CN106570591A - 基于水质监测及源解析的傍河水源地水质安全预警方法 - Google Patents

Abstract

本发明提供了一种基于污染源解析的傍河水源地水质安全预警方法，用以解决傍河水源地水质监测与分析工作缺乏合理性和系统性的问题。所述方法包括：筛选出适合傍河水源地水质监测的水质指标；对筛选出的所述水质指标进行在线监测获得在线监测结果；根据在线监测结果及预警级别划分，进行预警判定。本发明对傍河水源地监测井的点位布设要求不高，监测数据需求量小，适用性较强，区域无地下水水质监测网亦可；操作简单，只需要在开采井处按标准定期取样测试就可以获得水质资料，对其他资料依赖性低，节省成本；时效性高，反映迅速。本发明对傍河水源地进行监测，根据水质安全预警的结果控制水源井的开关，降低水源地的污染风险，保障水质的安全。

Description

基于水质监测及源解析的傍河水源地水质安全预警方法

技术领域

本发明属于环境保护与水质安全技术领域，具体涉及一种基于水质监测及源解析的傍河水源地水质安全预警方法。

背景技术

傍河取水是一种地下水开发利用的重要方式。为了保障傍河取水的水质安全及可持续性，需要通过水质安全预警对地下水进行有针对性的监测，在水源地受到污染威胁时提前发出预警，以便及时采取措施确保饮用水水质安全，降低地下水污染风险。

水源地水质安全保障主要依赖于水质监测，决定水质监测结果是否可靠的主要因素是监测网的布设和监测因子的选取。而傍河水源地水质监测，需同时选取《地表水环境质量标准》(GB-3838-2002)、《地下水质量标准》(GB/T14848-93)及《生活饮用水水质标准》(GB5749-2006)中的指标为监测因子，还应涉及特征污染因子。

现有技术中，傍河水源地水质监测技术和手段，指标筛选方法还不能科学合理地选取水质监测指标。国内外关于指标筛选方法的研究主要通过数理统计分析方法实现，主要包括德尔菲法、因子分析法、广义方差极小法、灰色关联度分析法、层次分析法。其中，德尔菲法也称专家咨询法，是主观赋权法的一种，但是各专家思维存在主观差异，意见难以统一，因此多用于定性筛选；因子分析法，要求大量的数据，数据越多结果越准确可靠；广义方差极小法，指标筛选前要考虑清楚指标的个数，并且计算过程相对复杂；灰色关联度法，临界值的确定相对较困难；而层次分析法需要逐层计算权重，权重计算的核心是先进行专家咨询，再通过两两比较，推导出综合权重值，当指标较多而且具有较强的相关性时，专家咨询就缺乏可靠性，推导出的权重值精度有限。

目前，国内外进行傍河取水的地区并没有专门针对傍河水源地的水质安全保障措施，而往往都是执行常规水源地水质安全保障技术。同时，我国多数水源地缺乏有效的水质安全预警机制，水质监测与分析工作缺乏合理性和系统性，往往是水源地已经受到污染才采取相应措施，带来的损失极为严重。

发明内容

本发明实施例旨在提供一种基于水质监测及源解析的傍河水源地水质安全预警方法，对傍河水源地进行监测，根据水质安全预警的结果控制水源井的开关，降低水源地的污染风险，保障水质的安全。

根据本发明的一个方面，提供了一种基于水质监测及源解析的傍河水源地水质安全预警方法，所述方法包括如下步骤：

筛选出适合傍河水源地水质监测的水质指标；

对筛选出的所述水质指标进行在线监测获得在线监测结果；

根据所述在线监测结果及所述水质指标的预警级别划分，进行预警判定，获得在线监测预警结果。

上述方案中，所述方法还包括：

根据所述在线监测预警结果采取相应的预警措施。

上述方案中，所述筛选出适合傍河水源地水质监测的水质指标，进一步包括：

获取至少一期水质监测数据，对预设数据进行标准化处理；

对标准化处理后的数据进行因子分析，获得数据相关性分析表；

对所述数据相关性分析表中的数据组进行组内、组间数据相关性分析，将达到预设条件的相关数据分成一组作为公因子组，并对所述公因子组进行正交旋转，得到成分旋转矩阵；

对所述成分旋转矩阵进行水质状况源解析，识别并筛选出适合傍河水源地水质监测的水质指标。

上述方案中，所述预设数据至少包括：代表傍河水源地水源的化学性质的指标；代表傍河水源地水源的有机属性的指标；代表傍河水源地水源的水质污染状况的指标；代表傍河水源地水质监测过程中超标的水质参数。

