撫仙湖流域負(fù)荷削減的水質(zhì)風(fēng)險(xiǎn)分析

鄒 銳 ,張曉玲 ,劉 永 ,趙 磊 ,朱 翔 *,顏小品 ,陽(yáng)平堅(jiān) (.Tetra Tech, Inc. 006 Eaton Place, Ste 40, Fairfax, VA 00, USA.北京大學(xué)環(huán)境科學(xué)與工程學(xué)院,水沙科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室,北京 0087.云南省環(huán)境科學(xué)研究院,云南省高原湖泊流域污染過程與管理重點(diǎn)實(shí)驗(yàn)室,云南 昆明 65004)

流域負(fù)荷削減,如最大日負(fù)荷總量(TMDL)計(jì)劃,被認(rèn)為是改善水質(zhì)最為直接和有效的手段.TMDL的核心思想是指在滿足水質(zhì)標(biāo)準(zhǔn)的條件下,水體能接受的某種污染物的最大日負(fù)荷總量;經(jīng)過不斷的改進(jìn)和發(fā)展,TMDL計(jì)劃已逐步形成一套完整系統(tǒng)的總量控制策略和技術(shù)方法體系,成為水環(huán)境管理與決策的主要發(fā)展趨勢(shì)[1-3].在美國(guó)紐約州的奧農(nóng)達(dá)加湖、北卡羅萊納州的紐斯河、佛羅里達(dá)州的奧基喬比湖、加利福尼亞南部的新港灣流域及我國(guó)的東湖、三峽庫(kù)區(qū)巫溪段等眾多案例的研究表明,推行TMDL計(jì)劃可有效改善水體的水質(zhì)[4-12].

在制定TMDL的過程中,揭示并定量表征流域污染負(fù)荷與水質(zhì)之間的響應(yīng)關(guān)系是最為重要的步驟,其中選擇合適的模型來模擬負(fù)荷與水質(zhì)響應(yīng)是關(guān)鍵要素[13].復(fù)雜的三維水動(dòng)力-水質(zhì)數(shù)值模型近年來廣泛應(yīng)用于TMDL研究的重要基礎(chǔ)[14-16].數(shù)值機(jī)理模型可實(shí)現(xiàn)對(duì)湖泊三維水流及相應(yīng)的營(yíng)養(yǎng)鹽遷移轉(zhuǎn)化的模擬,準(zhǔn)確再現(xiàn)污染物在湖體的時(shí)空分布特征.同時(shí),在實(shí)際的流域決策中,由于在數(shù)據(jù)、模型結(jié)果等方面存在不確定性,使得開展基于風(fēng)險(xiǎn)分析的TMDL研究成為必然,并藉此為決策者提供更為準(zhǔn)確和多樣的支撐[16-19].所謂基于風(fēng)險(xiǎn)的污染負(fù)荷控制,是針對(duì)傳統(tǒng)的TMDL對(duì)環(huán)境標(biāo)準(zhǔn)的解譯方式提出的.在傳統(tǒng)的TMDL框架下,水質(zhì)目標(biāo)多是靜態(tài)解譯的,比如營(yíng)養(yǎng)鹽,美國(guó)最常用的是生長(zhǎng)季節(jié)平均值或者月均值等,一般不對(duì)允許的超標(biāo)頻度做顯性的表達(dá).但在實(shí)際操作中,流域管理者常常面臨費(fèi)用與污染控制效益之間矛盾的問題.因此,決策者需要根據(jù)技術(shù)經(jīng)濟(jì)可行性,考慮允許適當(dāng)?shù)某瑯?biāo)風(fēng)險(xiǎn),就需要研究相應(yīng)于此風(fēng)險(xiǎn)的容量水平.此時(shí),最可靠的方法就是用三維數(shù)值模型對(duì)不同達(dá)標(biāo)頻度下的情景進(jìn)行模擬分析,但由于數(shù)值模型中非線性過程的存在,直接應(yīng)用三維數(shù)值模型存在計(jì)算量過大的瓶頸,因此無法在實(shí)際的TMDL中得到廣泛應(yīng)用.人工神經(jīng)網(wǎng)絡(luò)模型[20-21](NN)能夠模仿人腦的功能,在預(yù)先不知道具體函數(shù)形式的情況下,對(duì)模糊信息或復(fù)雜的非線性關(guān)系進(jìn)行識(shí)別與映射,在環(huán)境[22-24]領(lǐng)域應(yīng)用廣泛.本文以云南高原湖泊撫仙湖為例,基于前期研究建立的三維水動(dòng)力-水質(zhì)模型,在模型校正和驗(yàn)證的基礎(chǔ)上,采用ANN耦合數(shù)值水質(zhì)模型方法,以30d移動(dòng)平均值為解譯方法,對(duì)撫仙湖流域污染負(fù)荷與湖泊達(dá)標(biāo)風(fēng)險(xiǎn)之間的關(guān)系進(jìn)行定量化,繼而核算不同風(fēng)險(xiǎn)下的 TMDL,為在撫仙湖實(shí)施智能流域管理和決策提供支持[25].

