常规调水条件下城市河湖易发区域水华预测研究.pdf

第 59 卷 第 6 期2023 年 6 月GANSU WATER RESOURCES AND HYDROPOWER TECHNOLOGY甘 肃 水 利 水 电 技 术Vol.59，No.6Jun.，2023DOI：10.19645/j.issn2095-0144.2023.06.004收稿日期：2023-04-29基金项目：北京水务青年科技骨干人才培养计划（BWAPT202001）作者简介：王 超（1984-），男，北京人，工程师，硕士，主要从事城市河湖水文水资源管理、水生态修复，E-mail：。常规调水条件下城市河湖易发区域水华预测研究王超1，2，艾晓多2，温馨2，王思思2（1.北京市水科学技术研究院，北京 100048；2.北京市永定河管理处，北京 100165）摘要：针对传统预测模型存在的训练数据不足、预测精度有限等问题，研究提出了一种基于机理模型的叶绿素a浓度预测模型（CHLa-BP），该模型基于验证后水动力水质二维耦合模型模拟出的水华潜在高风险区的关键指标数据，结合BP神经网络对湖区叶绿素a浓度进行预测。结果表明：CHLa-BP模型预测出的结果，其训练阶段回归系数为0.918，均方根误差为21.63；测试阶段回归系数为0.880，均方根误差为24.33，均达到较好性能。通过建立的模型联用预测方法，可以有效预测水华发展趋势，协助管理人员提前做好应对措施，为城市河湖精细化管理提供科学依据。关键词：水华；叶绿素；浓度预测；城市河湖；永定河中图分类号：X143文献标志码：A文章编号：2095-0144（2023）06-0014-051前言水环境出现问题会造成生物死亡及生态衰退1。为了使河湖保持良好状态，可以通过定期监测某个断面的信息量进行预测预警，但效果有限。这主要是由于单个“点位”的藻类信息无法代表整个湖区的藻类发展状态，也无法体现表层水体的藻类空间发展异质特征。而藻类空间分布对生态系统的结构和功能、水环境及人类社会都具有重要作用。以往的线性分析，无法满足内部机制复杂的水环境问题。随着预测技术在水体研究中的逐步应用，众多学者将神经网络与多种算法相结合，在多种场景下分别取得了较好的应用效果，同时推动了估算模型的发展2-6。模型间的联用还提升了模型性能。赵桂生等7通过两种模型预测了我国的农业灌溉用水，为农业灌溉用水提供了标准；刘晶晶等8基于长短期记忆神经网络结合K-Similarity降噪方式，有效预测了水质发展；胡晴晖等9基于多模型优势，提取数据特征，构建了水质预测模型，取得了较好效果。结合水环境模型与机器学习，可以充分发挥非同类模型的应用价值。马金锋等10描绘了水环境模型与机器学习的融合框架，指出了融合模型的发展方向。河湖水环境中存在水华发生的影响因素，且在时空上存在一定程度的变化。因此，应结合河湖水华易发空间信息进行精细化预测。以永定河莲石湖8号湖区为研究对象，采用水动力水质二维耦合模型模拟出小流量补水分布特征，然后构建神经网络模型，对日常调水条件下，潜在水华易发区域中复杂的水文水质关系进行训练预测。2研究区概况和数据来源2.1研究区概况永定河绿色生态发展带是永定河流域生态治理工程的重点。结合河道地形特点，通过溪流将多个人工湖串联，形成拥有湿地、河流和湖泊的独特自然景观。8 号湖区位于莲石湖中上游，地势平缓，面积约8.9万m2（图1）。湖区受自然资源条件影响，易出现萎缩、水体污染等生态问题。其水质问题会影响湖区及下游的景观和生态健康，导致社会服务功能下降。为了改善湖区现状，恢复河湖生态，通过南水北调工程向永定河补水。2019年补水2.23亿m3，2020年春季补水2.31亿m3，2021年补水5.22亿m3，补水后平原段河湖水环境明显改善。2.2监测数据研究使用的数据，均来源于在莲石湖8号湖区开展的现场水文测定及现场水质采样工作。监测14的指标包括溶解氧（DO）、氨氮（NH3-N）、总磷（TP）、总氮（TN）、叶绿素a（Chl-a）、化学需氧量（CODMn）、藻类生物量和流量等。