上述方案中，所述对数据进行标准化处理，进一步为采用主成分分析法提取数据，并进行标准化；

所述进行组内、组间数据相关性分析，进一步采用最大方差法进行分析，从而获得成分旋转矩阵。

上述方案中，所述因子分析的数学模型为：

式中，

X_i为第i个变量的标准化分数；

F_j(j＝1,2,…,m)为公因子；m为所有变量公因子的数目；

ε₁为变量唯一因子，即特殊因子；

a_ij为公因子负荷量；

所述F_j与ε₁不相关；所述公因子F_j之间互不相关且方差为1。

上述方案中，所述达到预设条件的相关数据，进一步为在所述数据相关性分析表中显示为显著相关的数据。

上述方案中，所述方法还包括：

对所述傍河水源地进行常规水质监测，并根据相应预警级别划分，进行预警判定，获得常规监测预警结果；

对所述傍河水源地进行单位时间内水质变幅监测，并根据相应预警级别划分，进行预警判定，获得水质变幅监测预警结果；

根据所述在线监测预警结果、常规监测预警结果、水质变幅监测预警结果，选取预警级别最高的结果，采取预警措施。

从以上技术方案可以看出，本发明所提供的基于水质监测及源解析的傍河水源地水质安全预警方法，包括：筛选出适合傍河水源地水质监测的水质指标；对筛选出的所述水质指标进行在线监测获得在线监测结果；根据在线监测结果及预警级别划分，进行预警判定。本发明对傍河水源地监测井的点位布设要求不高，监测数据需求量小，适用性较强，区域无地下水水质监测网亦可；操作简单，只需要在开采井处按标准定期取样测试就可以获得水质资料，对其他资料依赖性低，节省成本；时效性高，反映迅速。本发明对傍河水源地进行监测，根据水质安全预警的结果控制水源井的开关，降低水源地的污染风险，保障水质的安全。

附图说明

图1为本发明第一实施例的基于水质监测及源解析的傍河水源地水质安全预警方法流程示意图；

图2为本发明第一实施例的傍河水源地位置示意图；

图3为本发明第一实施例的傍河水源地的污染源位置分布示意图；

图4为本发明第一实施例的筛选水质监测指标的方法流程示意图；

图5为本发明第一实施例的傍河水源地采样点分布示意图；

图6为本发明第二实施例的基于水质监测及源解析的傍河水源地水质安全预警方法流程示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

保障水源地水质安全，通常通过对水源地进行水质监测的方式，同时提供相应的水质安全保障。水源地污染本身具有隐蔽性、长期性和难以治理性的特点，预防成为控制地下水污染、保障供水水质安全最有效的方法。在地下水污染尚未发生之时，提出预告和警报，以便及时采取防治措施，控制其难以治理性，使地下水系统良性循环。一方面，水质安全预警可减少水质监测和水质安全保障的投入；另一方面，水质安全预警通常以水质监测为基础。

2012年，环保部发布《全国集中式生活饮用水水源地水质监测实施方案》(以下简称“方案”)，其中，对于地表水供水水源地，要求按《地表水环境质量标准》(GB3838-2002)基本项目(23项，化学需氧量除外)、补充项目(5项)和的优选特定项目(33项)，共61项进行监测；对于地下水供水水源地，要求按照《地下水质量标准》(GB/T14848-1993)中规定的23项进行监测。同时，要求地级以上城市集中式生活饮用水水源地每年6-7月进行1次水质全分析监测；县级行政单位所在城镇集中式生活饮用水水源地每2年开展1次水质全分析监测，全分析监测按照《生活饮用水卫生标准》(GB5749-2006)中所规定的106项进行测试分析。表1为国内外多个需依据的水质监测指标参照标准。

