%3 结 语本文提出新的地表水水质预测模型，使用图神经网络建模地表水水质监测站点在空间上的复杂依赖关系. 使用长短时记忆网络建模历史指标序列在时间上的复杂依赖关系，实现所有地表水水质站点水质指标的多步预测输出. 实验结果表明，与传统回归方法相比，利用该模型能够显著提高预测性能，与时间序列分析方法、通用回归方法和一般深度学习方法相比，该模型能够实现23.3%、26.6%和14.8%的性能提升.606浙 江 大 学 学 报（工学版）第 55 卷本文提出的预测模型有进一步的拓展空间.对于今后的工作，将重点探索以下3个方向. 1）引入更多影响地表水水质的因素，如站点周边污染源的实时排放信息、地表水文信息. 2）现有方法通过人为定义规则的方式实现图的构建，未来可以在图上实现节点间关系的自动推理，减少因预定义图带来的信息损失. 3）进一步扩大现有的建模范围，将区域从杭嘉湖局部区域扩展到整个浙江省水域或者是跨省域水网，以建模更加复杂的地表水水质监测站点间的空间依赖关系.参考文献(References):LIANG J, YANG Q, SUN T, et al. MIKE 11 model-based waterquality model as a tool for the evaluation of water quality management plans [J]. Journal of Water Supply: Research and Technology-AQUA , 2015, 64(6): 708–718.[1]GONG R, XU L, WANG D, et al. Water quality modeling for atypical urban lake based on the EFDC model [J]. Environmental Modeling and Assessment , 2016, 21(5): 643–655.[2]FARUK D O. A hybrid neural network and ARIMA model forwaterqualitytimeseriesprediction [J].EngineeringApplications of Artificial Intelligence , 2010, 23(4): 586–594.[3]PARMAR K S, BHARDWAJ R. Water quality managementusing statistical analysis and time-series prediction model [J].Applied Water Science , 2014, 4(4): 425–434.[4]LIU S, TAI H, DING Q, et al. A hybrid approach of supportvector regression with genetic algorithm optimization for aquaculture water quality prediction [J]. Mathematical and Computer Modelling , 2013, 58(3): 458–465.[5]SINGH K P, BASANT N, GUPTA S. Support vector machines inwater quality management [J]. Analytica Chimica Acta , 2012,703(2): 152–162.[6]CHENG S, ZHANG S, LI L, et al. Water quality monitoringmethod based on TLD 3D Fish tracking and XGBoost [J].Mathematical Problems in Engineering , 2018, 2018(7): 1–12.[7]BUI D T, KHOSRAVI K, TIEFENBACHER J, et al. Improvingprediction of water quality indices using novel hybrid machine-learning algorithms [J]. Science of the Total Environment ,2020, 721(15): 137612.