CN102509155A - 不确定性条件下流域污染物总量控制方法 - Google Patents
不确定性条件下流域污染物总量控制方法 Download PDFInfo
- Publication number
- CN102509155A CN102509155A CN2011102796977A CN201110279697A CN102509155A CN 102509155 A CN102509155 A CN 102509155A CN 2011102796977 A CN2011102796977 A CN 2011102796977A CN 201110279697 A CN201110279697 A CN 201110279697A CN 102509155 A CN102509155 A CN 102509155A
- Authority
- CN
- China
- Prior art keywords
- basin
- total amount
- simulation
- confidence level
- catchment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种不确定性条件下流域污染物总量控制方法,包括以下步骤:S1、建立流域分布式水环境模型并开发数据接口;S2、进行以管理目标为导向的随机模拟;S3、计算水质管理目标达成的置信水平;S4、建立污染负荷量情景与置信水平之间的映射关系;以及S5、进行不确定性条件下流域污染物总量控制方案的评估和筛选,并利用筛选的方案进行流域污染物总量控制。本发明对流域分布式水环境模型、随机模拟技术和人工神经网络方法进行了有效整合,建立了在不确定性条件下合理确定污染物削减数量的方法,对于在不确定性条件下流域污染物总量控制重要意义。
Description
技术领域
本发明属于环境工程技术领域,具体涉及一种不确定性条件下流域污染物总量控制方法。
背景技术
全球水环境正面临着人类活动的严重威胁,流域水污染防治受到普遍关注。在发达国家,随着对工业和城市生活点源污染的控制水平的提高,非点源污染(如农业面源污染)已成为水环境的首要威胁。而在我国,点源排放的控制任务依旧繁重,而非点源污染问题也日渐突出。流域污染物的总量控制已成为一种国际共识,并成为各国水环境保护制度中的重要环节,例如,美国的最大日总负荷(TMDL)制度和我国的重点污染物总量控制制度。流域的水文、水质过程极其复杂,污染物负荷量(特别是非点源污染)的时、空变化显著,其预测具有显著的不确定性。如何在显著的不确定性条件下进行流域污染物总量控制的有效决策是一个难题。
发明内容
(一)要解决的技术问题
本发明针对在显著的不确定性条件下,流域污染物的总量控制难题,提供一种不确定性条件下流域污染物总量控制方法。
(二)技术方案
为了解决上述技术问题,本发明提供一种不确定性条件下流域污染物总量控制方法,包括以下步骤:
S1、建立流域分布式水环境模型并开发数据接口;
S2、进行以管理目标为导向的随机模拟;
S3、计算水质管理目标达成的置信水平;
S4、建立污染负荷量情景与置信水平之间的映射关系;以及
S5、进行不确定性条件下流域污染物总量控制方案的评估和筛选,并利用筛选的方案进行流域污染物总量控制。
优选地,所述步骤S1进一步包括步骤:
S11、根据具体流域条件和实际管理需求选取模型工具;
S12、收集相关数据完成流域分布式水环境模型的搭建,流域分布式水环境模型用于建立流域污染物负荷量与受纳水体水质之间的响应关系;以及
S13、为所选的流域分布式水环境模型建立与随机模拟技术相衔接的接口。
优选地,所述步骤S2中的随机模拟选用MOCAU随机模拟技术,包括以下步骤:
S21、确定一组不确定性较大的模型参数;
S22、定义管理变量;
S23、推导受纳水体水质参数真实值的概率分布;
S24、根据事先确定的所述模型参数的先验概率分布,对建立的流域分布式水文模型进行蒙特卡洛模拟,产生一组模型参数的样本,然后将每个样本输入模型,得到并存储所有的模拟输出;
S25、识别有效模拟;
S26、对于每一个有效模拟及其对应的模型参数样本依据贝叶斯原理更新其先验概率,得到随机模拟结果。
优选地,所述步骤S4中利用人工神经网络建立污染负荷量情景与置信水平之间的映射关系。
优选地,所述步骤S5进一步包括:利用步骤S4中所建立的污染负荷量情景与置信水平之间的映射关系,估算每种总量控制方案达成水质管理目标的置信水平,同时,定义一个管理偏差容忍度;对于某种方案,如果有置信水平大于等于1与管理偏差容忍度之差,则认为该方案可以接受;经过筛选,最终确定一种可行的方案。
优选地,所述流域分布式水环境模型包括但不限于:SWAT,WARMF。
(三)有益效果
本发明对流域分布式水环境模型、随机模拟技术和人工神经网络方法进行了有效整合,建立了在不确定性条件下合理确定污染物削减数量的方法,对于在不确定性条件下流域污染物总量控制重要意义。
附图说明
图1是本发明方法的流程图;
图2是本发明中MOCAU随机模拟方法的流程图;
图3是本发明一实施例中的MOCAU分析过程;
图4是本发明一实施例中污染负荷削减比率与置信水平的映射关系图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不是限制本发明的范围。
本发明将随机模拟技术用于流域分布式水环境模型,计算特定污染物排放情景下的水质达标置信水平(confidence level),进一步利用人工神经网络方法建立污染物排放情景与达标置信水平之间的映射关系。利用所建立的映射关系,可以方便的进行总量减排方案的评估、筛选。该方法可以用Matlab科学计算软件进行编程和运算,其具体步骤如下(如图1所示):
步骤S1:建立流域分布式水环境模型并开发数据接口。