表1

由表1可以看出，大量的监测指标不仅增加了工作量和工作难度，还会让水质主导因子被隐藏，且每1年至两年进行的一次全分析检测降低了水质监测的时效性，当水质因子在监测周期内监测时间点外发生超标时，并不能被发现或准确测试含量，从而危害供水安全。此外，多数地区环境背景值中并不含有全分析要求中所规定的每一项物质，且周边人类活动包括突发情况下也极低可能会让这些物质进入环境水体，却依然要按规范要求取样分析测试。第三，很多供水水源地并没有技术能力和技术手段满足国家关于水源地水质安全保障的监测要求。

因此，本发明在进行傍河水源地水质监测的过程中，通过一定的算法对水质监测指标进行筛选，选取最具有代表性的水质监测指标，在保证水质监测可靠性的前提下，减少水质监测的工作量和复杂度。

下面通过具体的实施例并结合附图，对本发明作进一步说明。

第一实施例

本实施例提供了一种基于水质监测及源解析的傍河水源地水质监测方法。图1为本发明第一实施例的基于水质监测及源解析的傍河水源地水质安全预警方法流程示意图。如图1所示，本实施例的傍河水源地水质监测方法包括如下步骤：

步骤S1，筛选出适合傍河水源地水质监测的水质指标。

本步骤中，对水质监测指标的筛选，所涉及的筛选项目较多，且需要筛选出典型代表性指标，傍河水源地水质监测结果可为因子分析提供大量且准确的数据来源。综合上述因素及筛选方法的优缺点，本实施例采用因子分析法进行监测因子代表性指标的筛选。

在具体的操作中，可以某一个地区的傍河水源地作为具体的监测位置，布设监测点，如，以黑龙江省哈尔滨市利民经济开发区为例，图2为本发明第一实施例的傍河水源地位置示意图。

因子分析是对多个变量中提取共性的因子的统计技术，属于多元统计的重要方法之一，是对多变量降维、聚类的过程。其基本思想是通过分析多个变量间的相关性，根据相关性分析结果对变量分组，每组变量之间的相关性较低，组内变量相关性较高，每组量代表一种基本结构，可以用潜在公因子表示。

因子分析的数学模型：

矩阵表示：X＝AF+E；具体为：

式中，

X_i为第i个变量的标准化分数；

F_j(j＝1,2,…,m)为公因子；m为所有变量公因子的数目；

ε₁为变量唯一因子，即特殊因子；

a_ij为公因子负荷量；

所述F_j与ε₁不相关；所述公因子F_j之间互不相关且方差为1。

需满足条件：①公因子与特殊因子不相关；②各个公因子不相关且方差为1；③观测变量中的各个特殊因子理论上不具有关联性，方差也不要求相等。

因子分析方法使用便捷，利用统计分析软件SPSS可实现分析过程；不需细致掌握研究区污染源的种类；客观判定污染源组成，去除人为划分组别的主观性；挖掘表观无相关性数据的内在联系，呈现复杂数据的规律。本实施例即采用因子分析法进行傍河水源地污染源的识别。

而水源地的污染源，可以有多种不同的分类方法，如：自然污染源、人为污染源；工业污染源、农业污染源、生活污染源；点状污染源、带状污染源和面状污染源；连续性污染源、间断性污染源和瞬时性(偶然性)污染源。污染源的分布包括空间位置、污染物的量及污染防护措施的完善性。人为污染源包括城市固体废物(生活垃圾、工业固体废物、污水处理厂、排水管道及地表水体的污泥等)、城市液体废物(生活污水、工业污水及地表径流等)、农业活动(污水灌溉、施用农药、化肥及农家肥)、矿业活动(矿坑排水、尾矿淋滤液、矿石选洗等)。基于产生污染物的行业，可将污染源分为工业、农业和生活污染源三类。对某一污染源而言，污染物也可以有多种不同的分类方式，最常见的可以分为无机污染物、有机污染物、生物污染物和放射性污染物。

在本实施例中，依然以黑龙江省哈尔滨市利民经济开发区为例，进行水源地污染源及污染物的调查。图3为本实施例的傍河水源地污染源位置分布示意图。如图3所示，本实施例的傍河水源地潜在污染源的类型主要为：生物制药基地污水排放、垃圾堆放、农田种植和居民生活污水排放。