1 撫仙湖三維水動(dòng)力-水質(zhì)模型的構(gòu)建

撫仙湖三維水動(dòng)力-水質(zhì)模型的構(gòu)建基于美國(guó) EPA開發(fā)的環(huán)境流體動(dòng)力學(xué)模型(EFDC)平臺(tái)[14-18],在前期的研究中[3],已經(jīng)建立了整個(gè)湖體的三維動(dòng)態(tài)模型,并基于 4個(gè)監(jiān)測(cè)點(diǎn)位進(jìn)行模擬校正,主要的模擬指標(biāo)為COD、TN和TP;主要的模擬步驟包括:網(wǎng)格生成、初始條件配置、邊界條件設(shè)定、模型校準(zhǔn)及應(yīng)用.為精確描述撫仙湖的湖岸線,采用了曲線網(wǎng)格法;將撫仙湖在水平方向上劃分為 323個(gè)正交曲線網(wǎng)格,每個(gè)網(wǎng)格在垂直方向上按西格瑪坐標(biāo)切割成為50層以代表?yè)嵯珊纳钏卣?設(shè)置2009年1月1日觀察到的水面高度1723.28m為初始高程,初始溫度以1月初的觀測(cè)值 13.5℃為基礎(chǔ),3個(gè)速度向量按水動(dòng)力學(xué)常規(guī)初始化為0.0m/s,挑選2009年1月6日獲得的水質(zhì)數(shù)據(jù)TP 0.005mg/L、TN 0.171mg/L、COD 0.98mg/L為初始條件,湖流和營(yíng)養(yǎng)物質(zhì)的水平邊界條件是以2009年1～12月主要入湖河流的流域模型結(jié)果為基礎(chǔ);驅(qū)動(dòng)流體模型的大氣邊界數(shù)據(jù)來自澄江縣氣象站獲得的每小時(shí)的氣象數(shù)據(jù).在模擬中,首先對(duì)水動(dòng)力過程進(jìn)行校準(zhǔn),計(jì)算步長(zhǎng)為30s,模擬的時(shí)間涵蓋2009年全年,模擬變量為流場(chǎng)、水位和溫度,校準(zhǔn)參數(shù)是湖水水位和水溫.在水動(dòng)力校準(zhǔn)的基礎(chǔ)上,對(duì)水質(zhì)過程進(jìn)行模擬.撫仙湖水質(zhì)模型的模擬時(shí)段與水動(dòng)力模型相同,關(guān)鍵校驗(yàn)參數(shù)為各個(gè)水質(zhì)狀態(tài)變量的一階衰減速率及沉降速率,模型進(jìn)行了大約20次迭代校準(zhǔn).模型經(jīng)過校正和驗(yàn)證,模擬的流場(chǎng)、水位、溫度及水質(zhì)與觀測(cè)到的時(shí)空分布狀況匹配良好,表明模型可用于進(jìn)一步的決策分析.在此基礎(chǔ)上,應(yīng)用該模型對(duì)2種TMDL情景進(jìn)行了分析[3],發(fā)現(xiàn)在2種極端的風(fēng)險(xiǎn)水平上,核算的TMDL值差別很大,表明要實(shí)現(xiàn)對(duì)流域管理的有效支持,有必要探索風(fēng)險(xiǎn)與流域污染負(fù)荷之間的關(guān)系,而非僅依據(jù)2種極端情景來指導(dǎo)流域管理決策.

