本科生毕业论文

学 院 环境科学与工程

专 业 环境工程

年 级 2009 级

姓 名 赵加斌

指导教师 彭 森

2013年 6 月 14 日

本科生毕业论文任务书

题目：天津市某园区景观水体水质变化趋势研究

学生姓名 赵加斌

学院名称 环境科学与工程

专 业 环境工程

学 号 3009214111

指导教师 彭 森

职 称 讲 师

一、原始依据（包括设计或论文的工作基础、研究条件、应用环境、工作目的等）

景观水体是城市水环境中的一个重要组成部分，在改善人文环境、提升城市品位、促进经济发展等方法方面能够发挥重要作用。由于高强度人类活动影响和景观水体的自我调节机能薄弱，导致当前城市景观水体富营养化和水质恶化现象严重，。如何科学分析与预测景观水体的水质变化趋势，定位影响其水质变化的关键因素，为当前亟待解决的问题。本课题是指导教师承担的“绿色校园可持续的水循环模式构建和重点污染源消减技术”课题的一部分，充分分析、借鉴了国内外已有的研究成果，运用环境工程和数学模型的原理和方法，在对景观水体进行调研、水质监测的基础上，对景观水体水质变化规律和变化趋势进行分析与预测，并对涉及到的有关问题进行研究。该选题我们已有一定的工作基础，并具备进行科研的条件。

这一选题既可满足教学要求 ，同时也适合本科生毕业设计的科研选题 。其主要内容有：

（1）收集与整理研究区域内的现状资料；

（2）搜集整理相关文献资料，分析各种水质模拟方法的原理、特征以及适用范围等；

（3）对研究区域内的景观水体进行水质监测，对现状水质进行评价；

（4）对影响景观水体水质的相关因素进行分析、筛选与比较；

（5）采用2-3种数学方法，对景观水体水质变化情况进行模拟，分析水质变化规律，掌握区域内的景观水体的水质变化趋势；

（6）在掌握水质变化趋势基础上，经过合理分析与方案比选，提出景观水体的水质保持方案。

学生要调查、搜集拟研究区域内气象、水文以及规划、建设情况资料；基于该区域实际资料，采用2-3种方法对景观水体的水质变化趋势进行预测，并得到水质变化趋势图；提出切实可行的景观水体水质保持方案。

二、参考资料:

[1]Lawrence A B．The Water Environment of Cities[M]．New York：Springer-Verlag New York Inc，2010：125-130．

[2]郭迎庆．城市景观水体的污染控制和修复技术[J]．环境科学与技术，2005，28(supp)：148-150．

[3]宋英伟．城市景观水体生境改善技术与机理研究[D]．上海：华东师范大学，2009：1-4．

[4]王秀朵．北方缺水城市景观水体污染控制[J]．给水排水，2011，37(7)：1-3．

[5]李安峰，潘涛．水体富营养化治理与控制技术综述[J]．安徽农业科学，2012，40(16)：9041-9044．

[6]Cox B A．A review of currently available in-stream water-quality models and their　applicability for simulating dissolved oxygen in lowland rivers[J]．The Science of the Total Environment，2003，314(1)：335-377．

[7]樊敏，顾兆林．水质模型研究进展及发展趋势[J]．上海环境科学，2010，29(6)：266-271．

[8]Fu G，Butler D，Khu S．The impact of new developments on river water quality from an integrated system modelling perspective[J]．Science of The Total Environment，2009，407(4)：1257–1267．

[9]US EPA．Guidance on the Development, Evaluation，and Application of Environmental Models [Z]．US Environmental Protection Agency，2009：19-3．

[10]郭劲松，李胜海，龙腾锐．水质模型及其应用研究进展[J]．重庆建筑大学学报，2002，24(2)：109-115．

[11]宋华兵，张新政．内嵌神经网络的不确定水质模型研究[J]．水资源与水工程学报，2008，19(1)：12-14．

[12]Stow C A，Roessler C．Comparison of Estuarine Water Quality Models for Total Maximum Daily Load Development in Neuse River Estuary[J]．Journal of Water Resources Planning and Management，2003，129(4)：307-314．

[13]Brown L C，Barnwell T O．The enhanced stream water quality models QUAL2E and QUAL2E-UNCAS：documentation and user manual[Z]．US Environmental Protection Agency，1987．

[14]Wool T A，Ambrose R B，Martin J L，et al．The Water Quality Analysis Simulation Program，WASP6，Draft Users’ Manual[Z]．US Environmental Protection Agency，2001：1-3．

[15]Chapra S C，Pelletier G J，Tao H．QUAL2K：A Modeling Framework for Simulating River and Stream Water Quality，Version 2.11：Documentation and Users Manual[Z]．Civil and Environmental Engineering Deptartment，Tufts University，2008：3-4．

三、设计（研究）内容和要求（包括设计或研究内容、主要指标与技术参数，并根据课题性质对学生提出具体要求）

（一）内容与要求

1、调研、查阅有关研究文献资料；

2、搜集、分析、整理研究区域景观水体的有关资料（气象、水文、水质、排水雨水系统规划建设等）；

3、进行水质监测与水质评价；

4、应用2-3种数学方法建立景观水体水质模型；

5、利用水质模型，研究景观水体的水质模拟方法，预测水质变化趋势；

6、设计1套景观水体水质保持方案；

7、编写研究报告（毕业论文），其中要对研究内容、方法和技术路线进行说明，详细说明模型建立和模拟过程。用实际数据考核模型与程序并进行分析，有数据有图表；

8、要求用计算机绘制区内的水质变化趋势图。

（二）成果

1、研究区域的水质模型，实例模拟计算结果与分析等

2、一套完整实例资料

3、研究报告(毕业论文)

4、有关详图和附表说明

5、外文文献资料译稿一份(5000汉字)

指导教师（签字）

年 月 日

审题小组组长（签字）

年 月 日

天津大学本科生毕业论文开题报告

摘 要

在水资源短缺和水污染日益严重的背景下，对水环境的保护和研究越来越重要。而景观水体作为一种特殊的水环境，自净能力差，易受污染，是社会公众关注的焦点。

对景观水体水质变化趋势的研究，可以为确定景观水体的水环境容量、水质现状与水环境管理规划提供科学的依据，以实现景观水体的良性、可持续发展。

本文以天津大学校园内的四个景观湖作为研究对象，在前期调研、监测点布设的基础上进行水质监测，并根据监测数据对四大景观湖的水质现状进行分析与评价，发现四大景观湖基本上都满足V类水体的标准，但存在一定程度的富营养化现象。

利用敬业湖的水质监测数据建立机理性的WASP水质模型与非机理性的BP神经网络的水质模型，并利用统计学中的相关系数r来判断拟合程度，用相对误差来进行模型检验。拟合程度和检验结果都令人满意。最后，根据这两个模型作出水质变化趋势的预测，并从污染源的控制与自净容量的扩大两方面出发，提出一套景观湖水质保持方案。

关键字：景观湖；水质监测；水质模型；WASP；BP神经网络；水质变化趋势；水质保持方案

ABSTRACT

Under the background of water resources shortage and serious water pollution, it is more and more important to protect and research water environment. Landscape water is a special type of water environment and the public often focus on the landscape water. Because its self-purification ability is poor and it is easy to get polluted.

The research of landscape water quality can determine water environmental capacity of landscape water, water quality and provide a scientific basis to water environment management and planning. So the landscape water can keep good state and sustainable development.

In this paper, we analyze four landscape lakes in Tianjin University. Through preliminary investigation, the layout of sampling point, we begin monitoring the water quality. Basing on the monitoring data, we analyze and evaluate the water quality of four landscape lakes. On the whole, all of the four landscape lakes can meet the standard V, but they all have the problem of eutrophication.

Through using the water quality monitoring data of Jingye lake, we establish the mechanism water quality model WASP and non-mechanism water quality model BP artificial neural networks. And we use statistics of the correlation coefficient (r) to test fitting degree and used the relative error to test models. The fitting degree and test results are satisfactory. In the end, we forecast the change treads of water quality and propose a program to keep landscape lakes sustainable development from pollution controlling and self-purification capacity expansion.