其中，溶解氧（DO）通过YSI多功能水质参数仪现场测定；其余化学指标参照GB 3838-2002 地表水环境质量标准 中的分析方法进行测定。采集藻类生物量时，将测定仪器插入水下0.5 m处画“”字形，并持续2 min；流速通过手持流速仪进行测定；水位指标通过标尺测读。采样时间范围分别为 2019 年 3-5 月、2020 年 4-6 月和2021年3-7月。采样频率为12次/周，采样预处理后及时送往实验室进行检测。3水动力水质二维耦合模型研究采用MIKE 21软件中的水动力模块（HD）、对流扩散模块（AD）和水质模块（Ecolab）对莲石湖8号湖区的主要水质指标进行模拟，从而掌握在水体中受到多重作用影响的水质指标的时空变化特征。3.1模型方程水动力模块是MIKE 21软件的基础模块，其水动力控制方程如下。二维水流连续性方程：ht+hu x+hv y=hS（1）二维水流动量方程组和二维对流扩散方程组：hu t+hu 2x+hu v y=fv h-ghx-h0pax-gh220 x+sx0-bx0-10sxxx+sxyy+()hTxxx+()hTxyy+husS（2）hv thv 2y+hu v x=fu h-ghy-h0pax-gh220 x+sy0-by0-10syxx+syyy+()hTxyx+()hTyyy+hvsS（3）式中：h为底高程与静水深d之和；t为时间；u、v 分别为 x、y 方向上的平均水深流速；S为点源强度；f 为科氏力系数；g 为重力加速度；pa为当地大气压应力；为水的密度；0为水的相对密度；sx为流体表面切应力；bx为流体底部切应力；sxx、sxy、syx、syy分别为辐射应力分量；us、vs分别为点源速度分量。对流扩散模块采用水深平均的平面二维数学模型，模型基本方程为：()hCt+()MCx+()NCy=xExhCx+yEyhCy+S+F()C（4）式中：C为TP、TN等水质因子浓度（mg/L）；M为横向单宽流量（m2/s）；N为纵向单宽流量（m2/s）；Ex为横向扩散系数（m2/s）；Ey为纵向扩散系数（m2/s）；S为源（汇）项（g/m2s）；F（C）为生化反应项。生态学变量随时间和空间的变化以对流扩散方程式为基础，其模型基本方程为：图18号湖区位置及地形77.577.077.576.577.076.076.575.576.075.075.574.575.074.074.573.574.073.073.572.573.072.072.571.572.071.071.570.571.070.5莲石湖8号湖区高程/m第6期王 超，等：常规调水条件下城市河湖易发区域水华预测研究第59卷15()hCt+()hUCx+()hVCy=xhDxCx+yhDyCy+hF()C+Cxq（5）式中：C为某一生态学变量的浓度；Dx、Dy分别为x、y方向上的扩散系数。3.2神经网络模型BP神经网络作为多层前馈算法训练模型，其信息处理过程由神经元之间的信息交互来实现。该模型具有自我学习、记忆能力、自适应、技术成熟和操作简单等特点，广泛应用于定量数据建模、模式识别分类和函数逼近11-13。BP神经网络模型由输入层、隐含层和输出层组成，各层的具体作用分别是训练数据、数据拟合及输出信息处理结果。当输出结果低于预期期望时，神经网络利用反向传播算法进行反向传播，直到找出参数的最佳组合。研究基于主成分分析，将与叶绿素a相关的流量、总磷、温度、溶解氧和化学需氧量作为神经网络输入层变量，将叶绿素a作为输出层变量，基于验证后MIKE 21水动力水质模型模拟出的数据进行训练，从而建立输入参数与输出参数之间的相互关系，构建城市河湖叶绿素a的神经网络模型。模型结构见图2。通过隐含层不同神经元经验公式，确定其节点数范围在411。通过模型迭代训练，在验证误差稳定且无变化趋势后进行记录，再采用同样方法测试多个神经元后，对比误差，确定隐含层节点数为 8。