(1)生物制药基地污水排放

哈尔滨利民生物医药产业园区位于哈尔滨市利民经济开发区，目前已建成区2km²,主要涉及药品生产、医疗器械、功能食品、医药物流等领域。主要药厂分布见图6。

(2)垃圾堆放

目前研究区内主要垃圾来源为城镇居民生活垃圾及工业生产废物。其中，区内设有居民生活垃圾集中回收处理站，可处理大部分城镇生活垃圾，但靠近研究区周边区域的村落仍存在垃圾随意堆放现象。工业生产废物主要来源于利民生物医药产业园，生产过程中所产生的废物主要由工厂内部处理及垃圾处理站回收。根据研究区调查结果，区内主要存在两处大型垃圾堆放场地。

(3)农田种植

研究区周边存在大面积农业片区，主要分布在研究区西侧高漫滩地区，农业类型以玉米、大豆种植为主，由于当地农业长期施用化肥、农药，在种植区形成了广泛的农业面源污染。农业片区土壤类型主要为黑壤土，分布厚度一般10-30cm，能在一定程度上起到防止污染物下渗的作用，但由于该地区农业种植在春秋两季时均有大规模的“翻地”松土行为，致使表层土壤与下伏细沙层混合，且土壤松动增加了表层空隙率，在淋滤作用下，农业污染物很容易进入下部地层。农业面源污染具有广泛性、模糊性、潜伏性、隐蔽性、难治理的特点，因此长期以来被作为污染源调查和研究的重点。

(4)居民生活污水

随着近年来哈尔滨市“北拓南越”建设计划的开展，利民区城市化进程迅速，区内建有完善的污水处理厂，居民生活污水及城市雨漏水均进入污水管网后统一在污水处理厂处理达标后排放，利民主城区附近基本无生活污水排放进入含水层中的潜在性污染。利民城区周边存在部分待改建为城区的村镇，目前大部分居民均已搬离，常住人口数量较低，且为传统的农村生活方式，对环境影响较小。因此，利民区居民生活污水对研究区地下水污染的潜在可能性较低，本次研究不考虑生活污水的影响。

根据污染源调查结果及研究区河流水质、地下水分析结果，获得根据研究区主要超标物质为总铁、锰、氨氮、COD。目前对研究区影响最为严重的污染源为农业面源污染，根据对研究区地下水及河流水质的取样测试，确定研究区主要污染物为氨氮。

在上述调查的基础上，进行水质指标的筛选。图4为本实施例的筛选水质监测指标的方法流程示意图。如图4所示，筛选出适合傍河水源地水质监测的水质指标，进一步包括：

步骤S11，获取至少一期水质监测数据，对预设数据进行标准化处理。

优选的，所述预设数据至少包括：代表傍河水源地水源的化学性质的指标；代表傍河水源地水源的有机属性的指标；代表傍河水源地水源的水质污染状况的指标；代表傍河水源地水质监测过程中超标的水质参数。

具体的，本实施例选取研究区2006年6月至2006年9月期间取样测试的水质监测数据，本次研究所有样品均取自研究区含水层，42个样品分别取自不同的水井，如图5所示，为本实施例的傍河水源地采样点示意图。水井为民井或农田灌溉井，以压水井及潜水泵井为主，所开采层位均为潜水含水层，取样深度变化范围较小，从地下水水位以下1.2m到6.5m不等。

利用美国IBM公司的SPSS 20.0软件对地下水水质数据进行处理分析。选用因子分析来区分影响研究区地下水水质的不同自然和人为过程的贡献率。根据采样测试分析的连续性和测试结果的代表性：①由于受取样方法及分析测试精度等因素的影响，多数样品检测结果低于检测限，无法用因子分析法进行分析；②研究区周边农业活动较为频繁，地下水水质有可能受其影响。最终选择Ca²⁺、Mg²⁺、K⁺、Na⁺、Cl^-、SO₄ ^2-、HCO₃ ^-、NO₃ ^-、NO₂ ^-、NH4⁺、F^-、COD、总硬度、溶解性总固体(TDS)、总Fe、锰共16个水质参数供因子分析。本实施例选取的16个指标分别代表地下水的水化学性质、有机属性、水质污染状况，且包括了所有研究区地下水水质测试过程中超标的水质参数，能够表征研究区的整体水质状况。16个水质参数的描述性统计如表2所示。