2 EFDC-NN耦合模型

在進(jìn)行 TMDL核算之前,首先必須確定對(duì)環(huán)境質(zhì)量標(biāo)準(zhǔn)的解譯方式.對(duì)于撫仙湖這類高原湖泊而言,雖然直觀上的水質(zhì)目標(biāo)是以營(yíng)養(yǎng)鹽濃度描述的,但實(shí)際上,決策中真正的水質(zhì)風(fēng)險(xiǎn)是富營(yíng)養(yǎng)化和藻類爆發(fā)問題.考慮到富營(yíng)養(yǎng)化及藻類的爆發(fā)不僅需要較高的營(yíng)養(yǎng)鹽濃度,同時(shí)需要足夠的維持這種較高濃度的時(shí)間.基于這種考慮,在前期的研究中[3],以瞬時(shí)極大值或全年平均值來解譯水質(zhì)目標(biāo)的情景,但這種方法只能提供上、下限范圍,而不具實(shí)際決策意義.因此,本文以月為時(shí)間尺度來探究營(yíng)養(yǎng)鹽達(dá)標(biāo)的問題.不同于一般的按月進(jìn)行評(píng)價(jià)的方法,采用30d移動(dòng)平均的方法來表征水質(zhì)特征,即:在開展TMDL的風(fēng)險(xiǎn)研究時(shí),水質(zhì)達(dá)標(biāo)的評(píng)估方式是以全湖表層30d移動(dòng)平均濃度滿足GB3838-2002的I類標(biāo)準(zhǔn)[26]為依據(jù).除了時(shí)間尺度,在實(shí)際管理中另一個(gè)重要的決策維度是風(fēng)險(xiǎn),即湖體TP、TN、COD濃度達(dá)標(biāo)的頻度與流域污染負(fù)荷削減(或增加)間的不確定性響應(yīng)關(guān)系.在明確了不同的污染負(fù)荷水平對(duì)應(yīng)的湖泊水質(zhì)風(fēng)險(xiǎn)后,決策者才能根據(jù)實(shí)際情況做出判斷,制定合理的適應(yīng)性流域管理方案[25].由于撫仙湖三維水動(dòng)力-水質(zhì)模型每次情景運(yùn)行時(shí)間需要 2d以上,而要獲得完整的流域污染負(fù)荷和風(fēng)險(xiǎn)響應(yīng)關(guān)系則有可能需要上百次的模擬,顯然這在計(jì)算上是不可行的.為了高效實(shí)現(xiàn)對(duì)撫仙湖污染負(fù)荷與水質(zhì)風(fēng)險(xiǎn)響應(yīng)關(guān)系的定量化,本研究采用EFDC-NN耦合模型將水質(zhì)風(fēng)險(xiǎn)與流域污染負(fù)荷關(guān)聯(lián)起來.

2.1 耦合模型構(gòu)建

首先用已開發(fā)和校正的 EFDC模型進(jìn)行了一系列的情景分析,并在模型開發(fā)和校驗(yàn)?zāi)甑乃臈l件下,按照月均值的解譯方式要求對(duì) TP、TN、COD結(jié)果進(jìn)行了30d移動(dòng)平均,以便對(duì)神經(jīng)網(wǎng)絡(luò)(NN)進(jìn)行訓(xùn)練和驗(yàn)證;而后以流域污染負(fù)荷削減(或增加)與達(dá)標(biāo)頻度為輸入變量,以相應(yīng)的TP、TN和COD濃度為輸出變量構(gòu)建神經(jīng)網(wǎng)絡(luò)模型,選用BP網(wǎng)絡(luò)架構(gòu).一個(gè)隱層含有2m+1個(gè)神經(jīng)元的3層神經(jīng)網(wǎng)絡(luò)模型,可以實(shí)現(xiàn)一個(gè)m維的實(shí)向量與一個(gè)n維實(shí)向量之間的函數(shù)映射[20].在撫仙湖BP模型中,由于m=2,因此5個(gè)或5個(gè)以下隱層神經(jīng)元就應(yīng)足以完成對(duì)染負(fù)荷削減(或增加)和達(dá)標(biāo)頻度與TP、TN和COD之間的函數(shù)映射.但由于神經(jīng)網(wǎng)絡(luò)這類人工智能模型,其收斂性和泛化度確認(rèn)都沒有明確的指標(biāo),所以為了表達(dá)模型分析可能存在的不確定性,在本研究中構(gòu)造了6個(gè)BP模型,其隱層神經(jīng)元數(shù)目分別為2、3、4、5、6、7.

2.2模型訓(xùn)練與校正

模型選取EFDC情景分析得到并經(jīng)過月均處理的700組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),另外400組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù).網(wǎng)絡(luò)的訓(xùn)練采用多次重啟的方法,以避免陷入局部最優(yōu)網(wǎng)絡(luò),而訓(xùn)練的收斂條件定為當(dāng)模型泛化度開始下降為止,這樣做有助于避免過度訓(xùn)練問題.由于研究對(duì)象存在大量的數(shù)據(jù),可以有效地解決神經(jīng)網(wǎng)絡(luò)的泛化度問題.在神經(jīng)網(wǎng)絡(luò)對(duì)每種污染負(fù)荷的預(yù)測(cè)值和EFDC模擬值間進(jìn)行線性擬合,線性系數(shù)越接近于1,表示二者越近似相等;R2值越接近于 1,表示線性擬合的可信度越高;因此可以用線性系數(shù)和R2值表示預(yù)測(cè)精度.表1展示了不同網(wǎng)絡(luò)結(jié)構(gòu)的模擬結(jié)果,6個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)每種污染負(fù)荷的響應(yīng)值近似等于EFDC的模擬值,說明6個(gè)神經(jīng)網(wǎng)絡(luò)模型雖然隱含神經(jīng)元數(shù)目不同,但均能較精確地描述真實(shí)系統(tǒng)中的響應(yīng)關(guān)系.

