CN109325612A - 一种湖泊富营养化状态发展趋势的预测方法 - Google Patents

Abstract

本发明公开了一种湖泊富营养化状态发展趋势的预测方法，属于环境保护和水资源可持续利用技术领域,其技术方案要点是首先选择与湖泊富营养化关系密切的工业废水排放量、生活污水排放量、农业面源污染负荷比和工业废水达标排放率、污水处理率等作为富营养化影响因素；然后建立富营养化状态预测S型曲线指数公式；进而结合富营养化指标监测数据和影响因素数据，应用粒子群算法对公式中的参数进行优化，得出适用于富营养化发展趋势的预测指数公式。达到了能适用于不同地区的湖泊富营养化状态发展趋势预测的技术效果,有效的保护湖泊生态系统。

Description

一种湖泊富营养化状态发展趋势的预测方法

技术领域

本发明属于环境保护和水资源可持续利用技术领域，更具体地说，它涉及一种湖泊富营养化状态发展趋势的预测方法。

背景技术

湖泊富营养化是当今全球范围内最严重的水质问题之一。国务院在京发布《2011年中国环境状况公报》，公报中指出我国湖泊(水库)富营养化问题突出，监测的26个湖泊(水库)中，处于富营养化状态的湖泊(水库)占53.8％。环保部周生贤部长曾提出，国家在深入推进重点流域水污染防治的同时，已着手优先保护水质良好和生态脆弱的江河湖泊。近20年来，随着经济、社会的发展和人口增长，我国长江中、下游湖泊的富营养化进程已呈现逐渐加快的态势。不少湖泊水质恶化，可利用功能丧失，严重的制约了该地区人类社会和经济的发展。为了解湖泊富营养化状况和未来发展趋势，需要在现有的富营养化指标监测数据、污染物排放量及影响湖泊富营养化的社会、经济等因素之间的相关分析基础上，建立描述湖泊富营养化状态与影响因素之间数量关系的预测模型。如公开号为CN106295121A的中国专利公开了一种景观湖泊贝叶斯水质风险预测方法,通过联合使用动态模型方程和贝叶斯统计方法建立了景观湖泊富营养化风险概率预测模型。

湖泊富营养化预测模型通常分为动态模型和稳态模型。动态模型要求具有较多的调查和观测资料，计算复杂，且模型适应度差；稳态模型需要的资料较少，模型结构简单，计算结果是以年为时间尺度的平均状态，预测的结果与实际情况吻合较好，应用较广。其中具有代表性的稳态模型有Vollenweider模型、 Dillon模型、Canfield模型及合田键模型。

但是上述模型实际上只是单一的负荷模型，只能对磷的浓度进行预测，不能对水体中包含有Chla、TN和COD_Mn等多指标的湖泊富营养化状态进行综合预测。

发明内容

针对现有技术存在的不足，本发明的目的在于提供湖泊富营养化状态发展趋势的预测方法，其具有适用于不同地区的湖泊富营养化状态发展趋势预测的优势。

为实现上述目的，本发明所提供的技术方案具体步骤如下：

1.构建预测模型的评价因子

采用五个参数作为预测湖泊富营养化状态发展趋势的影响因子：湖区工业废水排放量Q₁，生活污水排放量Q₂，农业面源有机污染负荷比η₃，工业废水达标排放率η₁和污水处理率η₂等影响指标。

2.湖泊富营养化的S型曲线预测指数公式

建立如式(1)表示的湖泊富营养化的S型曲线预测指数公式：

式中，

式中，Q_t1和η_t1分别为第t年工业废水排放量和工业废水达标排放率；Q_t2和η_t2分别为第t年生活污水排放量和污水处理率；Q₀₁和η₀₁分别为所选择的“基准年”的工业废水排放量和工业废水达标排放率；Q₀₂和η₀₂分别为所选择的“基准年”的生活污水排放量和污水处理率；η_t3和η₀₃分别为第t年和“基准年”农业面源污染负荷量所占比例。

3.湖泊富营养化评价指标指数值计算

(Ⅰ).单指标富营养化状态分指数值计算

富营养化预测评价的指标j的营养状态分指数计算公式如式(3)所示。

式中，c_j为指标j的测定值；c_{j max}和c_{j min}分别为取指标j的最高营养级(极富) 和最低营养级(极贫)标准限值。与富营养化关系密切的10项富营养化指标(以下简称指标)的c_{j min}和c_{j max}如表1所示。