表2

步骤S12，对标准化处理后的数据进行因子分析，获得数据相关性分析表。

具体的，研究区42个地下水水样，其中的16个水质参数相关系数矩阵如表3所示。从表中可以看出，Ca²⁺、Mg²⁺、、SO₄ ^2-、总硬度(CaCO₃)、溶解性总固体、NO₃ ^-、NO₂ ^-相关性较高，说明可能是同一来源；Na+、Cl-相关性较高，来源可能相同；COD、NH₄ ⁺具有较高相关性，应属统一来源；总Fe、锰相关性较高，来源可能相同；与其他水质参数呈负相关的因子理论上来源不同。

表3

其中，**表示99％置信区间显著，*表示95％置信区间显著；总硬度以CaCO₃计。

步骤S13，对所述数据相关性分析表中的数据组进行组内、组间数据相关性分析，将达到预设条件的相关数据分成一组作为公因子组，并对所述公因子组进行正交旋转，得到成分旋转矩阵。

优选的，所述达到预设条件的相关数据，进一步为在所述数据相关性分析表中显示为显著相关的数据。

具体的，根据原始水质数据的偏度、峰度状况，对数据进行均值为0，方差为1的标准化转换。然后采用Kaiser-Meyer-Olkin(KMO)检验和Bartlett球形检验以验证数据是否适合因子分析，表4所示为检验结果。由此可见KMO测度为0.597，Bartlett检验具有显著性，适合进行因子分析。

表4

表5

表5解释了总方差的83.70％，表明可以较好地代表原始水质数据的特征。五个公因子分别解释了总方差的31.75％、15.51％、13.35％、12.97％、10.12％。然后进行正交旋转，得到旋转成分矩阵，如表6所示，又称因子载荷矩阵。

表6

步骤S14，对所述成分旋转矩阵进行水质状况源解析，识别并筛选出适合傍河水源地水质监测的水质指标。

具体的，对步骤S13中的公因子进行水源地污染物识别。

第一公因子F1主要由Ca²⁺、Mg²⁺、SO₄ ^2-、NO₃ ^-、NO₂ ^-、溶解性总固体(TDS)、总硬度组成。研究区平原高TDS，总硬度、Ca²⁺、Mg²⁺含量主要来源于原生地质环境，可能途径为长期水岩相互作用导致的地下水中离子含量的稳定化。研究区历史水质资料表明，在地下水开采量较小、未集中开采且区内水井仅作为民用自备井时，地下水中TDS，总硬度、Ca²⁺、Mg²⁺含量相对于集中开采后较低，说明开采情况下会加强研究区水岩相互作用，从而增加水体中Ca²⁺、Mg²⁺离子的含量。同时，开采形成局部地下水降落漏斗，漏斗区地下水位下降，水位面与表层细砂土、黏土层距离增加，毛细上升高度降低，表层盐分因子在淋滤作用下下渗，富集到含水层上部区域，当降水集中或地下水位波动变化相对较大时，盐分因子溶解进入地下水中，根据丰水期初期地下水中TDS，总硬度较高可以得证。此外，地下水的开采造成河流反向补给地下水，根据呼兰河水质分析结果可知河水中NO₃ ^-、NO₂ ^-含量较高，水力场的变化使河水中的NO₃ ^-、NO₂ ^-进入地下水。综上，F1归结为地下水开采引起的水岩相互作用与水力场变化。基于上述因子的强正相关性，选取TDS作为F1因子的代表性指标。

第二公因子F2主要由Na⁺、Cl^-组成。地下水中Cl^-占主导作用时主要由于人类活动造成的污染所致。Cl^-含量的增加往往会促使地下水中Na+含量的增长以维持阴阳离子平衡。张梦南等通过氯同位素分析地下水氯离子的迁移转化及来源分析，阐明了地下水中氯盐的污染多由人类活动所致。此外，F2中总Fe、锰都呈现反向荷载，结合相关性分析结果，得知总Fe、锰与Na⁺、Cl^-来源应完全不同，而研究初步判定地下水中总Fe、锰来源于原生地质环境。因此，F2归结为人类活动污染。