Key words: Landscape Lake；Water Quality Monitoring；Water Quality Model；WASP； BP Artificial Neural Networks；Change Treads of Water Quality；Water Quality Maintaining Programs

目 录

第一章 绪论 1

1.1 研究背景 1

1.2 国内外发展状况 1

1.3 研究内容与方法 3

第二章 景观湖的基本概况 4

2.1 景观湖的地理位置和气候条件 4

2.2 景观湖的周边环境及水质要求 4

第三章 景观湖的水质监测 5

3.1 前期调研 5

3.2 监测点的确定 6

3.3 监测指标与相应的监测方法 8

第四章 景观湖的水质评价 9

4.1 水质监测结果与分析 9

4.1.1 物理性指标的分析 9

4.1.2 化学性指标的分析 10

4.1.3 生物性指标的分析 16

4.2 水体的富营养化评价 17

第五章 WASP水质模型 21

5.1 WASP简介 21

5.2 WASP模型的基本计算方程 21

5.3 WASP模型的建立与检验 22

5.3.1 叶绿素a的模拟 23

5.3.2 氨氮的模拟 24

5.3.3 溶解氧DO的模拟 25

5.3.4 WASP模型的检验 27

5.4 基于WASP水质模型的水质变化趋势 28

第六章 BP神经网络的水质模型 29

6.1 BP神经网络简介 29

6.2 BP神经网络的水质模型的建立 29

6.3 BP神经网络水质模型的检验 32

6.4 基于BP神经网络的水质变化趋势 33

第七章 景观湖的水质保持方案 35

7.1 污染源的控制方案 35

7.2 自净容量的扩大方案 36

7.2.1 物理化学法 36

7.2.2 生物法 36

7.2.3 生态法 36

第八章 总结 37

8.1 主要结论 37

8.2 不足与展望 38

参考文献 39

外文资料

中文译文

致谢

第一章 绪论

1.1 研究背景

水是地球的重要组成成分，也是人类赖以生存的基础。从世界范围上看，我国的水资源总量排名第六，位于巴西、俄罗斯、加拿大、美国和印度尼西亚之后，约占世界河川径流总量的5.8%[1]。然而，我国人口众多，人均水资源的拥有量仅为2200m3，是世界人均拥有量的1/4。同时，我国的水资源在空间上分布及其不均衡，存在“南多北少、东多西少”的现象。而天津的人均水资源拥有量不到160 m3，位于全国倒数第一，远远低于国际惯例规定的人均1700 m3的警戒线，甚至比1000 m3的紧缺标准和500 m3的极度紧缺标准还要低。

同时，严重的环境污染使大量的水资源失去了被人类利用的价值，这无疑使人均实际可支配的水资源量进一步下降。水资源短缺已经成为世界关注的焦点。而随着社会经济的发展和人们生活水平的不断提高，人们对生活周围的水环境质量也越来越重视。景观河道、人造湖泊和人造景观湖等景观水体作为一种可以调节气候、美化环境与陶冶情操的“元素”，在越来越多的城市开始出现。

然而景观水体大多数都是静止或者流动性很差的缓流水体，易污染，自净能力差[2]，并容易成为居民生活污水、雨水和垃圾的受纳体[3]。同时，不少景观水体的建设过于形式化，生搬硬套[4]，后期又缺少维护和治理，使得景观水体在一段时间之后就会发黑发臭，出现严重的水污染现象。

在全球水资源短缺与水污染严重的背景下，研究污染物在景观水体中迁移、扩散的规律与各个水环境因子之间的相互关系，确定引起景观水体水质变化的关键因素，并对景观水体的水质变化趋势进行预测的景观水体水质变化趋势研究就成为国内外学者研究的重点。

同时，景观水体的水质变化趋势研究能为景观水体的水质评价、景观水体自净容量的确定、景观水体富营养化与污染的控制和水环境管理规划[5]提供科学的依据，以实现景观水体的综合利用和可持续发展，并为解决困扰全世界的水环境问题做出自身独有的贡献。

1.2 国内外发展状况

自从1925年Streeter和Phelps研究了水体中的BOD与DO的变化关系，并提出著名的BOD-DO水质模型[5]以来，研究水体水质变化趋势的序幕就此拉开。特别在上个世纪六七十年代，水质变化趋势的研究得到了很大的发展，一些研究者如：Vollenweider、Dillon等深入研究了景观水体的富营养化与水体营养物质之间的关系[2]。在七八十年代，美国在景观水体水质变化趋势及预测方面取得了巨大的研究成果，研发了许多用于水质变化与预测的模型，如WRMMS模型以及动态水质模型WASP[5]。从八十年代以来，伴随着发达国家对水体面源污染的控制，水体的面源污染得到了很好的控制，大气中的污染物成为影响水质的重要污染因素。在这个时期，产生了QUAL系列模型[6]。同时伴随着计算机技术的不断发展和创新、数学理论的不断突破和进步，多种新的技术方法被应用到水质模型中，如：随即数学、模糊数学、人工神经网络与3S技术，并由此建立了较为成熟的水质模型与预测体系。

在国内，对水体的水质变化趋势研究相对起步较晚。由于绝大部分的景观水体缺少数据资料，自然对景观水体内部各因子的变化过程与规律难以掌握。当然，这就更难实现建立景观水体的水质模型与预测体系的目标。直到七五期间，国家环保局才对我国境内的20多个具有代表性的湖泊进行了探讨与调查工作，获得了较多、较高水平的水体数据资料。并在深入研究水体富营养的变化趋势之后，提出了评价水体富营养化的3个方法，即营养度指数法、营养状态指数法与评分法[2]。

进入21世纪，国内一些研究学者在研究了水体水质变化规律的基础上，借助计算机强大的计算功能，利用最新的数学理论，提出了多种水质评价方法和水质模型：如李广源等研究了基于最小一乘法的多元线性回归预测模型[7]，成功预测了2010年洞庭湖富营养化评价指标值；李祎泳等研究了投影寻踪回归（PPR）的富营养状态的综合指数预测模型，并在优化后得到了适用于太湖的富营养化综合指数的PPR预测模型[8]；陈毓龄等研究了浅水水体的水动力的生态水质模拟模型[9]，模拟精度良好，最终对滇池1988年的富营养化程度进行了判别；侯军等选用三层网络结构的BP神经网络来模拟景观水体的富营养化状况，通过软件MATLAB编写了BP神经网络训练和测试程序，成功预测了水体中叶绿素a的含量[10]。这些研究和结论的出现，对国内景观水体水质变化趋势的研究起到了很好的指导作用。

总的来说，水质模型沿着研究范围、变量、网络不断增加的方向发展，并且可以分为两个种类：一个是非机理性的水质模型，另一个是机理性的水质模型[5]。

随着水环境中污染物的迁移和转化规律的研究不断深入，以及实际生活中人们对水质模型的需要，对于以水质为中心的流域管理模型将在未来产生，以取代现在主要研究的纯水质管理模型[5]。同时，也会产生以大气、土壤、水体、生物等组成的多介质的环境生态综合模型，这样的模型才更加符合人们的实际生活，也将更加准确的应用于水环境评价与水环境的管理规划。当然，随着人工智能的不断发展，计算机技术、智能算法与3S技术也必将在水质模型的研究与开发中得到越来越大的应用。

1.3 研究内容与方法

本文以天津市天津大学校园内的4个景观湖作为研究对象，通过调研、查阅有关文献，收集该区域的气象、水文等资料，并对校园景观湖进行水质监测，监测内容包括水温、pH、氨氮、总氮、总磷、化学需氧量COD（Chemical Oxygen Demand）、色度、浊度、溶解氧DO（Dissolved Oxygen）和叶绿素a等10项水质指标。然后根据水质监测数据，对天津大学校园景观湖进行水质分析与富营养化评价，并选取具有代表性的敬业湖的监测数据，建立基于时间序列的BP神经网络[11]水质模型和机理性的WASP模型[12]。然后进行了模型的检验和水质变化趋势的分析。最后根据景观湖水质现状的分析结果、水质变化趋势等内容提出一套适用于天津大学校园景观湖的水质保持方案。

技术路线如下图1.1：

图1.1 技术路线图

第二章 景观湖的基本概况

2.1 景观湖的地理位置和气候条件

本文研究的天津大学四个校园景观湖位于天津市的市中心。天津市位于西太平洋、环渤海湾地区，北纬38°34′至40°15′，东经116°43′至118°04′之间，属于典型的暖温带半湿润季风性气候，受季风气候的影响比较明显。在冬季，主要受到蒙古的冷高气压的控制，盛行偏北方；在夏季，主要受到西太平洋的热低压控制，盛行偏南风。年平均气温大约为14℃,7月份最热，7月平均温度可以达到28℃。1月份最冷，1月平均温度仅为-2℃。年降水量在360-970mm之间，且时间上分布不均，主要集中在7、8月份。

2.2 景观湖的周边环境及水质要求

本文研究的天津大学四个校园景观湖都是封闭式独立的小型浅水湖泊，分别为敬业湖、青年湖、爱晚湖和友谊湖。根据调研资料：敬业湖水面面积29068m2，平均深度为3.6m，总容积为104645m3，水体流动性较差。周边除了西北角有一小部分的芦苇生长之外，四周其他地方几乎都没有水生植物生长。同时，敬业湖的四周还有一些雨水和污水的排污口。

青年湖水面面积约为45156 m2，平均深度为6.8m，容积为307061 m3，水流的流动性也比较差。其四周基本上都有水生植物生长，但主要集中在东北角和西北角处，水生植物的种类主要为芦苇。同时，化工实验楼几乎每天都会向青年湖的西南角排放污水，而在湖的其他地方也存在着很多的雨水的排污口。

友谊湖的水面面积为24700 m2，平均水深为4.5m，容积为111150 m3，流动性也比较差。而爱晚湖的水面面积为13200 m2，平均水深为4.5m，容积为59400 m3，边岸的水非常浅，流动性也非常差，水质较浑浊。友谊湖和爱晚湖四周也有很多的雨水排污口。

而对于校园景观湖的水质要求，根据《地表水环境质量标准》（GB3838-2002）的规定：对于一般景观要求的水域，适用于V类水体的标准。所以，四个景观湖的水质需要满足V类水体的标准，主要污染物的指标限制为：pH值处于6~9之间，化学需氧量≤152mg/L，氨氮≤2.0mg/L，总磷≤0.2mg/L，总氮≤2.0mg/L。