[8]LI L, JIANG P, XU H, et al. Water quality prediction based onrecurrent neural network and improved evidence theory: a case study of Qiantang River, China [J]. Environmental Science and Pollution Research , 2019, 26(4): 19879–19896.[9]WANG Y, ZHOU J, CHEN K, et al. Water quality predictionmethod based on LSTM neural network [C]// International ConferenceonIntelligentSystemsandKnowledgeEngineering . Nanjing: IEEE, 2017.[10]LIU P, WANG J, CHEN K, et al. Analysis and prediction ofwater quality using LSTM deep neural networks in IoT environment [J]. Sustainability , 2019, 11(4): 2058.[11]KIPF T, WELLING M. Semi-supervised classification with graphconvolutional networks [C]// International Conference on Learning Representations. Toulon: [s. n.], 2017.[12]HOCHREITER S, SCHMIDHUBER J. Long short-termmemory [J]. Neural Computation , 1997, 9(8): 1735–1780.[13]中华人民共和国生态环境部. 地表水环境质量标准: GB3838—2002 [S]. 北京: 中国环境出版集团, 2002.[14]PASZKE A, GROSS S, MASSA F, et al. Pytorch: an imperativestyle, high-performance deep learning library [C]// Advances in Neural Information Processing Systems . Vancouver: Curran Associates, 2019.[15]FEY M, LENSSEN J E. Fast graph representation learning withPyTorch geometric [C]// International Conference on Learning Representations RLGM Workshop . New Orleans: [s. n.], 2019.[16]KINGMA D P, BA J. Adam: a method for stochasticoptimization [C]// International Conference on Learning Representations . San Diego: [s. n.], 2015.[17]第 4 期许佳辉, 等：基于图神经网络的地表水水质预测模型[J]. 浙江大学学报：工学版,2021, 55(4): 601–607.607。
地表水环境数值模拟与预测——efdc建模技术及案例实训
地表水环境数值模拟与预测——efdc建模技术及案例实训地表水环境数值模拟与预测是一种基于数学方法和计算机模型的技术，可以对地表水环境的水质、水量及水流动态进行模拟与预测，为水环境管理和决策提供科学依据。
在这项技术中，EFDC （Environmental Fluid Dynamics Code）建模技术是一种常用且广泛应用的方法。
EFDC建模技术使用数值模型来模拟地表水环境中的水动力过程，以及与水质有关的物理、化学和生物过程。
该技术基于Navier-Stokes 方程、质量守恒方程和相关的物理学原理，结合网格划分和离散计算方法，通过计算机程序来模拟和预测水体的运动和混合过程。
EFDC建模技术可以对各种复杂的水体系统进行建模，如河流、湖泊、水库、沿海区域等。
通过收集和整理相关的水动力、水质和水生态学数据，可以对水环境进行定量的数值模拟和预测。