第三公因子F3构成复杂，正向荷载较强的有K⁺、SO₄ ^2-、NO₃ ^-。研究区西部农业活动频繁，长期的农业活动使地表硝酸盐氮、未滞留于植物体中的硫酸钾肥通过淋滤作用下渗进入地下水中。HCO₃ ^-有极强的反向荷载，而硫酸钾肥等肥料的施用会促进形成氧化环境，从而降低地下水中HCO₃ ^-离子的含量。因此，F3归结为农业活动。

第四公因子F4主要由总Fe、锰组成。整个东北地区受构造运动影响，铁、锰的整个地质环境背景值普遍偏高，且二者对于F4均有很高的正向荷载，而与其他水质因子的相关性一般，所以，第四公因子归结为原生地质环境影响。

第五公因子F5主要由COD、NH₄ ⁺组成。工业污水中的排放后，水中的有机物易污染埋深较浅的地下水，使地下水的COD升高，同时，化肥工业生产活动过程中会产生大量的高浓度NH₄ ⁺+，有机组分的厌氧菌降解也会使NH₄ ⁺浓度升高。因此，F5归结为工业活动。

在具体操作中，对于上述筛选过程的结果，需要进行如下说明：

(1)为保证预警的准确性和预警精度，“规范”中所规定必测项目不应删减，但应结合因子分析结果做具体调整；

(2)根据因子分析结果获得影响水源地及周边区域水质状况的主成分，选取特征值大于1的成分矩阵，通过成分旋转矩阵和相关分析将水质指标归类，并进行源解析，根据源解析结果选择综合替代性指标；

(3)对选取的综合替代性进行指标筛选原则论证，保留合适的监测指标，供在线监测使用，结合常规监测指标筛选结果及污染源调查结果，最终获得水源地水质监测指标；

(4)经过水源地实地情况论证，从水源地水质监测指标系统中选择TDS、COD作为在线监测指标，Cl^-、NH₄ ⁺监测频率为每星期一次，NO₃ ^-监测频率为每月一次。

通过对水源地水质状况做因子分析，可以获得用于判断区域水质影响因素的成分矩阵，实现多维水质数据的降维，将相关性较强的水质指标归类并作出主成分的源解析分析，根据分析结果，提出可以代替各组主成分的水质替代性指标，对该系列指标进行实时监测，可大大降低工作量，提高水质安全预警的敏感度。

步骤S2，对筛选出的所述水质指标进行在线监测获得在线监测结果。

具体的，通过研究区水质状况源解析得知，研究区地下水水质状况主要受地下水开采、人类活动污染、农业活动、原生地质环境、工业活动影响。通过因子荷载分析与主成分提取，将原有16个水质指标可筛选为TDS、COD、Cl^-、NH₄ ⁺、NO₃ ^-五个水质代表性指标，其中，TDS、COD作为在线监测指标，Cl^-、NH₄ ⁺NO₃ ^-提高监测频率，Cl^-、NH₄ ⁺监测频率由原来的每月一次提高到每星期一次，NO3-监测频率由原来的每半年一次提高到每季度一次。

步骤S3，根据所述在线监测结果及所述水质指标的预警级别划分，进行预警判定，获得在线监测预警结果。

具体的，在线监测及频率加高监测指标由于是通过地下水水质源解析得出，五个公因子的主正向荷载成分能够代表该公因子的状况，所以直接用最终筛选出的TDS、COD、Cl^-、NH₄ ⁺、NO₃ ^-五个替代性水质指标进行预警级别划分，级别划分方式采取等效替代法，即用五个替代性水质指标的浓度值对应常规监测情况下的预警级别划分表进行警戒判定；上述判定结果中，选取水质因子的最高预警级别作为判定结果。

对水质替代性指标的监测结果进行预警等级判别，级别划定依据主要通过选取单个水质替代性指标所对应的主成分组份中相关贡献率最高的一项指标，以此项指标的预警划分限值标准为基础获得预警等级判别的等效指标。

根据因子分析结果，研究区傍河水源地选取TDS、COD作为在线监测指标，Cl^-、NH₄ ⁺、NO₃ ^-作为提高监测频率的敏感性指标，五项指标均根据表7中预警级别判定方式确定级别。