模型训练使用Sigmoid函数作为激活函数，逼近效果最佳。根据水文、水质监测等数据，通过MIKE 21构建水动力水质模型，在参数调整和数据验证后，将可以表征潜在水华发生风险区的关键指标数据代入神经网络模型进行拟合计算。BP神经网络是一种前馈神经网络，在正向训练学习过程中，不断优化权重和偏差；在反向传播算法中，通过计算误差梯度调整权重和偏差，用于降低误差和提高预测结果。根据训练后的结果进行验证，最终得到符合预期的高精度模型。网络模型流程见图3。4研究结果4.1数据获取叶绿素a是河湖水体发展变化过程中用于反映水质的重要指标，其变化阈值常用于表征河湖水体潜在的水华风险系数。将实地采样获得的水文、水质数据制作成时间序列，构建8号湖区水动力水质模型。通过在下游典型断面监测水位数据进行验证，水位的平均绝对误差为1.98%，叶绿素a的平均输出层输入层流量温度总磷溶解氧化学需氧量隐含层图2BP神经网络结构数据资料预处理水质监测信息水下地形水动力水质二维耦合模型构建水动力模型模拟参数拟定模型验证水动力水质模型模拟结果数据提取训练数据75%测试数据25%K字交叉验证法训练模型CHLa-BP模型模型训练径流数据水质数据（DO，A_TEMP，COD，TP）输入输入CHLa含量预测图3BP神经网络模型流程径流信息水质模型模拟2023年第6期甘肃水利水电技术第59卷16（b）图4模型验证78.0878.0478.0077.96水位/m模拟水位实测水位2021-06-112021-06-252021-07-09采样日期0.0360.0320.0280.0240.0200.016叶绿素含量/（mg/L）模拟叶绿素含量实测叶绿素含量采样日期（a）0.0150.0140.0150.0130.0140.0120.0130.0110.0120.0100.0110.0090.0100.0080.0090.0070.0080.0060.0070.0050.0060.0040.0050.0030.0040.0020.0030.0010.0020.001叶绿素a/（mg/L）图5小流量补水下的叶绿素a分布特征绝对误差为2.33%。模拟精度达到展现8号湖区调水期间基本情况的程度。与传统的直接构建神经网络模型，再通过数据清洗进行数据预处理不同，基于机理模型的预测模型将校核、验证后的模型所模拟出的水文水质时间序列数据与气象观测差值数据相互对应，可以用于叶绿素a的浓度预测模型的训练集验证，并可以剔除过程中出现的缺失值及大流量测试导致的无效值。为避免不同指标之间数值相差较大，导致较小数量级变量被忽视，故将数据统一进行归一化处理。受到内源因素、外源因素影响，河流呈现不同水环境质量状态。受到地形、水文条件和气象条件等多重因素影响，叶绿素a浓度在河湖中呈现不同分布特征。前期通过大流量调水恢复永定河河形、河貌，现阶段主要以小流量调水补充河湖水体自然损失及维持河湖景观、生态环境。根据永定河莲石湖8号湖区的水动力水质模型，通过参数调整调试、实测数据验证，获得了模拟精度较高、可用于调水过程分析的二维耦合数值模型，模型验证情况见图4。小流量调水条件下，随着流场的变化，叶绿素a浓度较高区域主要分布在湖区上游东侧。从重点区域获取与潜在水华风险相关的水文、水质数据用于预测分析更加准确。叶绿素a分布特征见图5。4.2训练与验证根据经验，将数据集的70%作为训练数据、15%作为预测集、15%作为验证集。在神经网络训练中，输入层及输出层使用Tansig函数，训练过程中使用Levenberg-Marquardt（列文伯格-马夸尔特）算法，该算法具有收敛速度快和训练精度高的特性。训练函数及学习函数整体调整权值和阈值，使整体误差及神经元误差降到最小。同时，为了避免模型的过度拟合，采用10折交叉验证法进行验证，取10个模型验证误差的平均值作为参数的验证结果。选用回归系数（R2）、均方根误差（RMSE）作为模型性能的评价指标。图6所示为CHLa-BP模型整体的训练和测试结果。从图6中可以看出，在模第6