一种暴雨时期河道干流富营养化状态响应的预测方法与流程

本发明属于水环境保护技术领域，具体涉及一种暴雨时期河道干流富营养化状态响应的预测方法。

背景技术

暴雨径流中夹带大量污染物，如cod(化学需氧量)、tp(总磷)及重金属等污染物。暴雨时期雨水径流可由支流排入干流，可使干流水质变差甚至引起水体的富营养化。例如，有研究学者发现暴雨4天后，湖泊的部分区域水质由ⅲ类变为ⅳ类。可见暴雨径流严重污染受纳水体，并极易造成受纳水体的富营养化。水体富营养化是指水体所包含的营养物质浓度过高的状态，易于导致水生植物快速生长、水质恶化和水生态系统失衡。所以暴雨径流污染越来越受到人们的关注，并且暴雨过后受纳水体的富营养化状态也引起了人们的重视。

通常人们对受纳水体富营养化状态的评估多采用实验测定法，而实验测定法一般较为繁琐，费时费力。数值模拟法则恰巧克服了实验测定法的不足，现存的数值模型有wasp(水质分析模拟程序)、mike(水环境模拟软件)及efdc(环境流体动力学模型)等，其中efdc模型是一款较新的三维开源模型，该模型由威廉玛丽大学维吉尼亚海洋科学研究所的johnhamrick等人开发，由水动力模块、水质模块和泥沙模块等模块组成，可以实现河流、湖泊和海洋等水体的水动力学和水质模拟。

对数型幂函数普适指数公式是一种富营养化评价方法，该公式具有定量客观、普适通用和易于计算等特点，但采用此公式计算需要已知水质指标的浓度值。

技术实现要素：

为及时获知暴雨时期干流的营养状态，本发明提出了一种暴雨时期河道干流富营养化状态响应的预测方法，综合与利用受纳水体富营养化状态的评估模型模拟和富营养化指数公式产生训练样本的基础上，再结合了bp神经网络的预测功能，实现暴雨时期河道干流富营养化状态的快速预测

本发明的一种暴雨时期河道干流富营养化状态响应的预测方法，该方法包括以下步骤：

步骤1、构建efdc模型并模拟河道，得到干流和各支流控制断面处的cod、do、nh3-n和tp四种水质参数值，四种水质参数的计算公式如下：

kcod＝kcd·exp[ktcod(t-trcod)]

公式中，cod是化学需氧量浓度；khcod是cod氧化所需的溶解氧半饱和常数；kcod是cod氧化速率；bfcod是沉积物与水体之间的cod交换通量，仅限应用水体底层；wcod是cod的外源载入量；kcd是cod在trcod温度下的氧化速率；ktcod是温度对cod氧化速率的影响；trcod是cod氧化的参考温度；

公式中，aont是单位质量的氨氮硝化作用所消耗的溶解氧质量；aocr是呼吸作用中溶解氧与碳之比；kr是复氧系数，只应用于表层水体；dos是溶解氧的饱和浓度；sod是沉积物与水体之间的do交换通量；wdo是do的外源载入量；

公式中，fnix是藻类群体通过基础代谢产生出的无机氮的比例；fnipx是计算时间开始以前的营养物质氮产生为无机氮的比例；pnx是藻类群体吸收氨氮的优先权；knit是硝化速率；bfnh4是沉积物与水体之间的氨氮交换通量，仅限应用水体底层；wnh4是氨氮的外源载入量；

公式中，po4p是颗粒态无机磷的浓度(gp/m³)；po4d是溶解态无机磷的浓度；fpix藻类群体通过基础代谢产生出的无机磷的比例；fpipx是计算时间开始以前的营养物质磷产生为无机磷的比例；wstss是悬浮颗粒物的沉降速度，由水动力模块计算所得；bfpo4d是沉积物与水体之间的磷酸盐交换通量，仅限应用水体底层；wpo4p是颗粒态无机磷的外源载入量；wpo4d是溶解态无机磷的外源载入量；

步骤2、依据富营养化评价的对数型幂函数普适指数公式，计算干流控制断面处的营养状态综合指数，具体包括以下处理：

首先计算各湖泊富营养化指标j的“规范值”xj：

其中，cj为各湖泊富营养化指标j的实测值，cj0为各湖泊富营养化指标的“极贫”营养值；

计算湖泊富营养化指标j的营养状态指数：

eij＝10.77×(lnxj)^1.1826

最后计算营养状态综合指数：

其中，wj为指标j的归一化权重值，权重取等权重值，即wj为0.25；

步骤3、训练并优化bp神经网络；不同的干流入口流量和降雨重现期以及计算所得的营养状态综合指数构成bp神经网络的训练样本，

步骤4、构建bp神经网络：网络结构由输入层、隐含层和输出层组成，其中干流入口流量和降雨重现期作为输入变量，河流控制断面处的营养状态综合指数作为输出变量，

步骤5、隐含层节点数寻优：确定最优的隐含层节点数为6，bp神经网络结构为2-6-1；

步骤6、采用优化后的bp神经网络进行预测：随机选择干流入口流量q和降雨重现期p，构成多组关于预测情景的测试样本(q,p)，采用优化的bp神经网络进行预测，获得预测结果。