表7

所述方法还可以包括：根据所述在线监测预警结果采取相应的预警措施。

根据预警级别判定结果，采取相应的预警措施，详见表8。

表8

本实施例对傍河水源地监测井的点位布设要求不高，监测数据需求量小，适用性较强，区域无地下水水质监测网亦可；操作简单，只需要在开采井处按标准定期取样测试就可以获得水质资料，对其他资料依赖性低，节省成本；时效性高，反映迅速；通过对傍河水源地进行监测，根据水质安全预警的结果控制水源井的开关，降低水源地的污染风险，保障水质的安全。

第二实施例

本实施例在第一实施例的基础上，对傍河水源地的水质安全预警进行了扩充。图6所示为本实施例的基于水质监测及源解析的傍河水源地水质安全预警方法流程示意图。如图6所示，本实施例的水质安全预警方法包括如下步骤：

步骤S301，筛选出适合傍河水源地水质监测的水质指标。

具体的，同步骤S1。

步骤S302，对筛选出的所述水质指标进行在线监测获得在线监测结果。

具体的，同步骤S2。

步骤S303，根据所述在线监测结果及所述水质指标的预警级别划分，进行预警判定，获得在线监测预警结果。

具体的，同步骤S3。

步骤S304，对所述傍河水源地进行常规水质监测。

步骤S305，根据相应预警级别划分，进行预警判定，获得常规监测预警结果。

具体的，供水水源地水质需达到《地下水质量标准》(GB/T 14848-93)中对于水质的限定要求(以人类健康为依据)，同时需满足《生活饮用水卫生标准》(GB5749-2006)中的限定标准。因此，在进行预警级别的判定时，选取的指标在《地下水质量标准》(GB/T 14848-93)中未给出相应标准，则依据《生活饮用水卫生标准》(GB5749-2006)进行地下水水质赋值，并据超标情况及表7划定预警级别。

全分析项目预警级别划分时，若超标，直接启动三级预警，以《生活饮用水卫生标准》中所规定的限值作为评价标准。

步骤S306，对所述傍河水源地进行单位时间内水质变幅监测。

步骤S307，根据相应预警级别划分，进行预警判定，获得水质变幅监测预警结果。

具体的，单位时间内水质变幅计算需要至少两期水质监测数据，得出水质变化趋势线，对监测因子的变化趋势作分析。单指标水质变化趋势最直观的分析方法是斜率判断法，通过获得水质数据变化的斜率值大小，判断水质趋势。

单位时间内水质变幅预警级别划分法只考虑当期水质指标浓度小于二级预警启动浓度值时，即使用先决条件为：

Mi<M_标一 (2)

预警级别判断公式如下：

式(2)中，M_标一为一级预警启动判断标准值，即《地下水质量标准》Ⅲ类水标准与《生活饮用水卫生标准》对应同项指标界限值中的较小值。

式(3)中，Ki为某一项监测指标的变幅指数；

Mi为某一项监测指标的实际监测值；

Mi-1为某一项监测指标在Mi前一次取样时的实际监测值。

结合多年或多期水质监测结果，获得Ki值：

当Ki>1时，说明监测指标浓度在增加；

当Ki≤1时，说明监测指标浓度相对稳定或变化幅度较小。

据此，建立水质变化趋势对应预警级别的判断矩阵[Ki,M_标二]，其中，M_标二为二级预警启动判断标准值，即《地下水质量标准》Ⅲ类水标准与《生活饮用水卫生标准》对应同项指标界限值中的较大值。

为了方便预警级别的判定与判定结果的一致性，结合实际情况，对判断矩阵只取三种情况进行预警级别划分：

Ki<1，Mi<M_标二，0级预警；

Ki≥1，Mi<M_标二，2级预警。

步骤S308，根据所述在线监测预警结果、常规监测预警结果、水质变幅监测预警结果，选取预警级别最高的结果，采取预警措施。如表8所示。

综合以上，本实施例对傍河水源地监测井的点位布设要求不高，监测数据需求量小，适用性较强，区域无地下水水质监测网亦可；操作简单，只需要在开采井处按标准定期取样测试就可以获得水质资料，对其他资料依赖性低，节省成本；时效性高，反映迅速；对傍河水源地进行监测，根据水质安全预警的结果控制水源井的开关，降低水源地的污染风险，有效的保障了水质的安全。

以上所述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，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于水质监测及源解析的傍河水源地水质安全预警方法，其特征在于，所述方法包括如下步骤：