表1 10项湖泊富营养化评价指标的c_{j min}和c_{j max}及指数分级标准

(Ⅱ).综合富营养化状态指数值计算

富营养化预测评价的指标总体的营养状态指数计算公式如式(4)所示。

式中，W_j为指标j的归一化权值，多数情况下，各指标可视作等权的，故 W_j＝1/n；n为参与评价的评价指数数目。I_j为由式(3)计算得到的指标j的营养状态分指数。10项指标6级标准浓度限值(c_jk)及由式(3)计算得到的单指标j的营养状态分指数I_j如表1所示。将表1中的10项指标的各级标准分指数值代入式(4)，可得出富营养状态的6级分级标准与综合指数值EI的对应关系。

4.应用粒子群算法优化参数

应用粒子群算法优化确定式(1)中的参数α和β_i(i＝1,2,3)，设计优化目标函数：

式中，EI_t和EI_t0分别为由式(1)计算得到的湖泊富营养化预测指数值和由幂函数加和型富营养化评价综合指数式(4)计算得到的湖泊富营养化评价综合指数值；N为建模所用年份总数。

粒子群算法的迭代公式如式(6)、(7)所示。

v_id(t+1)＝w·v_id(t)+c₁·r₁(p_id-x_id(t))+c₂·r₂(p_gd-x_gd(t)) (6)

x_id(t+1)＝x_id(t)+v_id(t+1) (7)

式中，w为惯性权值；c₁和c₂为加速系数；r₁和r₂为两个在[0，1]内变化的随机数。

5.趋势预测

应用优化后的富营养状态S型预测指数公式进行富营养化趋势预测。

综上所述，本发明具有以下有益效果：

1、本方法适应于多指标的富营养化预测评价，同时能提供尽可能优化的计算公式，有效的保护湖泊生态系统；

2、本方法选择对富营养化影响密切的湖区工业废水排放量、生活污水排放量、农业有机面源污染负荷比及工业废水达标排放率和污水处理率作为富营养化预测的影响因子，建立湖泊富营养化预测指数公式，并应用粒子群算法优化参数，得到富营养化预测指数公式，并设定湖区未来的工业废水排放量、生活污水排放量、农业面源污染负荷比和工业废水达标排放率及污水处理率等影响因素的变化，通过预测指数公式,能够合理预测未来湖泊富营养状态的变化趋势。

附图说明

图1是1987～2005年湖区富营养化综合评价指数值的曲线图；

图2是湖区富营养化状态变化趋势(2005～2035年)曲线图。

具体实施方式

下面以长江中下游地区某一湖泊为实例进一步说明本发明，该湖泊富营养化状态发展趋势的预测方法的具体步骤如下。

1.构建预测模型的评价因子

对长江中、下游湖泊，由于湖区大、工业生产发达、农业蓄水量达，人口密度大，采用对湖泊富营养化进程起重要影响的有湖区工业废水排放量Q₁、生活污水排放量Q₂、农业面源有机污染负荷比η₃及工业废水达标排放率η₁和污水处理率η₂等影响指标。1999～2004年某湖区工业废水排放量Q_t1、生活污水排放量Q_t2、农业面源污染负荷比η_t3及工业废水达标排放率η_t1和污水处理率η_t2如表2 所示。依据公式，计算出各项指标预测排放量。

表2湖区工业废水、生活污水、面源污染负荷比、工业废水达标排放率、污水处理率及R_ti(i＝1,2,3)

2.湖泊富营养化的S型曲线预测指数公式

以选取的指标作为湖泊富营养化预测模型的因子，建立如式(1)表示的湖泊富营养化的S型曲线预测指数公式：

式中，

式中，Q_t1和η_t1分别为第t年工业废水排放量和工业废水达标排放率；Q_t2和η_t2分别为第t年生活污水排放量和污水处理率；Q₀₁和η₀₁分别为所选择的“基准年”的工业废水排放量和工业废水达标排放率；Q₀₂和η₀₂分别为所选择的“基准年”的生活污水排放量和污水处理率；η_t3和η₀₃分别为第t年和“基准年”农业面源污染负荷量所占比例。

3.湖泊富营养化评价指标指数值计算

依据式(3)计算得到的湖区3项富营养状态分指数值I_j(j＝1,2,3)及由式(4) 计算得到的富营养状态综合指数值EI_t如表3所示。

表3湖区富营养状态分指数值I_j及综合指数值EI_t(1999～2005)