目前有许多较为成熟的流域分布式水环境模型可供选择使用,例如SWAT,WARMF等。这些流域分布式水环境模型可以用于建立流域污染物负荷量与受纳水体水质之间的响应关系。此类模型可用以下数学函数形式进行抽象表示:
y=f(X,θ,t) (1)
其中,y表示受纳水体的某水质参数(如总氮浓度)的模拟值;X代表各类模型输入数据(如降雨、施肥、地形等);代表各种模型参数(如水力传导系数、曼宁系数、污染物降解速率等);t则代表时间,表明是一种动态模拟。
该步骤实施如下:
根据具体流域条件和实际管理需求,选取合适的模型工具。
充分收集相关数据,完成模型的搭建(尚未进行率定)。
为所选的流域分布式水环境模型建立可与随机模拟技术相衔接的接口。可利用Matlab软件编写一个数据调用的外挂程序,该程序可以不依赖模型原有的用户界面(User interface),批量完成模型参数的输入和模型模拟结果的提取。
步骤S2:进行以管理目标为导向的随机模拟。
用户根据经验和参数敏感性测试结果,确定一组不确定性(uncertainty)较大的模型参数,此处将这组参数记为θ={θ1,θ2,...,θi,...,θn}。这组参数在随后的随机模拟和不确定性分析过程中将被视为随机变量,其先验概率分布由用户事先确定。此发明所采用的随机模拟技术命名为MOCAU(Management ObjectiveConstrained Analysis of Uncertainty),其具体方案如下(整体流程参见图2):
1)定义“管理变量”(Management variables)
管理变量是指与水质管理决策所需考虑的变量(例如,水质超标天数,水质超标倍数等等),此处用M来表示。定义管理变量所需遵循的基本原则为:首先,从具体的水质管理问题出发,基于决策工作的实际需求;其次,不同管理变量具有不同的侧重点,变量之间避免重复;再次,有足够的水质实测数据用于进行变量的计算。
管理变量可基于水质参数的模拟值y进行计算(即M(y)),也可以基于观测值Z进行计算(即M(Z)),或是基于水质参数的客观真实值Y进行计算(即M(Y))。
2)推导水质参数真实值Y的概率分布
水质参数的真实值Y与实际观测值Z之间的关系可表示为:
Z=Y+ε (2)
或
Y=Z-ε (3)
其中,ε代表观测总误差,是一个随机变量。
首先,利用历史观测数据建立ε的概率分布;其次,利用式(3)推导出真实值Y的概率分布;最后,考虑所定义的管理变量M,推导出M(Y)的概率分布。
M(Y)的概率分布即为MOCAU方法中的似然函数(Likelihoodfunction)。
3)进行蒙特卡洛模拟(Monte Carlo Simulation)
根据用户事先确定的θ={θ1,θ2,...,θi,...,θn}的先验概率分布,对建立的流域分布式水文模型进行蒙特卡洛模拟,产生N个θ的样本(θ1,θ2,...,θj,...,θN),然后将每个θ的样本输入模型,运算N次,并存储所有的模拟输出y1,y2,...,yj,...,yN。根据研究,一般情况下,N须至少达到数千,方能获得较为可靠的不确定性分析结果。
4)识别有效模拟(behavioral simulation)
对每一模拟结果yj计算管理变量取值,得到M(yj)。将M(yj)与之前M(Y)的概率分布(即似然函数)进行比对。如果M(yj)的取值位于似然函数的小概率区间,则yj被归类为无效模拟(non-behavioralsimulation);反之,则为有效模拟(behavioral simulation)。用户可自行定义区分有效模拟和无效模拟的定量标准。例如,可以定义一个区间[a,b]作为有效模拟的区间,其中P{M(Y)≤a}=2.5%,P{M(Y)≥b}=2.5%;如果M(yj)的取值落在该区间内,则yj被归类为有效模拟;反之,则为无效模拟。
5)进行贝叶斯更新(Bayesian updating)
对于每一个有效模拟yj及其对应的参数样本θj依据贝叶斯原理(见式(4))更新其先验概率。
p(θ,ε|Z)=l(θ,ε|Z)·p0(θ,ε) (4)
其中,p(θ,ε|Z)和p0(θ,ε)分别代表随机参数的后验概率和先验概率,同时也代表相应的有效模拟的后验概率和先验该流程;而l(θ,ε|Z)代表似然函数取值,即M(Y)=M(yj)处的概率密度。
很多情况下,流域水质管理是多目标的。因此,用户会定义多个管理变量M。在这种情况下,首先,用户须针对每个管理变量进行4)中的操作,并计算相应的l(θ,ε|Z)的取值;然后按照式(5)进行连续贝叶斯更新(sequential Bayesian updating)。
其中,lq(θ,ε|Z)代表根据第q个管理变量计算出来的似然函数值。
步骤S3:计算水质管理目标达成的置信水平。
通过步骤S2确定了M个有效模拟及其相应的后验概率之后,就可以建立模拟值的置信区间。然后,通过与某个水质管理目标的比对,就可获得该水质管理目标达成的置信水平。该过程可用式(6)、(7)抽象表述:
CC=f(s,O) (6)
s=g(L,X) (7)
其中,CC代表水质管理目标达成的置信水平;O代表水质管理目标;s代表随机模拟结果,即M个有效模拟及其相应的后验概率。而随机模拟结果s取决于污染物的负荷量L,以及其他的影响因素X。式(6)、(7)表明,在不同的污染负荷情景之下,水质管理目标达成的置信水平是不同的,也即,CC是L的函数。
步骤S4:利用人工神经网络建立污染负荷量情景与置信水平之间的映射关系。
构建一定数量(记为K)的污染负荷量情景,对每个情景重复进行步骤S1和步骤S2,最终获得K组(L,CC)数据点。利用这些数据点,对事先构建的人工神经网络进行训练和验证,最终建立所需的L~CC映射关系。
Matlab软件提供了完善的人工神经网络程序包,可用于进行相关编程。人工神经网络的具体构架方式,须由用户根据具体问题进行设计、尝试和检验,以确保获得最佳的效果。用于训练和验证的数据点的数量也需根据具体问题确定。根据研究的经验,如果L是二维的(即,考虑两个污染源),用几十个数据点进行网络的训练和验证就有可能获得理想的效果。