第三章 景观湖的水质监测

对于水环境的水质监测，其实就是监视与测定水环境中能够代表水质状况的物化生指标的浓度、分布及其变化规律。水质监测是了解水环境现状，对水环境进行评价和水环境管理规划的基础。水质监测的好坏决定了水环境研究、评价与管理规划的可靠性与准确性。

本课题主要针对天津大学校园内的四大景观湖进行水质监测，监测的目的是获得能够代表四大景观湖水质情况的物化生指标的数据，为景观湖的水质评价和水质模型的建立提供科学的依据。

3.1 前期调研

前期调研是了解水质监测对象的最主要手段，同时能为监测点的确定提供科学的依据。本课题前期调研的主要内容是实地考察四大景观湖周围的环境状况，包括景观湖四周的水生植物、岸边的植被与排污口的分布等。调研结果表明，天津大学校园内四大景观湖周围确实存在一些排污口，包括雨水的排污口和污水的排污口，并且景观湖四周的环境也存在较大差异。具体调研结果如图3.1和图3.2所示：

图3.1 四大景观湖周围的排污口与水生植物分布图片

图3.2 四大景观湖四周排污口的分布图

3.2 监测点的确定

根据前期调研的结果，就可以布设水质监测的监测点。监测点的布置要符合布点均匀、具有代表性和及时性等特点，以能够真实的反映各景观湖的水质变化情况。污水口，能够最大程度的反映排放入景观水体中污水的性质；雨水口，能够反映经过雨水管道排入景观水体的地表雨水径流的性质；水生植物生长区，能够最大程度的反映水生植物的生长对水体的影响；而对于能够表征整个水环境状况的主体水，选取的是水流流动状况良好的地点。

所以，针对四大景观湖不同的特点，分别布设了每个景观湖自身的监测点。对于敬业湖，选择西北角的生长芦苇处、南边的雨水口、水流流动性较好的中间桥洞处和东北角的污水口作为4个监测点；对于青年湖，选择西边的污水口、南边水流流动性较好处和靠近东北角生长芦苇处3个监测点；对于爱晚湖，在西边分别选择水流流动性较好的两个地点作为监测点；对于友谊湖，也在西边选择水流流动性较好的两个地方作为监测点。监测点的具体位置如图3.3：

图3.3 四个景观湖中的各个监测点的位置图

各个景观湖的监测时间为2013年3月24号——2013年5月19号，监测频率在无特殊情况下为一周两次。

3.3 监测指标与相应的监测方法

对各个景观湖监测点的水样进行了水温、pH值、色度、浊度、化学需氧量、氨氮、总氮、总磷、叶绿素a和溶解氧这10项指标的监测。这几个指标的监测方法如表3.1所示：

表3.1 天津大学校园景观湖水质监测方法

第四章 景观湖的水质评价

4.1 水质监测结果与分析

从2013年3月24号至2013年5月19号，对天津大学校园内的四大景观湖进行了为期近两个月的水质监测。监测内容有水温、pH值、色度、浊度、化学需氧量COD、氨氮、总氮、总磷、叶绿素a和溶解氧DO这10项水质指标。根据衡量水质情况的物理性指标、化学性指标和生物性指标三方面对这10个指标分类[13]，然后对四大湖进行水质分析。

4.1.1 物理性指标的分析

本课题监测的物理性指标主要有水温、色度和浊度三个指标。选取能够代表景观湖整体水质情况的主体水的监测数据来研究四大景观湖水质的变化情况。

水温、色度和浊度的具体变化情况见图4.1、图4.2和图4.3。

图4.1 四大湖水温随时间的变化关系图

图4.2 四大湖色度随时间的变化关系图

图4.3 四大湖浊度随时间的变化关系图

水温是表示景观湖水体热力学特征的重要标志[14]。水温与水中的溶解氧、藻类的生长具有密切的关系。从四大景观湖的水温随时间的变化关系图可知，四大湖水温的变化几乎相同，且都随着气温的升高而逐渐增大。

纯水是无色的，水的色度有表色和真色之分。表色是包括溶解物质、胶体物质和悬浮物质共同引起的颜色，而真色是水去除了悬浮物质之后得到的由溶解物质或者胶体物质所引起的颜色。本课题中是利用C200水质分析仪进行色度的监测，监测的是四大景观湖水体的表色。由于刮风扬尘、植物花粉等众多因素的影响，四大景观湖的色度值波动性比较大。随着四大景观湖四周植被的生长和气候的好转，整体来说，四大湖中水的色度有下降并稳定在一个特定值的趋势。

纯水不存在浑浊现象，而实际水环境中由于具有悬浮物、胶体物质而使水体呈现一定的浑浊现象。浊度可以用来很好的衡量水的浑浊状况。本课题中用HACH-2100P浊度仪对四大景观湖进行浊度的监测。从四大湖的浊度随时间变化关系图可知，除青年湖之外，其他三个景观湖的浊度随时间的变化都不大。这可能是由于青年湖周围建筑物的高度相对比较低，四周相对比较空旷，可能由刮风引起的尘埃等物质更加容易进入青年湖中所致。

4.1.2 化学性指标的分析

本课题监测的化学指标主要包括pH值、COD、DO、氨氮、总氮和总磷6项指标。首先，选取能够代表景观湖整体水质情况的主体水来研究四大景观湖的水质变化情况。然后，再选取青年湖的不同监测点来研究排污口和水生植物对水质的影响情况。四大景观湖主体水的pH值的变化关系如图4.4，青年湖各监测点的pH值的变化关系如图4.5。

图4.4 四大湖pH随时间的变化关系图

图4.5 青年湖各监测点pH随时间变化关系图

pH值是鉴别水质优劣的重要标志之一。存在富营养化的水体，pH值一般为中性或者弱碱性，洁净的水pH值接近7。水中的pH值主要取决于水中氢离子浓度，而水中氢离子浓度主要取决于CO32-、HCO3-、CO2的对比关系[14]。

由图4.4可知，四大景观湖水的pH值呈现弱碱性，各个景观湖之间的差别不是很大，除青年湖之外，其他三个景观湖都能满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准：pH=6~9。青年湖在进入4月中旬以后pH值就开始超过V类水体的pH指标上限。由图4.5可知，对于校园景观湖青年湖，污水口排放的污水的pH值明显比主体水低，而在靠近芦苇生长区，其pH值基本与主体水一致。

四大景观湖主体水的氨氮变化关系如图4.6，青年湖各监测点的氨氮变化关系如图4.7。

图4.6 四大湖中氨氮浓度随时间的变化关系图

图4.7 青年湖各监测点氨氮随时间的变化关系图

水中藻类的生长需要氮、磷等营养元素。氨氮这种氮元素的存在形态是藻类对氮元素利用的主要方式。由图4.6可知，四大景观湖基本上在3月底和4月份的氨氮含量都超过了《地表水环境质量标准》（GB3838-2002）中V类水体的标准：氨氮≤2.0mg/L。而在5月份，基本上都可以满足V类水体的标准。这可能是由于四大景观湖中的水生植物的生长消耗了水中的氨氮，使四大景观湖中氨氮含量随时间逐渐下降。四大景观湖氨氮含量整体的趋势是下降的。由图4.7可知，青年湖污水排放口排放的污水氨氮含量非常高，基本上维持在5-6mg/L。而靠近芦苇生长区的氨氮含量基本上与主体水一致，随着时间呈现不断下降的趋势。

四大景观湖主体水的COD变化关系如图4.8，青年湖各监测点的COD的变化关系如图4.9。

图4.8 四大湖中化学需氧量随时间的变化关系图

图4.9 青年湖各监测点化学需氧量随时间的变化关系图

化学需氧量COD作为一种表征水体有机物含量大小的重要指标。其值越大，说明水中的有机物污染就越严重。从图4.8可知，除了青年湖以外，其他三个景观湖水的COD在绝大部分情况下都能满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准：COD≤40mg/L，而青年湖在绝大部分情况下都超过了《地表水环境质量标准》（GB3838-2002）中V类水体的标准限值。说明青年湖存在一定有机物污染，而对于青年湖在4月14号至4月21号COD值特别高的现象，可能是由于当时水中藻类爆发和死亡，使得水中有机物含量大幅增加所造成。从图4.9可知，青年湖的污水口排放的污水有机物含量并不高，同时在靠近芦苇生长区其COD含量会比主体水略大一下，这可能是由于部分水生植物的死亡使水中的有机物含量增加所致。

四大景观湖主体水的总氮变化关系如图4.10，青年湖各监测点的总氮的变化关系如图4.11。

图4.10 四大湖中总氮含量随时间的变化关系图

图4.11 青年湖各监测点总氮含量随时间的变化关系图

总氮作为一种能够衡量水中氮元素总量的指标，是藻类等水生植物生长的必须营养元素。总氮是由氨氮、硝酸盐氮、亚硝酸盐氮和有机氮组成。当水中存在大量正磷酸盐，在适宜的水温和光照强度下，能够刺激藻类的固氮作用[14]。从图4.10可知，四大景观湖水中总氮的含量呈现下降的趋势，这可能是与水中藻类等水生植物生长的固氮作用有关。但是整体而言，四大景观湖的总氮含量还是超过了《地表水环境质量标准》（GB3838-2002）中V类水体的标准：TN≤2mg/L。从图4.11可知，青年湖污水口排放的污水总氮含量存在一定的波动性，但大部分情况下总氮含量较高，对于靠近芦苇生长区总氮含量与主体水大致相同。在进入4月下旬后，可能由于芦苇的生长，其值会比主体水略小一些。