利用该技术，可以研究水体中的水流速度、水位变化、溶解氧、水温、营养盐、悬浮物、有机物等物理、化学和生物参数的空间和时间分布规律。
EFDC建模技术在实际应用中有着广泛的应用场景。
例如，可以用于评估工业废水排放对水体的影响，预测水污染物的扩散和转移路径，指导水资源规划和管理，优化水环境监测网络布局，并提供紧急事件应急响应等。
此外，EFDC建模技术还可以与其他模型和数据集成，提高模拟和预测的准确性和可靠性。
例如，可以将EFDC模型与水质模型、生态模型和气象模型等进行耦合，以获得更全面和综合的水环境模拟结果。
总之，EFDC建模技术是一种重要的工具，可以对地表水环境进行数值模拟和预测，为水环境管理和决策提供科学依据。
随着该技术的不断发展和完善，相信将在未来对水环境保护和可持续发展起到越来越重要的作用。
地表水环境响预测公式
地表⽔环境响预测公式⼀、掌握常⽤河流⽔质预测模式的运⽤预测各类地⾯⽔体⽔质时，模式的选⽤原则除此之外，按⽔质数学模式的求解⽅法及⽅程形式划分为解析解和数值解模式。
（1）在⽔质混合区进⾏⽔质影响预测时，应选⽤⼆维或三维模式；在⽔质分布均匀的⽔域进⾏⽔质影响预测时，选⽤零维或⼀维模式。
（2）对上游来⽔或污⽔排放的⽔质、⽔量随时间变化显著情况下的⽔质影响预测，应选⽤动态或准稳态模式：其他情况选⽤稳态模式。
（3）矩形河流、⽔深变化不⼤的湖（库）及海湾，对于连续恒定点源排污的⽔质影响预测，⼆维以下⼀般采⽤解析解解模式；三维或⾮连续恒定点源排污（瞬时排放、有限时段排放）的⽔质影响预测，⼀般采⽤数值解模式。
（4）稳态数值解⽔质模式适⽤于⾮矩形河流、⽔深变化较⼤的湖（库）和海湾⽔域连续恒定点源排污的⽔质影响预测。
（5）动态数值解⽔质模式适⽤于各类恒定⽔域中的⾮连续恒定排放或⾮恒定⽔域中的各类污染源排放。
（6）单⼀组分的⽔质模式可模拟的污染物类型包括：持久性污染物、⾮持久性污染物和废热（⽔温变化预测）；多组分耦合模式模拟的⽔质因⼦彼此间均存在⼀定的关联，如S－P模式模拟的DO和BOD。
常⽤的河流⽔质模式及其选择表常⽤河流⽔质数学预测模式有：1.河流稀释混合模式2.河流的⼀维稳态⽔质模式3.Streeter-Phelps模式4.河流⼆维稳态⽔质模式5.常规污染物瞬时点源排放⽔质预测模式、6.有毒有害污染物（⽐重≤1）瞬时点源排放预测模式1.河流稀释混合模（1）点源：河⽔、污⽔稀释混合⽅程。
对于点源排放持久性污染物，河⽔式与污⽔完全混合、反映河流稀释能⼒的⽅程为：式中：C —污⽔与河⽔混合后的浓度，mg ／L ；C p —排放⼝处污染物的排放浓度，mg ／L ；Q p —排放⼝处的废⽔排放量，mg ／s 。
C h —河流上游某污染物的浓度，mg ／L ；Q h —河流上游的流量，mg ／s ；h u B Q h ??=河流完全混合模式的适⽤条件：①河流充分混合段；②持久性污染物；③河流为恒定流动；④废⽔连续稳定排放（2）⾮点源⽅程：对于沿程有⾮点源（⾯源）分布⼊流的情形，可按⾮点源⽅程计算河段污染物的浓度：式中：W s —沿程河段内（x ＝0到x ＝x s ）⾮点源汇⼊的污染物总负荷量，kg/d ；Q —下游x 距离处河段流量，m 3/s ；Q s —沿程河段内（x ＝0到x ＝x s 。
水环境预测模型种类
水环境预测模型种类
1、按来水和排污随时间变化情况：
动态上游来水活污水排放的水质水量随时间变化显著情况下
稳态（其他情况选用稳态模式）；
准稳态
2、按水质分布状况：
零维（只考虑时间）水质分布均匀的水域进行水质影响预测；
一维（考虑时间、水流）
二维（考虑时间、水流、横向）在水质混合区进行水质影响预测；
三维（考虑时间、水流、横向、垂向）
3、按模拟预测的水质组分：
单一组分：可模拟的污染物包括持久性污染物、非持久性污染物和废热；
多组分耦合模式：模拟的水质因子彼此间存在一定的关联（如S-P模式）；
4、按水质数学模式求解方法和方程形式：
解析解：矩形河流、水深变化不大的湖（库）及海湾，对于连续恒定
点源排污，二维以下采用；
数值解：三维或非连续恒定点源排污（瞬时、有限时段排放）；
稳态数值解：非矩形河流、水深变化较大的湖（库）和海湾水域连续恒定点源排污；
动态数值解：各类恒定水域中的非连续恒定排放或非恒定水域中的个二类污染源排放；
5、按污染物类型：持久性污染物扩散模型；
非持久性污染物扩散模型；
6、按地表水体类型：河流水质预测模型；
湖泊（水库）水质预测模型；
河口水质预测模型；
海湾水质预测模型等；。
各地表水预测模式应用条件汇总表_个人总结
河流pH模式
废热