与现有技术相比，本发明可以快速预测暴雨后河道干流富营养化状态的目的。

附图标记

图1是本发明的一种暴雨时期河道干流富营养化状态响应的预测方法流程图；

图2是本发明实施例的河道模拟区域图；

图3是bp神经网络训练结果图，(1)训练，(2)验证结果，(3)测试，(4)最优训练结果，(5)期望训练结果；

图4是优化的bp神经网络结构图；

图5是bp预测结果和公式计算结果的对比图；

图6是bp预测结果的相对误差曲线图。

具体实施方式

下面将结合附图对本发明的实施方式作进一步的详细描述。

本发明耦合了efdc模型、富营养化评价的对数型幂函数普适公式及bp神经网络，将干流入口流量和降雨重现期作为输入变量，干流控制断面处的富营养化综合指数作为输出变量。bp神经网络

如图2所示，本发明具体实施例为区域全长15km、平均高程-3.6m的模拟河道，其中包括干流和5条支流。具体参数包括：初始水位为1.5m，底部和侧壁粗糙度取0.02、径流系数取0.5，5条支流的集水区面积分别为31.8、16.73、11.29、46.76和33.82km²，将支流概化为暴雨径流入口。

本发明具体实施方式描述如下：

步骤1、构建efdc模型并模拟河道，获得河流控制断面处的水质参数；

通过改变干流入口流量和降雨重现期这两个参数获得多组计算工况，干流入口流量取值为0、10、20、30、50、60、70、100、150和200m³/s，降雨重现期取值为0.5、1、2、3、5、10和50a(a为年的意思，是降雨重现期的单位)，共组成70组计算工况。利用efdc模型对各工况进行模拟，得到干流和各支流控制断面处的cod、do、nh3-n和tp四种水质参数值，四种水质参数的计算公式如下：

kcod＝kcd·exp[ktcod(t-trcod)](2)

公式中，cod是化学需氧量浓度(go2-equivalents/m³)；khcod是cod氧化所需的溶解氧半饱和常数(go2/m³)；kcod是cod氧化速率(day^-1)；bfcod是沉积物与水体之间的cod交换通量(go2-equivalents/(m^2.day))，仅限应用水体底层；wcod是cod的外源载入量(go2-equivalents/day)；kcd是cod在trcod温度下的氧化速率(day^-1)；ktcod是温度对cod氧化速率的影响(℃^-1)；trcod是cod氧化的参考温度(℃)。

公式中，aont是单位质量的氨氮硝化作用所消耗的溶解氧质量(4.33go2pergn)；aocr是呼吸作用中溶解氧与碳之比(2.67go2pergc)；kr是复氧系数(day^-1)，只应用于表层水体；dos是溶解氧的饱和浓度(go2/m³)；sod是沉积物与水体之间的do交换通量(go2/(m^2.day))；wdo是do的外源载入量(go2/day)。

公式中，fnix藻类群体通过基础代谢产生出的无机氮的比例；fnipx是计算时间开始以前的营养物质氮产生为无机氮的比例；pnx是藻类群体吸收氨氮的优先权(0≤pnx≤1)；knit是硝化速率(day^-1)；bfnh4是沉积物与水体之间的氨氮交换通量(gn/(m^2.day))，仅限应用水体底层；wnh4是氨氮的外源载入量(gn/day)。

公式中，po4p是颗粒态无机磷的浓度(gp/m³)；po4d是溶解态无机磷的浓度(gp/m³)；fpix藻类群体通过基础代谢产生出的无机磷的比例；fpipx是计算时间开始以前的营养物质磷产生为无机磷的比例；wstss是悬浮颗粒物的沉降速度(m/day)，由水动力模块计算所得；bfpo4d是沉积物与水体之间的磷酸盐交换通量(gp/(m^2.day))，仅限应用水体底层；wpo4p是颗粒态无机磷的外源载入量(gp/day)；wpo4d是溶解态无机磷的外源载入量(gp/day)。

如表1所示，为干流和各支流控制断面处的水质参数(单位：mg/l)。

表1

步骤2、依据富营养化评价的对数型幂函数普适指数公式，计算干流控制断面处的营养状态综合指数，具体包括以下处理：

首先计算各湖泊富营养化指标j的”规范值”xj：

其中，cj为各湖泊富营养化指标j的实测值，cj0为各湖泊富营养化指标的”极贫”营养值，如表2所示，为湖泊富营养化指标”参考值”cj0，按表2取值；

计算湖泊富营养化指标j的营养状态指数：

eij＝10.77×(lnxj)^1.1826(7)

最后计算营养状态综合指数：

其中，wj为指标j的归一化权重值，权重取等权重值，即wj为0.25。

表2

步骤3、训练并优化bp神经网络；不同的干流入口流量和降雨重现期以及计算所得的营养状态综合指数构成bp神经网络的训练样本，

步骤4、构建bp神经网络：网络结构由输入层、隐含层和输出层组成，其中干流入口流量和降雨重现期作为输入变量，河流控制断面处的营养状态综合指数作为输出变量，

步骤5、隐含层节点数寻优：确定最优的隐含层节点数为6，bp神经网络结构为2-6-1；

步骤6、采用优化后的bp神经网络进行预测：随机选择干流入口流量(q)和降雨重现期(p)，以选取(q，p)为(0,3)、(10,5)、(20,10)、(30,2)、(50,1)、(60,3)、(70,0.5)、(100,50)、(150,5)和(200,50)十种预测情景为例，一共构成编号1到10的测试样本，采用优化的bp神经网络进行预测，获得预测结果。

如图5所示，是采用优化的bp神经网络进行实施例样本预测结果和公式计算结果对比示意图，此外图6显示了预测的相对误差曲线。从图5和图6可以看出，优化的bp神经网络具有很好的预测功能，相对误差都在1.5％以下。

采用此结构进行训练，从网络训练结果可以看出，网络训练充分并且未出现过拟合现象。