四大景观湖主体水的总磷变化关系如图4.12，青年湖各监测点的总磷的变化关系如图4.13。

图4.12 四大湖中总磷含量随时间的变化关系图

图4.13 青年湖各监测点总磷含量随时间的变化关系图

磷作为藻类生长所需的另一种营养元素，在存在富营养化的水体中，会以各种形式存在。总磷能够很好的衡量水中磷元素的总量。从图4.12可知，四大景观湖中的总磷含量都非常接近，虽然存在总磷含量略有上升的趋势，但都完全可以满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准：TP≤0.2mg/L。

从图4.13可知，青年湖的污水口在5月份之前排放的污水中总磷含量并不高，基本上与主体水接近，在进入5月份之后，排放的污水中总磷含量就有急剧上升的趋势，过了5月中旬，污水口的污水中总磷含量甚至都超越了V类水体的指标限制。需要对其污水口排放的污水进行一定的除磷处理。

四大景观湖主体水的溶解氧变化关系如图4.14，青年湖各监测点的溶解氧的变化关系如图4.15。

图4.14 四大湖中溶解氧含量随时间的变化关系图

图4.15 青年湖各监测点溶解氧含量随时间的变化关系图

水中的溶解氧DO是一个综合的物化指标，其值与水中的众多因素有关，且水生动植物的生存都对其有一定的要求。当DO小于1mg/L时，鱼类就会窒息死亡。本课题是使用Orion Star A123溶氧仪测量水面以下0.3m处的溶解氧，由于是现场实地监测，其值受水中植物的光合作用的影响较大。从图4.14可知，四大景观湖中DO值满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准：DO≥2mg/L。且在4月中下旬和5月上旬，DO值存在上升的趋势，这可能是当时水中水生植物较多，光合作用较强有关。从图4.15可知，青年湖污水口排放的污水DO值几乎接近0，基本上可以认为处于厌氧状态。此时厌氧细菌便会生长、繁殖，并发生有机物的腐败发臭，这与现场实际监测时遇到的恶臭环境相符。而靠近芦苇生长区，其DO值在一般情况下会比主体水略高。这可能与靠近芦苇区水生植物的光合作用会比较强有关。

4.1.3 生物性指标的分析

本课题中的生物性指标主要是指水中叶绿素a含量。四大景观湖主体水的叶绿素a含量变化关系如图4.16。

图4.16 四大湖中叶绿素a含量随时间的变化关系图

叶绿素是一种与光合作用有密切关系的色素。叶绿素有叶绿素a、b、c和d四种。几乎所有能进行光合作用的植物与藻类都存在叶绿素a。所以，可以叶绿素a的浓度来衡量水中藻类的含量。从图4.16可知，除青年湖之外，其他三个湖的叶绿素a含量波动不大，只有青年湖在4月中下旬和5月中旬存在两次叶绿素a剧增的情况，说明当时可能有藻类的爆发。

4.2 水体的富营养化评价

水体的富营养化是指在光照和其他适宜的环境条件下，水中所含的氮、磷等营养物质使水体中的藻类过量生长，在随后藻类死亡和异样微生物代谢活动中，水体中溶解氧很可能被耗尽，造成水质恶化和水生态环境结构破坏的现象[15]。可见，水体的富营养化严重制约着社会与经济的发展，且日益成为公众关注的焦点。

水体富营养化的判别指标大致有三类：物理指标、化学指标和生物指标[4]。目前，判断水体的富营养化状况的方法多种多样，本文采用《地表水环境质量评价办法（试行）》（2011）推荐的综合营养状态指数法。

综合营养状态指数法是由我国著名的湖泊专家金相灿提出，具体计算公式如下：

（4.1）

式中：TLI是综合营养状态指数；

Wj是第j种参数的营养状态指数的相关权重；

TLIj是第j种参数的营养状态指数；

其以叶绿素a作为基准参数，则第j种参数的归一化的相关权重的计算公式为：

（4.2）

式中：rij是第j种参数与基准参数叶绿素a的相关系数；

m是评价参数的个数；

中国湖泊（水库）的叶绿素a与部分参数之间的相关系数rij及rij2见表4.1：

表4.1 中国湖泊（水库）部分参数与叶绿素a的相关关系rij及rij2值

注：引自金相灿等著《中国湖泊环境》，表中rij来源于中国26个主要湖泊调查数据的计算结果。

营养状态指数的计算公式为：

（4.3）

（4.4）

（4.5）

（4.6）

（4.7）

式中：chla的单位为ug/L；透明度的单位为m；其他指标单位均为mg/L。

采用0~100的连续数字对湖泊（水库）综合营养状态进行分级，分级标准为：

TLI（∑）＜30 贫营养

30≤TLI（∑）≤50 中营养

TLI（∑）＞50 富营养

50≤TLI（∑）≤60 轻度富营养

60＜TLI（∑）≤70 中度富营养

TLI（∑）＞50 重度富营养

根据标准可知，对于综合营养状态指数法，综合营养状态值越大，水体的富营养化程度就越重。为了较好的评价天津大学校园景观湖的富营养情况，将每个湖的监测数据分为4月份与5月份两组。由于实际监测中未对透明度进行监测，只能利用TP、TN、chla和COD这4项指标来进行综合营养状态的判断。四大景观湖主体水的TP、TN、chla和COD这4项指标的月平均监测指标值如表4.2：

表4.2 四大景观湖4、5月份的TP、TN、chla和COD的月平均监测指标值

由于综合营养状态指数法使用的是CODMn，故需要对监测的化学需氧量COD，即CODGr进行处理，据相关资料[16]和有关实验值，可以得到：

（4.8）

所以，四大景观湖主体水的TP、TN、chla和CODMn这4项指标的月平均值如表4.3：

表4.3 四大景观湖4、5月份的TP、TN、chla和CODMn的月平均值

根据综合营养状态指数法的计算方法，需要对各个参数营养状态指数的相关权重Wj进行处理，结果如表4.4：

表4.4 各个参数营养状态指数的相关权重Wj处理值

所以，对于四大景观湖在4、5月份的综合营养状态指数如表4.5。

表4.5 四大景观湖4、5月份综合营养状态指标值

可见，青年湖在4、5月份的综合营养状态指数分别为64.7和62.9，都属于中度富营养化；敬业湖在4、5月份的综合营养状态指数分别为51.5和51.4，都属于轻度的富营养化；友谊湖在4、5月份的综合营养状态指数分别为57.7和50，也都属于轻度的富营养化；爱晚湖在4、5月份的综合营养状态指数为55和54.9，也属于轻度的富营养化。对于同一个景观湖，其在4、5两个月份之间的综合营养状态指数差别不大，在适宜的外界条件下，每个景观湖都存在富营养化现象，且四个景观湖相比，青年湖的富营养化程度最为严重。这可能与水质监测结果的分析中，四个景观湖中青年湖的总氮与总磷含量最大和青年湖的污水口排放的污水中的总氮、总磷含量很高有关。

第五章 WASP水质模型

对于水环境水质变化趋势的研究，最主要的是能确定水环境周围的情况和水质变化的规律，水质模型无疑是解决这些问题的最好解决办法[17]。经过人们长期的实验和对水环境中生化反应的不断认识，关于水质趋势变化的机理性模型不断建立。同时，伴随着机理性模型研究的深入和计算机技术的不断发展，出现了一批具有代表性的水质模型体系，如WASP模型体系[18]、SMS模型体系[19]和QUAL模型体系[20]等。本论文中选择WASP模型体系来建立天津大学校园景观湖的水质模型。

5.1 WASP简介

WASP（Water Quality Analysis Simulation Program）是由美国环保局开发的地表水水质模型，其实质是利用一系列的质量平衡方程来描述水体中各种物质的迁移和转化。WASP被广泛应用于总量控制、排污权分配以及流域保护规划。WASP模型分为水动力学模拟部分和水质模型部分，它们既可以单独运行，又可以耦合运行，水质模型部分还可以与其它水动力模型相连接，为模型的应用提供很强的灵活性[21]。同时WASP可以对水体进行分段处理，可以模拟一维、二维和三维的水质，模拟水体的点源、非点源的污染物负荷以及边界交换等情况，适用于水体内有机物、DO、营养物质、有毒物质、有毒化学成分以及浮游生物的迁移转化过程，被称为“万能水质模型” [22]。

WASP的水质模拟部分主要分为两个基本模块，EUTRO和TOXI。EUTRO模块用来分析与水体中富营养化有关的传统水质指标，包括溶解氧、碳生化需氧量、营养物质和藻类等在水体中的迁移变化情况；TOXI 模块主要用来模拟有毒物质，包括有机污染物、汞、镉等离子态重金属污染物等。