一维日均水温模式
河口数学模式
充分混合段
混合过程段
持久性污染
一级
大河采用一维非恒定流方程计算流场，一维动态混合数值模式预测任何时刻的水质，小河和中河采用欧康那（O’connor）河口模式，预测潮周平均、高潮平均、低潮平均水质。
二维动态混合数值模式
二级
欧康那（O’connor）河口模式，预测潮周平均、高潮平均、低潮平均水质。
循环利用湖水的小湖（库）
持久性污染
一级
湖泊完全混合平衡模式
卡拉乌舍夫模式
湖泊环流二维稳态混合模式
分层湖（库）集总参数模式
二级
三级
非持久性污染物
一级
湖泊完全混合衰减模式
湖泊推流衰减模式
湖泊环流二维稳态混合衰减模式
分层湖（库）集总参数衰减模式
狭长湖移流衰减模式
部分混合水质模式
二级
三级
酸碱污染物
河流pH模式
海湾数学模式
持久性污染
一级
ADI潮流模式计算流场，采用ADI水质模式预测水质，或者采用特征理论模式计算流场，采用特征理论水质模式预测水质，Mx，My的确定可以采用爱-兰法
二级
三级
约-新（约瑟夫-新德那）模式
非持久性污染物
一级
由于海湾中非持久性污染物的衰减作用远小于混合作用，所以不同评价等级时，均可近似的采用持久性污染物的响应模式预测
三级
河流完全混合模式
非持久性污染物
一级
大河采用一维非恒定流方程计算流场，一维动态混合衰减数值模式预测任何时刻的水质，小河和中河采用欧康那（O’connor）河口模式，预测潮周平均、高潮平均、低潮平均水质。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
确定好氧系数K1的方法
确定复氧系数 K2的方法
确定沉降系数K3 （综合消减系数 K）的方法
备注
多点法、多参数优化法 两点法、多参数优化法 室内实验法、类比调查法 多点法、多参数优化法
分层湖（库）集总参数衰减模 式
两点法、多参数优化法 室内实验法、类比调查法 多点法 多点法、两点法 两点法 三级也可以采 用类比调查法 ADI潮流模式、特征理论模式计算流畅 如湖水流速过 小时，克采用 实验室测定法
鲍登（Bowden）法、荷贝-哈百曼-费 希尔（荷-哈-费）法、海福林-欧康奈 两点法 尔（海-欧）法、狄欺逊法 两点法 可以不预测溶 解氧 一维非恒定流方程数值模式（偏 心差分解法）计算流畅
三级 混合过 程段
一级
二维动态混合衰减数值模式
多点法、多参数优化法
二级 湖泊 水库 数学 模式 及推 荐 持久 小湖 性污 （库） 染物 无风大 湖 （库） 一级、二 湖泊完全混合平衡模式 级、三级 一级 二级 三级 近岸环 流显著 的大湖 （库） 分层湖 （库） 一级、二 湖泊环流二维稳态混合模式 级、三级 一级、二 分层湖（库）集总参数模式 级、三级 湖泊完全混合衰减模式 湖泊完全混合衰减模式 湖泊完全混合衰减模式 卡拉乌舍夫模式
特征理论潮流 模式计算流畅
废热
二级 三级
废水量大且温度高时：特征理 论温度模式预测水温；反之采 爱-兰法 用类比调查法 类比调查法
模式 类型 河流 常用 数学 模式 及推 荐
污染 物类 型 持久 性污 染物
水域类 评价等级 推荐水质预测模式 型 充分混 一级 合段 二级 三级 平直河 流混合 一级 过程段 二级 二维稳态混合模式 二维稳态混合模式；大中河 流，B/H≥20，预测水质断面 至排放口距离X≥3Km时，可采 用弗-罗模式
两点法
示踪试验法 酌情而定 类比调查法 爱尔德-兰德 茨（爱-兰） 法
非持 小湖 一级 久性 （库） 污染 二级 物 三级
多点法、多参数优化法 两点法、多参数优化法 室内实验法、类比调查法
无法取得合适 的实测资料 时，可以采用 室内实验法
模式 类型
非持 久性 污染 污染 水域类 物 确定混合系 确定混合系数 确定混合 评价等级 推荐水质预测模式 物类 型 系数Mt的 数Mx的方法 My的方法 型 方法 无风大 一级、二 湖泊推流衰减模式 湖 级、三级 （库） 近岸环 一级 爱-兰法 流显著 湖泊推流二维稳态混合衰减模 的大湖 二级 爱-兰法 式 （库） 三级 爱-兰法 分层湖 一级 （库） 二级 三级 顶端入 口附近 排入废 水的狭 长湖 （库） 循环利 用湖水 的小湖 （库） 一级 二级 三级 狭长湖移流衰减模式 狭长湖移流衰减模式 狭长湖移流衰减模式
斯特里特-菲立浦（S-P）模式
两点法、多点法、多参数优 化法；清洁河流实验室测定 法 两点法、实验室测定法、类 比调查法 多参数优化法 或示踪试验法 多点法、多参数优化法、kol 法；清洁河流（Ⅰ 、Ⅱ、Ⅲ 级水体）实验室测定法