筛选出适合傍河水源地水质监测的水质指标；

对筛选出的所述水质指标进行在线监测获得在线监测结果；

根据所述在线监测结果及所述水质指标的预警级别划分，进行预警判定，获得在线监测预警结果。

2.根据权利要求1所述的傍河水源地水质安全预警方法，其特征在于，所述方法还包括：

根据所述在线监测预警结果采取相应的预警措施。

3.根据权利要求1所述的傍河水源地水质安全预警方法，其特征在于，所述筛选出适合傍河水源地水质监测的水质指标，进一步包括：

获取至少一期水质监测数据，对预设数据进行标准化处理；

对标准化处理后的数据进行因子分析，获得数据相关性分析表；

对所述数据相关性分析表中的数据组进行组内、组间数据相关性分析，将达到预设条件的相关数据分成一组作为公因子组，并对所述公因子组进行正交旋转，得到成分旋转矩阵；

对所述成分旋转矩阵进行水质状况源解析，识别并筛选出适合傍河水源地水质监测的水质指标。

4.根据权利要求3所述的傍河水源地水质安全预警方法，其特征在于，所述预设数据至少包括：代表傍河水源地水源的化学性质的指标；代表傍河水源地水源的有机属性的指标；代表傍河水源地水源的水质污染状况的指标；代表傍河水源地水质监测过程中超标的水质参数。

5.根据权利要求3所述的傍河水源地水质安全预警方法，其特征在于，

所述对数据进行标准化处理，进一步为采用主成分分析法提取数据，并进行标准化；

所述进行组内、组间数据相关性分析，进一步采用最大方差法进行分析，从而获得成分旋转矩阵。

6.根据权利要求3至5任一项所述的傍河水源地水质安全预警方法，其特征在于，所述因子分析的数学模型为：

$\begin{array}{c}{X}_1={\mathrm{\&alpha;}}_{11}{F}_1+{\mathrm{\&alpha;}}_{12}{F}_2+...{\mathrm{\&alpha;}}_{1j}{F}_j...+{\mathrm{\&alpha;}}_{1m}{F}_m+{\mathrm{\&epsiv;}}_1\\ X_2={\mathrm{\&alpha;}}_{21}{F}_1+{\mathrm{\&alpha;}}_{22}{F}_2+...{\mathrm{\&alpha;}}_{2j}{F}_j...+{\mathrm{\&alpha;}}_{2m}{F}_m+{\mathrm{\&epsiv;}}_1\\ ...\\ X_i={\mathrm{\&alpha;}}_{i1}{F}_1+{\mathrm{\&alpha;}}_{i2}{F}_2+...{\mathrm{\&alpha;}}_{ij}{F}_j...+{\mathrm{\&alpha;}}_{im}{F}_m+{\mathrm{\&epsiv;}}_1\\ ...\\ X_p={\mathrm{\&alpha;}}_{p1}{F}_1+{\mathrm{\&alpha;}}_{p2}{F}_2+...{\mathrm{\&alpha;}}_{pj}{F}_j...+{\mathrm{\&alpha;}}_{pm}{F}_m+{\mathrm{\&epsiv;}}_1\end{array}---\left(1\right)$

式中，

X_i为第i个变量的标准化分数；

F_j(j＝1,2,…,m)为公因子；m为所有变量公因子的数目；

ε₁为变量唯一因子，即特殊因子；

a_ij为公因子负荷量；

所述F_j与ε₁不相关；所述公因子F_j之间互不相关且方差为1。

7.根据权利要求3所述的傍河水源地水质安全预警方法，其特征在于，所述达到预设条件的相关数据，进一步为在所述数据相关性分析表中显示为显著相关的数据。

8.根据权利要求1所述的傍河水源地水质安全预警方法，其特征在于，所述方法还包括：

对所述傍河水源地进行常规水质监测，并根据相应预警级别划分，进行预警判定，获得常规监测预警结果；

对所述傍河水源地进行单位时间内水质变幅监测，并根据相应预警级别划分，进行预警判定，获得水质变幅监测预警结果；

根据所述在线监测预警结果、常规监测预警结果、水质变幅监测预警结果，选取预警级别最高的结果，采取预警措施。