5.2 WASP模型的基本计算方程

WASP模型的实质是利用一系列的质量平衡方程来描述水体中各种物质的迁移和转化。WASP模型的质量平衡方程[23]如下：

（5.1）

式中：C为水质组分的浓度，mg/L；

t 为时间步长，d；

Ux，Uy，Uz为纵向、横向和垂向速度，m/d；

Ex，Ey，Ez为纵向、横向和垂向扩散系数，m2/d；

SL项为点源和面源负荷，g/ m3 ；

SB项为边界负荷，g/ m3 ；

SK项为水质组分的总转化率，g/ m3·d；

假设水体的垂向和横向是均匀的，将可以得到以下的一维水质组分的运动方程：

（5.2）

式中：A为水体的截面面积，m3；

其余符号的意义同上。

WASP水质模型是由一系列能够代表水体的控制点构成，这些控制点被称为“单元体”。在“单元体”内部，水体的水流速度变化均匀，水中污染物也不存在浓度梯度的变化。

5.3 WASP模型的建立与检验

WASP模型的建立包括7个重要的部分：1、模拟和输出控制；2、确定模型的分段数据；3、污染物的平流和弥散作用的界定；4、边界浓度的确定；5、点源与面源污染负荷的确定与输入；6、动力学参数、常量与时间变化相关函数的输入；7、初始浓度的输入。

本论文中以敬业湖作为模拟的对象，以敬业湖主体水在2013年3月24号至6月3号（由于数据样本太小，在原来5月19号基础上，增加了5月26号、5月31号和6月3号三组监测）之间的变化作为输出控制。主要进行模拟的指标有叶绿素a、氨氮与溶解氧DO三个指标。在建立WASP模型之前，需要先对敬业湖进行分段，考虑到敬业湖为封闭式的小型浅水湖泊，分段按照存在芦苇生长区、有雨水排污口、主体水边界和污水口分为4段，具体分段结果如下图5.1。

图5.1 敬业湖建模分段结果图

污染物的排入主要是从敬业湖南边的雨水口和敬业湖的东北角的污水口。污染物的扩散主要考虑的是纵向的扩散作用。以靠近芦苇生长区、靠近主体水边界和污水口的3个边界监测值作为敬业湖的边界浓度，以雨水的排放口作为点污染源。各个变量输入的时间函数全部取实际监测值随时间的变化值，并以3月24号的监测结果作为个水质参数的初始浓度。并且在WASP模型中将3月24号至5月12号的监测数据作为模型建立过程中的训练集，用5月16号至6月3号的实际监测值作为模型运行效果的检验集。

对于水质模型运行时的有关参数的设定，主要依靠人工手动调整参数，使得模型运行后的模拟值与实际值能达到最好的拟合效果。具体拟合的程度使用统计学中的相关系数r这个指标来衡量，其表达式为：

（5.3）

式中：Pi为第i个预测值，ug/L；

Qi为第i个监测值，ug/L；

P为预测值的平均值，ug/L；

Q为监测值的平均值，ug/L；

n为监测次数；

手动计算简单实用，计算量小，但是会很大程度的依赖于经验值和对水质模型的深入了解[21]。

5.3.1 叶绿素a的模拟

水体中存在着大量的浮游植物，浮游植物的生长可以固定碳和产生氧气。同时光合作用的化学计算方法是固定的，即每固定1mg的碳就会产生32/12mg的氧气。其中浮游植物的生长动力学可以表示为：

（5.4）

式中：Grl为浮游植物的生长速率，day-1；

Drl为浮游植物的死亡速率，day-1；

vsl为有机物的沉降速度，m/d；

D为单元体的水深；

C1为浮游植物的碳，mg/L；

而叶绿素a能较好的代表水中浮游植物的生物量。所以选择叶绿素a进行模拟，来反映水中的浮游植物的情况。同时，模型建立过程中用相关系数r来表示训练的结果，r的表达式为：

通过对水质模型参数的不断调试[24]，最终得到叶绿素a的模型模拟值与实际监测值的结果对比图5.2。

图5.2 WASP模型叶绿素a的模型值与实际监测值的比较

从图5.2可知，用WASP模型来模拟敬业湖中的叶绿素a含量的变化，在拟合阶段，模拟拟合值与实际监测值的相关系数为0.9596，非常接近1。这表明用WASP建立的叶绿素a的模型与实际监测结果具有良好的拟合性，能用来模拟与预测敬业湖中叶绿素a含量的变化。

5.3.2 氨氮的模拟

在氮的循环体系中，氨氮、硝酸盐氮在浮游植物生长过程中会被吸收利用，吸收利用的速度与其在水中的浓度相关。本论文中只模拟敬业湖中氨氮的变化趋势。

其中，氨氮的反应方程为：

（5.5）

式中：anc为浮游植物的氮碳比，mgN/mgC；

fon为浮游植物内源呼吸/死亡转换的比例；

K71为20℃条件下溶解性有机氮的矿化速率，day-1；

71为K71的温度系数；

KmPc为浮游植物的半饱和常数，mgN/L；

PNH3为氨氮的选择系数；

K12为20℃时氨氮的硝化速率，day-1；

12为K12的温度系数；

KNO3-为反硝化的氧限制半饱和常数，mgO2/L；

C4为有机氮，mg/L；

通过参数的不断调试[24]，最终得到的DO的模型模拟值与实际监测值的结果对比图5.3。

图5.3 WASP模型氨氮的模型值与实际监测值的比较

从图5.3可知，用WASP模型模拟敬业湖的氨氮含量，在模型拟合阶段，其拟合值与实际监测值的相关关系为0.9889，非常接近1。这表明用WASP建立的氨氮模型与实际监测结果具有良好的拟合性，能用来模拟与预测敬业湖中氨氮含量的变化。

5.3.3 溶解氧DO的模拟

在水中溶解氧的平衡体系中，氨氮、硝酸盐氮、碳的生化需氧量、溶解氧与叶绿素a这5个量共同作用[21]。同时，当水中的溶解氧小于饱和值时，可以通过大气复氧来补充。

氨氮和硝酸盐氮主要涉及的是水中氨氮的硝化作用引起溶解氧的下降，而在水中氨氮被耗尽时，会发生反硝化作用而消耗水中的碳，从而减少碳的生化需氧量。而叶绿素a则普遍存在与能进行光合作用的浮游植物，绝大部分是藻类。光合作用的化学计算方法是固定的，即每固定1mg的碳就会产生32/12mg的氧气。碳的生化需氧量主要是指碳质物质的氧化所需要的氧气，典型的就是BOD的氧化反应。

碳的生化需氧量的反应方程为：

（5.6）

式中：C1为浮游植物的碳，mg/L；

C2为硝酸盐氮，mg/L；

C3为碳的生化需氧量，mg/L；

C4为溶解氧，mg/L；

aoc为浮游植物的氧碳比，mgO2/mgC；

KD为20℃条件下的碳的生化需氧量的降解速率，day-1；

为KD的温度系数；

KBOD为碳生化需氧量的半饱和常数，mgC/L；

fD5为溶解氧的碳生化需氧量的比例；

vsl为有机物的沉降速度，m/d；

KNO3-为反硝化的氧限制半饱和常数，mgO2/L；

溶解氧的反应方程式为：

（5.7）

式中：C5为氨氮，mg/L；

K2为20℃条件下水体的大气复氧速率，day-1；

Cs为饱和溶解氧浓度，mg/L；

SOD为20℃条件下底泥的耗氧速率，g/m2·day；

SOD为SOD的温度系数；

K12为20℃时氨氮的硝化速率，day-1；

12为K12的温度系数；

KNH3为氨氮的选择半饱和常数；

PNH3为氨氮的选择系数；

K1R为20℃时浮游植物的内源呼吸速率，day-1；

1R为K1R的温度系数；

Grl为浮游植物的生长速率，day-1；

通过参数的不断调试[24]，最终得到的DO的模型模拟值与实际监测值的结果对比图5.4。

图5.4 WASP模型DO的模型值与实际监测值的比较

从图5.4可知，用WASP模型模拟敬业湖的DO情况，在模型的拟合阶段，训练值与实际监测值之间的相关系数为0.9274，也比较靠近1，说明用WASP建立的溶解氧DO模型与实际监测结果具有良好的拟合性，能用来模拟与预测敬业湖中溶解氧DO含量的变化。

5.3.4 WASP模型的检验

为了进一步检验叶绿素a、氨氮与溶解氧DO模型的实际运行效果，选取5月16号至6月3号的监测数据作为检验集，与模型的预测值进行比较，并用统计学上的相对误差d来进行检验，相对误差d的表示式为：

（5.8）

式中：Pi为第i个预测值，ug/L；

Qi为第i个监测值，ug/L；

具体检验结果如下表5.1。

表5.1 WASP模型相对误差的检验

注：表中叶绿素a的单位为ug/L，DO、COD、TN与TP的单位均为mg/L；

利用WASP建立的叶绿素a、氨氮与溶解氧DO的水质模型，从实际检验结果来看，溶解氧DO的模型实际运行效果最好，在检验的这五组数据中，平均相对误差不到0.2。而对于叶绿素a与氨氮模型的实际运行效果比较差，而且可以明显发现模型预测值比实际监测值变化缓慢，这可能与后期缺少对污水口和芦苇生长区的监测有关。或者也有可能是当时外界条件比较适宜，敬业湖中水生植物利用氨氮的速率加快和藻类的生长速度加快所致。但是，从整体上而言，这三个模型的预测结果的变化趋势与实际情况具有很好的一致性，在实际生活中仍具有一定的使用价值。所以，WASP模型作为一种简单易用，应用广泛的水质模型，对水质的监测模拟、水环境的管理规划具有较好的指导作用。