经验公式法
清洁河流可以 不预测溶解氧 可以不预测溶 解氧
三级 平直河 流混合 一级 过程段
大河：一维动态混合衰减数值 模式；小河、中河：欧康那 （Q’Connor）河口衰减模式 欧康那（Q’Connor）河口衰 减模式 斯特里特-菲立浦（S-P）模式 爱尔德 （Elder） 泰勒法、多参 法、多参数 数优化法 优化法 泰勒法
多点法、多参数优化法
一维非恒定流 方程数值模式 （偏心差分解 法）计算流畅
一级、二 部分混合水质模式 级、三级 一级、二 ADI水质模式、特征理论模式 爱-兰法 级 三级 约瑟夫-新德邦（约-新）模式 近似采用持久性污染物的相应 模式 一级 特征理论温度模式预测水温 爱-兰法 爱-兰法 爱-兰法 爱-兰法
实验室测定法
海湾 数学 模式 及推 荐
持确定沉降系数K3 （综合消减系数 K）的方法
备注
托马斯（Thomas）模式
当预测的参数不包 括溶解氧时，多点 法 当预测的参数不包 括溶解氧时，多点 法 当预测的参数不包 括溶解氧时，两点 法
当预测的水包 括溶解氧时， 多参数优化法 质 可以不预测溶 解氧
K1改为综合消减系数K
三级 弯曲河 流混合 一级 过程段 二级 沉降明 显的河 一级 流充分 混合段 二级 三级 非持 充分混 久性 合段 一级 污染 物 二级
稳态混合累积流量模式
采用非持久性污染物相应预测 模式。托马斯（Thomas）模式
K1=0 K1=0 多点法、多参数优化法、kol 多参数优化 法；清洁河流（Ⅰ 、Ⅱ、Ⅲ 法；清洁河流 级水体）实验室测定法 经验公式法
确定混合系 确定混合系数 确定混合 系数Mt的 数Mx的方法 My的方法 方法
确定好氧系数K1的方法
确定复氧系数 K2的方法
确定沉降系数K3 （综合消减系数 K）的方法
备注
河流完全混合模式
多参数优化法 或示踪试验法 泰勒 （Taylor）法 泰勒 （Taylor）法 多参数优化法 或示踪试验法 泰勒 （Taylor）法 K1=0 多点法或多参数优 化法 多点法或多参数优 化法 两点法
淡水含量 百分比法 鲍登（Bowden）法、荷贝-哈百曼-费希尔（荷-哈-费）法、 海福林-欧康奈尔（海-欧）法、狄欺逊法
一维非恒定流方程数值模式（偏 心差分解法）计算流畅
及推 荐 模式 类型 污染 水域类 评价等级 推荐水质预测模式 物类 型 型 混合过 程段 一级 二维动态混合数值模式 非持 充分混 久性 合段 一级 污染 物 二级 确定混合系 确定混合系数 确定混合 系数Mt的 数Mx的方法 My的方法 方法 爱尔德 （Elder） 泰勒法、多参 法、多参数 数优化法 优化法 淡水含量 百分比法 、多参数 优化法 确定好氧系数K1的方法 确定复氧系数 K2的方法 确定沉降系数K3 （综合消减系数 K）的方法 备注
经验公式法
二维稳态混合衰减模式；大中 河流，B/H≥20，预测水质断 面至排放口距离X≥3Km时，可 采用弗-罗衰减模式
模式 类型
污染 物类 型
平直河 水域类 确定混合系 确定混合系数 确定混合 流混合 评价等级 推荐水质预测模式 型 系数Mt的 过程段 二维稳态混合衰减模式；大中 数Mx的方法 My的方法 方法 河流，B/H≥20，预测水质断 二级 泰勒法 面至排放口距离X≥3Km时，可 采用弗-罗衰减模式 三级 弯曲河 流混合 一级 过程段 二级 沉降明 显的河 一级 流充分 混合段 二级 三级 沉降明 一级 显的河 流混合 二级 过程段 三级 泰勒法 多参数优化法 或示踪试验法 稳态混合衰减累积流量模式 泰勒法
确定好氧系数K1的方法 两点法、多点法、多参数优 化法；清洁河流实验室测定 法 两点法、实验室测定法、类 比调查法 多点法、多参数优化法、kol 法；清洁河流（Ⅰ 、Ⅱ、Ⅲ 级水体）实验室测定法 两点法、多点法、多参数优 化法；清洁河流实验室测定 法 当预测的参数不包括溶解氧 时，多点法 当预测的参数不包括溶解氧 时，多点法 当预测的参数不包括溶解氧 时，两点法 多点法或多参数优化法
多点法或多参数优化法 两点法
河口 数学 模式 及推 荐
酸碱 充分混 一级、二 河流PH模式 污染 合段 级、三级 物 废热 充分混 一级、二 一维日均水温模式 合段 级、三级 混合过 一级、二 参考水电部门采用的方法 程段 级 持久 充分混 大河：一维动态混合数值模 性污 合段 一级 式；小河、中河：欧康那（Q 染物 ’Connor）河口模式 二级 三级 欧康那（Q’Connor）河口模 式 河流完全混合模式