步骤S5:进行不确定性条件下流域污染物总量控制方案的评估和筛选,并利用筛选的方案进行流域污染物总量控制。
根据实际情况,用户提出一系列潜在的流域污染物总量削减方案,每一个方案对应一种污染物负荷量的情景(L)。利用步骤四所建立的人工神经网络(即L~CC映射关系),可以迅速估算每种总量削减方案达成水质管理目标的概率(即CC)。同时,用户须事先定义一个管理偏差容忍度(记为α)。对于某种方案,如果有CC≥1-α,则认为该方案可以接受。
经过筛选,最终可确定一组方案进行流域污染物总量控制。用户可以根据其他方面的因素(如经济成本、社会影响能),进一步进行筛选。
本发明一实施例中的流域案例引自Zheng and Keller的论文(WATER RESOURCES RESEARCH,VOL.43,W08408,doi:10.1029/2006WR005346,2007)。案例中的管理对象是流域内河道的二嗪磷(Diazinon,一种有机磷农药)污染。所选用的流域分布式水环境模型为WARMF。通过广泛收集气象、水文、土壤、植被、地质、地貌、农业生产等各类数据,为所选流域建立了(未经调参)WARMF模型。
另一方面,根据WARMF模型所附带的“Coefficient File Key.pdf”文件,利用Matlab软件编写了WARMF模型与MOCAU随机模拟技术的接口。
选定一组关键模型参数为随机参数,并假定这些参数为相互独立的均匀随机分布。根据图2所示的流程进行了MOCAU随机模拟。在此次MOCAU分析中,共定义了3个管理变量。本案例中,水质参数真实值Y是一个两端有界的分布(根据历史观测数据推得),因此,区分模拟有效或无效的定量标准为:如果M(yj)≤min(M(Y))或M(yj)≥max(M(Y)),则认为yj为无效模拟。进行了N=6000的蒙特卡洛模拟,最终确定有效模拟次数为4512次,其余的为无效模拟。整个MOCAU分析过程如图3所示,图中的NAF1,NAF2和NAF3代表三个不同的管理变量。
该流域案例中,事先确定的管理目标为:10%的时间内,河流中二嗪磷的浓度不超过80ng/L的急性毒性标准线。基于4512次有效模拟,我们发现在现状条件下,该管理目标达成的概率(即CC)为0%。这意味着,必须进行大量的污染负荷削减,才能提高CC值,直至达到事先确定的管理偏差容忍度。
在该流域案例中,考虑了两类污染源:城市非点源和农业非点源,其负荷量的削减百分比分别用x和y来表示。假定了40个(x,y)的取值,确定相应的污染负荷量情景,进而算得相应的CC值。利用者40组(x,y)~CC的数据对,训练一个四层的feed-forward back-propagation人工神经网络,获得了理想的效果。利用这个人工神经网络,建立了(x,y)~CC的映射关系(参见图4)。
根据所建立的映射关系,可方便的进行总量减排方案的评估和筛选。例如,假设管理偏差容忍度为20%,则CC必须达到80%。图4显示,城市非点源削减50%,农业非点源削减79%是一个可行的方案。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (6)
1.一种不确定性条件下流域污染物总量控制方法,其特征在于,包括以下步骤:
S1、建立流域分布式水环境模型并开发数据接口;
S2、进行以管理目标为导向的随机模拟;
S3、计算水质管理目标达成的置信水平;
S4、建立污染负荷量情景与置信水平之间的映射关系;以及
S5、进行不确定性条件下流域污染物总量控制方案的评估和筛选,并利用筛选的方案进行流域污染物总量控制。
2.如权利要求1所述的方法,其特征在于,所述步骤S1进一步包括步骤:
S11、根据具体流域条件和实际管理需求选取模型工具;
S12、收集相关数据完成流域分布式水环境模型的搭建,流域分布式水环境模型用于建立流域污染物负荷量与受纳水体水质之间的响应关系;以及
S13、为所选的流域分布式水环境模型建立与随机模拟技术相衔接的接口。
3.如权利要求2所述的方法,其特征在于,所述步骤S2中的随机模拟选用MOCAU随机模拟技术,包括以下步骤:
S21、确定一组不确定性较大的模型参数;
S22、定义管理变量;
S23、推导受纳水体水质参数真实值的概率分布;
S24、根据事先确定的所述模型参数的先验概率分布,对建立的流域分布式水文模型进行蒙特卡洛模拟,产生一组模型参数的样本,然后将每个样本输入模型,得到并存储所有的模拟输出;
S25、识别有效模拟;
S26、对于每一个有效模拟及其对应的模型参数样本依据贝叶斯原理更新其先验概率,得到随机模拟结果。
4.如权利要求1所述的方法,其特征在于,所述步骤S4中利用人工神经网络建立污染负荷量情景与置信水平之间的映射关系。
5.如权利要求1所述的方法,其特征在于,所述步骤S5进一步包括:利用步骤S4中所建立的污染负荷量情景与置信水平之间的映射关系,估算每种总量控制方案达成水质管理目标的置信水平,同时,定义一个管理偏差容忍度;对于某种方案,如果有置信水平大于等于1与管理偏差容忍度之差,则认为该方案可以接受;经过筛选,最终确定一种可行的方案。
6.如权利要求1所述的方法,其特征在于,所述流域分布式水环境模型包括但不限于:SWAT,WARMF。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102796977A CN102509155A (zh) | 2011-09-20 | 2011-09-20 | 不确定性条件下流域污染物总量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102796977A CN102509155A (zh) | 2011-09-20 | 2011-09-20 | 不确定性条件下流域污染物总量控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102509155A true CN102509155A (zh) | 2012-06-20 |