5.4 基于WASP水质模型的水质变化趋势

本论文中主要利用WASP水质模型模拟了四个景观湖中敬业湖的叶绿素a、氨氮与溶解氧DO三个指标。分别得到了这三个指标在这期间的变化曲线。然而由于研究的时间区间比较短，比较适合短期的预测。所以在本论文中只预测与4、5月份各种外界条件比较类似的6、7、8月份中敬业湖水质变化。

从图5.2可知，WASP水质模型模拟的4、5月份的叶绿素a变化基本上维持在1~5ug/L之间。但是4月份的值明显比5月份大，这可能是由于在4月份有一些比较喜欢较低温度的藻类（例如新月菱形硅藻，其生长的温度范围为5~25℃,最适为15℃）大量生长所引起的。而5月份，从5月份整体的趋势和5月19号的模拟值和实际值可以发现，叶绿素a有上升的趋势。这可能是随着气温的逐渐升高，适合藻类生长的外界条件越来越好，藻类大量生长所致。预计在未来的6、7、8月份中叶绿素a的值还会有增加的趋势。

从图5.3可知，WASP水质模型模拟的4、5月份的氨氮值有逐渐下降的趋势，并且模拟值与实际监测值能较好的贴合。而6、7、8月份更是水生植物大量生长的季节，而水生植物的生长需要利用水中的氮元素。所以，水中氨氮含量的下降也是在情理之中，符合实际情况。考虑到现在水体中氨氮浓度已经很低，基本上在5月19号只有0.67mg/L左右，预计在未来的6、7、8月份水中氨氮的浓度会有小幅的下降，并稳定在一个较低值附近。

从图5.4可知，WASP水质模型模拟的4、5月份的溶解氧DO波动幅度较大。但是整体上还是有上升的趋势。水中的溶解氧有很多因素共同决定，其中浮游植物的光合作用对其值影响较大。一般来说，光合作用越强，现场测定的DO值也会越高。而从图5.2得到，叶绿素a的含量由逐渐上升的趋势，而叶绿素a能表征水中浮游植物，主要是藻类的生物量。所以，DO值有上升的趋势也是符合预期的。预计在6、7、8月份，随着藻类的大量生长，水中的溶解氧DO会有所增加。

整体上来说，WASP水质模型模拟的三个变量，都与水中的藻类的生物量有关，而藻类的生物量又与水体的富营养化有关。随着气温的逐渐上升和适宜的外界条件，以叶绿素a表征的藻类生物量会有逐渐上升的趋势，其结果就是水中氨氮含量有下降的趋势，水中的溶解氧DO会有上升的趋势。

第六章 BP神经网络的水质模型

虽然机理性的水质模型考虑了影响水质变化的物理、化学和生物因素，并得到了广泛的认可与完善，但是由于水环境中存在不确定性与复杂性，使水质变化呈现基于一定的变化规律的不确定变化特征[25]。这种不确定性包括水质数据资料的不足、复杂生化反应机理的认知不足[26]、实际污染物的排放和水文情况变化的不确定性等情况。同时，机理性的模型往往都比较复杂，所需要的数据也比较多，这些因素往往会限制机理性模型在实际中的应用。同时，伴随着数学理论的不断创新与发展，非机理性的水质模型也开始不断发展，其中包括水体水质的回归模型、概率统计模型、灰色预测模型[26]、人工神经网络模型和模糊数学理论的水质模型等。本论文中采用误差反向传递的人工神经网络来建立水质模型。

6.1 BP神经网络简介

神经网络（Artificial Neural Networks）是由大量的人工神经元广泛地连接而成，用以模仿人脑神经网络的复杂网络系统[26]。它对具有不确定性和高度非线性的问题具有良好的适应性。将神经网络用于水质模型，只要有足够的数据，就能充分利用神经网络强大的自学习能力来对水质的变化建模，并且模型具有很高的准确性。

BP神经网络，即误差反向传递的神经网络，具体网络结构[10]如图6.1.

图6.1 BP神经网络模型结构

6.2 BP神经网络的水质模型的建立

本论文以景观湖中的敬业湖的主体水作为建模对象，建立化学需氧量COD、溶解氧DO、总氮TN、总磷TP和叶绿素a这5个水质指标的时间序列模型。

设各个水质指标的时间序列为D1（i），D2（i），…，Dn（i），其中n为水质指标的数目[27]。则预测指标的模型可以简单描述为：

Dn（t）=ψ(Dn（i）) （6.1）

式中：ψ(·)为非线性作用函数；

水质指标的时间序列模型就是要寻找非线性作用函数ψ(·)的过程。已经得到证明，对于网络中间层的神经元如果具有任意阶导数，则中间层可以设置任意数量的神经元，那么3层的神经网络模型就可以以任意精度逼近任何连续函数[27]。因此，只要神经网络结构的参数选取合理，那么使用BP神经网络就可以精确的反应非线性关系ψ(·)。从这个层面上来说，BP神经网络建模、预测与控制主要应用的是神经网络函数的逼近功能。

本论文中将2013年3月24号到6月3号（由于数据样本太小，在原来5月19号基础上，增加了5月26号、5月31号和6月3号三组监测）的敬业湖的主体水中化学需氧量COD、溶解氧DO、总氮TN、总磷TP和叶绿素a这5个水质指标的时间序列作为样本供BP神经网络建模。

由于BP神经网络隐含层的神经元采用Sigmoid型变换函数，输出层则采用线性变换函数，所以在利用监测的水质指标对BP神经网络进行学习之前，需要对学习的样本进行归一化，使得各个要素落在[0,1]之间。对于归一化的方程，输入的时间为T=△t/100，其中△t为各个监测时间距离3月24号第一天监测的时间间隔。对于总磷浓度，其值一直处在0~1之间，无需处理。而对于总氮只需要缩小10倍，叶绿素a与溶解氧DO只需要缩小100就可满足要求。

而对于神经网络结构中的各个参数确定则利用学习时间较短、精度与收敛性较好的L-M算法。对于神经网络隐含层的节点数[28]则根据以下公式确定：

Ny=（Ns+Nj）0.5+N （6.2）

式中：Ny为隐含层的节点数；

Ns为输入层的节点数；

Nj为输出层的节点数；

N为2~4之间的一个随机数；

本模型中将敬业湖水质监测样本的数据分为训练集、检验集两个部分。用训练集来训练与拟合BP神经网络，用检验集来对训练结果进行检验，以考核训练结果或者说模型的好坏。本模型中将3月24号至5月12号的归一化的数据作为BP神经网络的训练集，用5月16号至6月3号的实际监测值作为BP神经网络模型的检验集。

利用MATLAB中的BP神经网络工具箱进行调试，发现在N=2，即隐含层的节点数Ny为4的时候，模型收敛性最好。模型结果与实际监测值之间的比较如图6.2至图6.6。

图6.2 BP神经网络COD模型的拟合与检验图

图6.3 BP神经网络DO模型的拟合与检验图

图6.4 BP神经网络TN模型的拟合与检验图

图6.5 BP神经网络TP模型的拟合与检验图

图6.5 BP神经网络叶绿素a模型的拟合与检验图

从图6.2至图6.5可知，用BP神经网络对样本的训练拟合后，除了化学需氧量COD的相关系数（除去3月30号的异常值）比较小之外，其他指标与实际监测值都有良好的拟合性，其中DO、总氮与叶绿素a的拟合效果最好，相关系数均在0.95以上。所以，整体而言，用BP神经网络对这5个水质指标建立模型的拟合结果还是可以令人满意的。

6.3 BP神经网络水质模型的检验

利用训练好的BP神经网络的水质模型来对敬业湖5月26号至6月3号的COD、DO、TN、TP和叶绿素a进行预测，并与实际监测值比较和用相对误差来检验BP神经网络水质模型的效果。相对误差检验的具体结果见表6.1。

表6.1 BP神经网络水质模型相对误差的检验

注：表中叶绿素a的单位为ug/L，DO、COD、TN与TP的单位均为mg/L；

从模型检验的结果来看，关于DO的结果检验最令人满意，平均相对误差为0.26%。而关于叶绿素a的结果平均相对误差较大，为17.61%。整体上来说，对于这5个水质指标，平均相对误差都能保持在20%之内，甚至除叶绿素a的指标外，都能保持在10%之内。可见，BP神经网络作为一种特殊的非线性、高度复杂化的解决办法，在应用于天津大学敬业湖的时间序列的水质模型上具有良好的效果，在水质变化趋势研究上具有良好的应用前景。

6.4 基于BP神经网络的水质变化趋势

本论文主要利用BP神经网络对四大景观湖中的敬业湖建立了DO、COD、TN、TP和叶绿素a的时间序列模型。分别得到了这5个指标随时间的变化关系图。由于研究的时间区间较短，且BP神经网络对短期的预测效果更好，所以在本论文中只预测未来3个月敬业湖的水质变化情况。