由式(4)计算得到的1987～2005年某湖区富营养化状态综合评价指数值如图1所示。

4.应用粒子群算法优化参数

若选择1999年为“参照年”，表2中还同时列出了由式(2)计算得到的R_t1、 R_t2和R_t3值。将表2中各年的R_ti(i＝1,2,3)数据代入式(1)，并在满足优化目标准则式(3)条件下，应用PSO算法反复迭代优化式(1)中的参数α和β_i(i＝1,2,3)，而由富营养化综合评价指数公式(4)计算出1999～2004各年的指数值EI作为优化目标函数式(3)中的各年的综合指数目标值EI_t0。PSO参数设置，群体规模m：30；维数D：4；参数c₁：2、c₂：2；最大迭代次数T：10000；目标函数最小值：0.000419。满足目标值f≤0.000073时，运行结束，得到优化好的参数值α＝1.35；β₁＝0.0863；β₂＝0.0412；β₃＝0.0737。得到优化后的适用于某区富营养状态S型预测指数公式：

5.趋势预测

应用富营养状态S型预测指数公式(8)对1999～2005年湖区富营养化预测的拟合检验结果如表3所示。

对湖区2005～2035年的富营养状态作预测，设2005～2035年期间，工业废水排放量增长率(δ₁)、生活污水排放增长率(δ₂)、农用化肥和农药年削减率 (δ₃)、工业废水达标排放年增长率(δ₁′)和污水处理年增长率(δ₂′)变化如表4所示。由公式计算得出2005～2035年某湖区富营养状态预测指数及分级结果如表5所示，富营养状态变化趋势如图2所示。

表4 2005～2035年期间有关参数变化的设定

表5 2005～2035年湖区富营养化预测结果

Claims (9)

1.一种湖泊富营养化状态发展趋势的预测方法，其特征在于，包括如下步骤：(1)构建预测模型的评价因子；(2)建立湖泊富营养化的S型曲线预测指数公式；(3)湖泊富营养化评价指标指数值计算；(4)应用粒子群算法优化参数；(5)预测湖泊富营养化状态发展趋势。

2.根据权利要求1所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，步骤(1)中采用五个参数作为预测湖泊富营养化状态发展趋势的影响因子：湖区工业废水排放量Q₁，生活污水排放量Q₂，农业面源有机污染负荷比η₃，工业废水达标排放率η₁和污水处理率η₂。

3.根据权利要求2所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，步骤(2)中的湖泊富营养化的S型曲线预测指数公式如下：

式中，

式中，Q_t1和η_t1分别为第t年工业废水排放量和工业废水达标排放率；Q_t2和η_t2分别为第t年生活污水排放量和污水处理率；Q₀₁和η₀₁分别为所选择的“基准年”的工业废水排放量和工业废水达标排放率；Q₀₂和η₀₂分别为所选择的“基准年”的生活污水排放量和污水处理率；η_t3和η₀₃分别为第t年和“基准年”农业面源污染负荷量所占比例。

4.根据权利要求3所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，步骤(3)包括(Ⅰ)单指标富营养化状态分指数值计算和(Ⅱ)综合富营养化状态指数值计算。

5.根据权利要求4所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，指标j的营养状态分指数计算公式如式(3)所示：

式中，c_j为指标j的测定值；c_{j max}和c_{j min}分别为取指标j的最高营养级和最低营养级标准限值。

6.根据权利要求5所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，富营养化预测评价的指标总体的营养状态指数计算公式如式(4)所示：

式中，W_j为指标j的归一化权值，多数情况下，各指标可视作等权的，故W_j＝1/n；n为参与评价的评价指数数目，I_j为由式(3)计算得到的指标j的营养状态分指数。

7.根据权利要求6所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，步骤(4)具体为应用粒子群算法优化确定式(1)中的参数α和β_i(i＝1,2,3)，设计优化目标函数：

式中，EI_t和EI_t0分别为由式(1)计算得到的湖泊富营养化预测指数值和由幂函数加和型富营养化评价综合指数式(4)计算得到的湖泊富营养化评价综合指数值；N为建模所用年份总数。

8.根据权利要求7所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，粒子群算法的迭代公式如式(6)、(7)所示：

v_id(t+1)＝w·v_id(t)+c₁·r₁(p_id-x_id(t))+c₂·r₂(p_gd-x_gd(t)) (6)

x_id(t+1)＝x_id(t)+v_id(t+1) (7)

式中，w为惯性权值；c₁和c₂为加速系数；r₁和r₂为两个在[0，1]内变化的随机数。

9.根据权利要求8所述的湖泊富营养化状态发展趋势的预测方法，其特征在于，步骤(5)具体为应用优化后的富营养状态S型预测指数公式进行富营养化趋势预测。