Family
ID=46221235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102796977A Pending CN102509155A (zh) | 2011-09-20 | 2011-09-20 | 不确定性条件下流域污染物总量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509155A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102956023A (zh) * | 2012-08-30 | 2013-03-06 | 南京信息工程大学 | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 |
CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN105320828A (zh) * | 2014-07-04 | 2016-02-10 | 中国环境科学研究院 | 大规模平面网格条件下污染物总量控制方法 |
CN111899126A (zh) * | 2020-08-10 | 2020-11-06 | 中国水利水电科学研究院 | 基于水循环模拟的三条红线控制指标划分方法 |
CN112232680A (zh) * | 2020-10-19 | 2021-01-15 | 三峡大学 | 基于Copula函数的流域氮代谢环境风险评价方法 |
-
2011
- 2011-09-20 CN CN2011102796977A patent/CN102509155A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102956023A (zh) * | 2012-08-30 | 2013-03-06 | 南京信息工程大学 | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 |
CN102956023B (zh) * | 2012-08-30 | 2016-02-03 | 南京信息工程大学 | 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法 |
CN103810537A (zh) * | 2014-02-12 | 2014-05-21 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN103810537B (zh) * | 2014-02-12 | 2016-09-28 | 南京大学 | 一种基于水质模型的区域环境风险评估方法 |
CN105320828A (zh) * | 2014-07-04 | 2016-02-10 | 中国环境科学研究院 | 大规模平面网格条件下污染物总量控制方法 |
CN105320828B (zh) * | 2014-07-04 | 2018-07-20 | 中国环境科学研究院 | 大规模平面网格条件下污染物总量控制方法 |
CN111899126A (zh) * | 2020-08-10 | 2020-11-06 | 中国水利水电科学研究院 | 基于水循环模拟的三条红线控制指标划分方法 |
CN111899126B (zh) * | 2020-08-10 | 2023-12-15 | 中国水利水电科学研究院 | 基于水循环模拟的三条红线控制指标划分方法 |
CN112232680A (zh) * | 2020-10-19 | 2021-01-15 | 三峡大学 | 基于Copula函数的流域氮代谢环境风险评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liping et al. | Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques—A case study of a hilly area, Jiangle, China | |
Xu et al. | Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation | |
Lee et al. | Application of artificial neural networks to rainfall forecasting in the Geum River Basin, Korea | |
Preis et al. | Efficient hydraulic state estimation technique using reduced models of urban water networks | |
Hong et al. | An integrated monitoring/modeling framework for assessing human–nature interactions in urbanizing watersheds: Wappinger and Onondaga Creek watersheds, New York, USA | |
Bai et al. | Short-term streamflow forecasting using the feature-enhanced regression model | |