从图6.2可知，BP神经网络的时间序列水质模型模拟的4、5月份的COD含量，其值基本浮动范围不大，但是有逐渐增加的趋势。这很有可能与水中水生植物的大量生长，使水中有机物含量增加有关。预计在6、7、8月份，在藻类大量生长的情况下，COD的值还会有上升的趋势。

从图6.3可知，BP神经网络的时间序列水质模型模拟了4、5月份的DO含量的变化，这变化与WASP水质模型得到的结果类似。DO值相对来说波动幅度较大，但是有上升的趋势。原因主要也是与藻类生长，光合作用增强而使水中DO值增加有关。预计在6、7、8月份，在藻类大量生长的情况下，DO值还会有上升的趋势。

从图6.4可知，BP 神经网络的时间序列水质模型模拟了4、5月份TN的变化，其值整体上有下降的趋势。这也与藻类生长消耗水中的氮元素有关。预计在6、7、8月份，在藻类大量生长的情况下，TN值还会有下降的趋势。

从图6.5可知，BP 神经网络的时间序列水质模型模拟了4、5月份TP的变化，其值整体上有上升的趋势。按照藻类生长需要利用磷元素来说，水中总磷TP的含量应该会有所下降，但是结果却有逐渐上升的趋势。这可能与夏季景观湖底泥中的沉积岩释放磷元素含量较大有关。随着温度的逐渐升高，景观湖底泥释放磷元素的速率和质量也会有所增加，但是相应的藻类会大量生长，其利用磷元素的量也会增加。所以，预计未来3个月的TP含量也许会有增加的趋势。

从图6.6可知，BP 神经网络的时间序列水质模型模拟了4、5月份叶绿素a的变化，整体变化与WASP水质模型得到的结果类似。其值在4月份相对来说比5月份大，并且5月份的结果一直比较稳定，波动性不大。这可能是由于在4月份有一些比较喜欢较低温度的藻类（例如新月菱形硅藻，其生长的温度范围为5~25℃,最适为15℃）大量生长所引起的。而进入6、7、8月份，一些喜欢较高温度的藻类（例如绿藻最适为25℃~30℃，上限温度为35℃）就会生长，所以，预计未来水中的叶绿素a含量会有上升的趋势。

整体上来说，用BP神经网络建立的DO、COD、TN、TP和叶绿素a这五个水质指标的时间序列模型能较为综合的反映敬业湖的水质变化情况。预计在未来6、7、8月份，藻类大量生长的季节，DO、COD和叶绿素a会有增加的趋势，而TN则会有下降的趋势。考虑到湖底底泥的沉积岩释放磷元素的量较大等因素，水中的TP含量会有上升的趋势。

第七章 景观湖的水质保持方案

根据天津大学校园景观湖的水质监测数据的分析结果，可以发现四大景观湖基本上还能满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准，但是还是有一些指标未能满足，如四大景观湖中总氮的含量均超过V类水体指标的限值。同时，通过综合营养状态指数法，发现四大景观湖均存在富营养化的现象，其中青年湖最为严重。

根据WASP水质模型和BP神经网络的时间序列水质模型，可以发现未来几个月中敬业湖中总磷含量和藻类会有增加的趋势，需要对其进行除磷措施并遏制藻类的生长。同时四大景观湖外界条件类似，监测指标的变化趋势也类似，所以根据模型得到的敬业湖的预测信息对其他三个湖也有较大的参考价值。可见，给天津大学校园景观湖制定一套水质保持方案就显得格外重要。

7.1 污染源的控制方案

对于四大景观湖，其外源污染源主要包括点源和面源两种形式。面源主要是大面积的扬尘和污染程度很大的初期雨水。初期雨水会带入大量的悬浮固体和氮磷等营养元素。而点源主要指的是排放入景观湖中的污水。由于监测时间段内下雨天气较少，雨水对景观湖的面源污染情况表现的不是很明显，但是从理论上可知，初期雨水的污染程度还是非常大的，故对雨水的处理还是非常有必要的。

面源污染的控制主要包括大面积的扬尘和雨水的污染。对于大面积的扬尘天气，会带入大量的悬浮固体和生活垃圾进入景观湖中。这可以通过增加地表的绿化面积、及时清理路面垃圾与改变人们乱扔垃圾的行为得到改善。对于雨水的污染，首先，需要改变传统的排水体制，使合流制改为分流制，即将污水与雨水分流。然后，提高地表的绿化面积[29]，增加雨水的下渗量，减少流入景观湖中的污染雨水的体积与流量。同时，也需要加强对地面的清扫工作，及时清理路面垃圾。此外，可以将雨水进行收集，并进行预处理，待雨水水质达标之后再排入景观湖中。预处理的措施主要有沉淀、过滤等。

对于点源污染，在四大景观湖中，现在只有青年湖的污水口每天都有化工学院实验楼的污水排入，其他景观湖目前都是有一些暗管会不定期的排放一些不明来源的污水。

青年湖排放的污水中氨氮、总氮与总磷的含量很高。同时氮与磷又是造成水体富营养化的主要营养元素。可能就是因为这些实验污水才使得青年湖的富营养化程度比其他三个景观湖严重。所以，对污水口的污水进行处理也非常必要。对于这些污水，可以排入市政的污水管道，送到污水厂进行污染的处理，待处理达标之后在排入受纳水体中。

此外，对于四大景观湖的内源污染物，也需要特别关注，如景观湖的底泥可以进行定期的疏浚和处理，以除去沉积岩中的营养物质和污染物[30]，以便解决景观湖中总磷含量不断增加的问题。而对于死亡的芦苇等水生植物，也需要及时清理，以免对景观湖的水体造成污染。

7.2 自净容量的扩大方案

对于任何一个水环境，其都具有一定的自净能力。而景观水体水面面积小，底部坡度小，流动性较差，生物种类少，生物链比较简单等原因，大大降低了景观水体的自净能力。下面从物理和化学法、生物法与生态法三种综合措施扩大四大景观湖的自净容量。

7.2.1 物理化学法

物理化学法相对来说是最简单、最方便、见效最快的一种方式，其适合于中小景观水体的处理。（1）水循环方案，即通过水泵或者管道实现四大景观湖之间的联系，增加水体的流动性，加大景观水体的自净能力。（2）水体的曝气[30]。利用自然条件设置跌水情形或者在水中布置曝气管道来给景观湖曝气，解决靠近景观湖底部溶解氧不足的情况。（3）引水换水[30]，即利用外来干净的水（如自来水）定期对景观湖中的水进行更新，效果非常明显，但是成本较高。而且从根本上说这种方式没有彻底解决水体自净容量小的问题。

7.2.2 生物法

生物法主要是利用景观水体中的有机物含量比较高便于生物生长的特点而运行的，其具有运行费用低、操作简单、无二次污染等优点[30]。（1）生物接触氧化，兼具生物膜法和活性污泥法的特点，处理效果好。（2）曝气生物滤池，这是一种生物接触氧化法的改进，将生物氧化与固液分离于一体，占地少，处理效果好。

7.2.3 生态法

生态法主要是根据自然界中生态系统的原理人为构造一个自净能力特别大的自然系统，具有良好的社会、环境与经济效益。（1）湿地生态工程[31]，湿地对富营养化水体的氮磷营养元素具有很强的处理能力，且多样的生物性也使景观水体的自净容量变大，并且具有成本小、能耗小、环境友好等优点.（2）水生植物处理法[30]，就是利用高等水生植物对氮磷的吸收能力较大的特性，来去除水中的氮磷等营养元素。同时利用高等水生植物生长时释放的抑制藻类生长的物质来控制水体的富营养化。

第八章 总结

在水资源日益短缺和水污染日益严重的宏观背景下，对水环境的保护和研究越来越重要。景观水体作为一种能美化环境、调节气候、陶冶情操与体现人们高质量生活的特殊水环境，正在越来越多的城市出现。而景观水体大多是静止或者流动性很差的缓流水体、水面面积小、自净能力差，同时又是居民生活污水和生活垃圾的聚集地。景观水体不可避免地会出现了不同程度的水体污染。对景观水体的水质变化趋势的研究，就能为确定景观水体的水环境容量、对景观水体的水质作出评价与对景观水体的综合水环境管理规划和实现景观水体良性、可持续发展提供科学的依据与支持。

8.1 主要结论

本文以天津大学校园的四个景观湖作为研究对象，研究天津大学校园景观湖这种景观水体的水质变化趋势，可以得到以下结论：

1、通过对天津大学校园景观湖进行前期调研，确定了敬业湖、青年湖、爱晚湖与友谊湖这4个景观湖周围水生植物的分布情况，并发现几乎在每个景观湖的四周都存在各种各样的排污口，其中雨水的排污口占绝大部分。这为景观湖水质监测点的确定与水质保持方案的制定奠定了基础。

2、根据一般代表性、真实性和及时性等原则确定了四大景观湖的监测点，主要布设在污水口、芦苇生长区和水流流动性较好的地方。并从2013年3月24号至2013年5月19号对四大景观湖进行了水质的监测，根据水质监测数据的结果对四大景观湖进行了水质评价，发现敬业湖、友谊湖和爱晚湖除了氨氮、总氮这两个指标外，其他水质指标都可以满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准。而青年湖除了氨氮、总氮之外，还有化学需氧量这个水质指标无法满足《地表水环境质量标准》（GB3838-2002）中V类水体的标准。但是，四大景观湖中的氨氮、总氮含量由逐渐下降靠近V类水体标准的趋势，并且在进入5月份之后，氨氮含量已经可以满足V类水体的标准。这可能与水生植物的生长利用氮元素有关。