Anbari et al. | An uncertain agent-based model for socio-ecological simulation of groundwater use in irrigation: A case study of Lake Urmia Basin, Iran | |
Kişi | Evolutionary fuzzy models for river suspended sediment concentration estimation | |
CN102509155A (zh) | 不确定性条件下流域污染物总量控制方法 | |
Mirchi | System dynamics modeling as a quantitative-qualitative framework for sustainable water resources management: Insights for water quality policy in the great lakes region | |
Sommerlot et al. | Evaluating the impact of field-scale management strategies on sediment transport to the watershed outlet | |
Samadianfard et al. | Hybrid models for suspended sediment prediction: optimized random forest and multi-layer perceptron through genetic algorithm and stochastic gradient descent methods | |
Shakeri et al. | Forecasting impacts of climate change on changes of municipal wastewater production in wastewater reuse projects | |
CN113011455A (zh) | 一种空气质量预测svm模型构建方法 | |
Ikhar et al. | Optimal reservoir operation using soil and water assessment tool and genetic algorithm | |
Moayedi et al. | A novel problem-solving method by multi-computational optimisation of artificial neural network for modelling and prediction of the flow erosion processes | |
Hernandez et al. | An assessment of optimal waste load allocation and assimilation characteristics in the Arroyo Colorado River watershed, TX along the US–Mexico border | |
Jiang et al. | Deep-reinforcement-learning-based water diversion strategy | |
Sarang et al. | How to quantify sustainable development: a risk-based approach to water quality management | |
Zheng et al. | Addressing the uncertainty in modeling watershed nonpoint source pollution | |
Turhan et al. | The investigation of the applicability of data-driven techniques in hydrological modeling: The case of seyhan basin | |
Dai et al. | A stochastic simulation-based chance-constrained programming model for optimizing watershed best management practices for nonpoint source pollution control under uncertainty | |
McPherson | Landscape scale species distribution modeling across the Guiana Shield to inform conservation decision making in Guyana | |
Mohammadzadeh et al. | Forecasting the Cost of Water Using a Neural Network Method in the Municipality of Isfahan | |
Bodrud-Doza et al. | Towards implementing precision conservation practices in agricultural watersheds: A review of the use and prospects of spatial decision support systems and tools |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120620 |