同时，采用《地表水环境质量评价办法（试行）》（2011）推荐的综合营养状态指数法来衡量四大景观湖4月份、5月份两个月水体的富营养化程度。结果表明，四大景观湖均存在水体的富营养化现象，其中青年湖最为严重，存在中度的富营养化，而敬业湖、友谊湖与爱晚湖则存在轻度的富营养化。

3、利用WASP对四大景观湖中的敬业湖建立叶绿素a、氨氮和溶解氧DO这三个指标的水质模型。并将监测数据分为训练集与检验集两部分。利用训练集的监测数据进行模型参数的率定与模型的训练拟合，并利用统计学中的相关系数r来定量的表示所建立模型与实际监测值之间的拟合程度。结果表明，对于叶绿素a的水质模型，其相关系数为0.9596；对氨氮的水质模型，其相关系数为0.9889；对于溶解氧DO的水质模型，其相关系数为0.9274。可见，这三个模型与实际监测值具有良好的拟合性。同时，用检验集来检验训练好的模型，借助统计学中的相对误差这个指标来验证模型检验的效果。结果发现对于溶解氧DO模型的检验效果最好，平均相对误差不到0.2。但从整体上而言，这三个模型预测结果的变化趋势与实际情况具有很好的一致性，在实际生活中具有一定的使用价值。所以，WASP模型作为一种简单易用，应用广泛的水质模型，对水质的监测模拟、水环境的管理规划具有较好的指导作用。

4、利用BP神经网络对敬业湖中化学需氧量COD、溶解氧DO、总氮TN、总磷TP与叶绿素a这5个量建立时间序列的水质模型。并将监测数据分为训练集与检验集两部分。利用MATLAB中BP神经网络工具箱对训练集进行训练与拟合。最终，训练结果与实际监测值具有较好的拟合性，相关系数分别为0.5878、0.9685、0.9707、0.8891和0.9547。同时，用检验集来检验训练好的模型，借助统计学中的相对误差这个指标来验证模型检验的效果。结果发现关于DO的结果检验最令人满意，平均相对误差为0.26%。而关于叶绿素a的结果平均相对误差较大，为17.61%。整体上来说，对于这5个水质指标，平均相对误差都能保持在20%之内，甚至除叶绿素a的指标外，都能保持在10%之内。可见，BP神经网络作为一种特殊的非线性、高度复杂化的解决办法，在应用于天津大学敬业湖的时间序列的水质模型上具有良好的效果，在水质变化趋势研究上具有良好的应用前景。

5、根据四大景观湖水质分析结果、水质变化趋势等内容，从污染源的控制与景观湖自净容量的扩大两方面来确定景观湖的水质保持方案。

8.2 不足与展望

1、本课题中对四大景观湖的水质监测数据中缺少对湖中底泥监测，而湖中底泥作为景观湖内源污染物的主要来源，对景观水体的水质变化具有一定的影响。同时研究的时间区间也太短，若有底泥的监测数据和长期的监测数据，则可更加全面评价景观水体的水质情况和变化趋势。

2、由于监测时间段内，降雨天气较少，对雨水这种四大湖景观湖主要的外来面源污染缺少监测数据，缺少初期雨水的地表径流对景观湖水质变化的影响研究。

3、对于水质保持方案中扩发景观湖自净容量的措施，较多的参考了国内外的相关资料，缺少进行充分的实验。

参考文献

[1]樊在义．天津空港物流加工区景观水体水质变化及调控研究[D]．天津：天津大学，2008．

[2]刘颖．城市典型景观水体水质变化及调控研究[D]．天津：天津大学，2009．

[3]Fu G，Butler D，Khu S．The impact of new developments on river water quality from an integrated system modeling perspective[J]．Science of The Total Environment，2009，407(4)：1257–1267．

[4]康孟新．城市大型缓流景观水体循环和水质模拟[D]．天津：天津大学，2011．

[5]樊敏，顾兆林．水质模型研究进展及发展趋势[J]．上海环境科学，2010，29(6)：266-271．

[6]孙文章．东昌湖水质模拟及水质评价研究[D]．山东：山东大学，2009．

[7]李广源．基于遗传算法的洞庭湖富营养化指标预测模型[J]．水资源保护，2004，(5)：23-25．

[8]李祎泳．基于进化算法的湖泊富营养化投影寻踪回归预测模型[J]．四川大学学报，2007，39(2)：1-8．

[9]陈毓龄，张世森．滇池水体富营养化水质预测模型的研究[J].成都科技大学学报，1991：63-69．

[10]侯君．基于BP神经网络的湖泊水体富营养化的短期预测[J]．实验室研究与探索，2009，27(6)：38-40．

[11]宋华兵，张新政．内嵌神经网络的不确定水质模型研究[J]．水资源与水工程学报，2008，19(1)：12-14．

[12]杨平，王童，陶占盛．WASP水质模型在河流富营养化问题中的应用[J]．世界地质，2011，(2)：265-269．

[13]曾玉超，戴韵，刘娜等．基于指标分类的地下水水质评价模型及其应用[J]．世界地质，2008，27(3)：279-283．

[14]曾峥．新建人工湖水质演变及影响因素研究——以重庆大学虎溪校区人工湖为例[D]．重庆：重庆大学，2007．

[15]沈蓓雷．上海市景观水体富营养化评价和水华预警研究[D]．上海：华东师范大学，2011．

[16]王鹤扬．地表水高锰酸盐指数与化学需氧量相关关系研究[J]．环境科学与管理，2011，36(9)：118-121．

[17]US EPA．Guidance on the Development，Evaluation，and Application of Environmental Models [Z]．US Environmental Protection Agency，2009：19-34．

[18]Wool T A，Ambrose R B，Martin J L，et al．The Water Quality Analysis Simulation Program，WASP6，Draft Users’ Manual[Z]．US Environmental Protection Agency，2001：1-3．

[19]张明近，张华庆．SMS水动力学软件[J]．水道港口，2006，27(1)：57-59．

[20]Brown L C，Barnwell T O．The enhanced stream water quality models QUAL2E and QUAL2E-UNCAS：documentation and user manual[Z]．US Environmental Protection Agency，1987．

[21]彭森．基于WASP模型的不确定性水质模型研究[D]．天津：天津大学，2010．

[22]Stow C A，Roessler C，Borsuk M E．Comparison of Estuarine Water Quality Models for Total Maximum Daily Load Development in Neuse River Estuary[J]．Journal of Water Resources Planning and Management，2003，129(4)：307-314．

[23]Ambrose R B，Wool T A，Martin J L．The Water Quality Analysis Simulation Program，WASP5，Part A：Model Documentation[Z]．GA，USA：Center for Exposure Assessment Modeling，US Environmental Protection Agency，1993．

[24]黄莉，何强，彭述娟．小型景观湖水质模拟及应用研究[J]．环境工程学报，2011，5(11)：2453-2458．

[25]田一梅，刘扬，王彬蔚．不确定水质模型在城市河流水质模拟中的应用[J]．土木建筑与环境工程，2011，33(3)：119-123．

[26]郭劲松，李胜海，龙腾锐．水质模型及其应用研究进展[J]．重庆建筑大学学报，2002，24(2)：109-115．

[27]陈丽华，常沁春，陈兴国．BP网络应用于黄河水质的预测研究[J]．兰州大学学报，2003，39(2)：53-56．

[28]马太玲．基于人工神经网络的串联水库水质模拟预测[J]．2010，31(2)：260-264．

[29]张蕊．北塘地区生态水系构建与水质保育研究[D]．天津：天津大学，2011．

[30]夏邦天，郑广宏，徐杭军．城市景观水体治理技术研究进展[J]．环境科学与技术，2008，31(6)：67-72．

[31]张统，李志颖，芦小山．人工景观水体水质保持技术[C]．全国给水排水技术信息网2009年年会论文集，2009，114-119．

外文资料

中文译文

致 谢

在论文完成之际，首先要感谢天津大学给我提供了本科学习的机会，然后要随我论文的指导老师彭森老师致以崇高的敬意和深深的感谢之情。彭森老师严谨治学的态度、渊博的知识、开阔的视野和明锐的洞察力都是值得我学习和努力的榜样。

在论文的实验部分，从前期调研、监测点的确定、水质采样与监测，使我从被动的接受转变为主动的学习，实验技能和思维都得到了很到的锻炼与提高。这期间，赵新华教授等课题组老师都给了我热心的帮助和仔细的讲解。

在实验监测过程中，要感谢张琪琪师妹、高佳琪师弟、陈艺中师弟、刘晓娜师妹和张雪倩师妹的帮助。同时，感谢班级同学给我生活和学习上的帮助，在此向各位同学与师弟、师妹表示衷心的感谢。

最后，我要感谢我的父母，是他们的辛勤劳作、关心和爱护才能使我安心学习、健康的成长与顺利完成学业。