表1 六個(gè)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)污染負(fù)荷的模擬精度Table 1 Accuracy of the six network structures

2.3 撫仙湖人工神經(jīng)網(wǎng)絡(luò)的響應(yīng)分析

撫仙湖神經(jīng)網(wǎng)絡(luò)的響應(yīng)是通過分析 TP、TN和 COD濃度在一系列不同的風(fēng)險(xiǎn)水平(達(dá)標(biāo)頻度)、不同污染負(fù)荷削減率/增加比例下的響應(yīng)來實(shí)現(xiàn)的.神經(jīng)網(wǎng)絡(luò)模型本質(zhì)上是一類統(tǒng)計(jì)模型,因此在應(yīng)用該模型進(jìn)行響應(yīng)分析時(shí)不能無限度地改變輸入以獲取輸出.鑒于此,在模擬和情景分析中將污染負(fù)荷削減率/增加比例的上限設(shè)定為100%(污染負(fù)荷最多可增加 100%),下限定為20%(污染負(fù)荷最多可削減20%);將達(dá)標(biāo)頻度的降低比例上限設(shè)定為 25%,即:達(dá)標(biāo)頻度不能低于75%,以確保撫仙湖的水質(zhì)風(fēng)險(xiǎn)不會(huì)太高.然后分別用 6個(gè)神經(jīng)網(wǎng)絡(luò)模型模擬污染負(fù)荷削減率/增加比例在不同的達(dá)標(biāo)頻度下的 TP、TN和 COD響應(yīng).污染負(fù)荷削減率/增加比例和達(dá)標(biāo)頻度均以1%為離散步長(zhǎng),對(duì)TN單因子、TP單因子和COD單因子進(jìn)行一系列的模擬.模擬過程中,先設(shè)定達(dá)標(biāo)頻度值,分析污染負(fù)荷削減率(或增加比例)每改變1%對(duì)TP、TN和COD的響應(yīng),再依次改變達(dá)標(biāo)頻度數(shù)值.圖 1展示了幾個(gè)典型的達(dá)標(biāo)頻度下削減率/增加比例與TP、TN和COD的響應(yīng)曲線.由圖1可見,TP、TN和COD的濃度都隨著污染負(fù)荷削減率的減少和增加比例的增加而升高,隨達(dá)標(biāo)頻度的降低而降低.

圖1 不同達(dá)標(biāo)頻度下削減率/增加比例與TP、TN和COD響應(yīng)曲線Fig.1 TP, TN and COD responses to watershed loading variations under different risks

3 撫仙湖流域TMDL的風(fēng)險(xiǎn)分析

通過響應(yīng)分析可知,6個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的模擬結(jié)果基本一致.當(dāng)達(dá)標(biāo)頻度一定時(shí),隨著污染負(fù)荷削減率的減少,TP、TN和COD濃度逐漸升高,經(jīng)過削減率為0這一特殊點(diǎn)后,隨著污染負(fù)荷增加比例的升高,污染物濃度繼續(xù)升高.綜合分析基于不同風(fēng)險(xiǎn)的情況,在污染負(fù)荷削減率/增加比例一定時(shí),隨著達(dá)標(biāo)頻度的增加,TP、TN和COD的響應(yīng)值升高,因?yàn)檫_(dá)標(biāo)頻度的增加意味著基于風(fēng)險(xiǎn)的TMDL達(dá)標(biāo)頻率升高、超標(biāo)頻率降低,會(huì)產(chǎn)生濃度更低的污染負(fù)荷,從而允許有更高的環(huán)境容量.

具體而言,當(dāng)達(dá)標(biāo)頻度為100%時(shí),為了達(dá)到I類水質(zhì)標(biāo)準(zhǔn),TP、COD負(fù)荷還有繼續(xù)上升的空間,TP允許增加比例為14%～18%,COD允許增加比例為 9%～11%.這里的增加水平是區(qū)間值,反映了由于采用不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)產(chǎn)生的不確定性.但是由于 6個(gè)神經(jīng)網(wǎng)絡(luò)的模擬結(jié)果一致性很高,均高于 99%.在 100%達(dá)標(biāo)頻度水平下,TN 超過 I類水標(biāo)準(zhǔn),因此需要在現(xiàn)狀負(fù)荷的基礎(chǔ)上削減 13%～14%.95%的達(dá)標(biāo)頻度情況與 100%達(dá)標(biāo)頻度相似,但是隨著達(dá)標(biāo)頻度的降低,對(duì)污染負(fù)荷的要求嚴(yán)格程度降低,相應(yīng)地污染負(fù)荷削減率降低、增加比例升高,因而TP、COD允許增加比例分別為 36%～38%、20%～21%,TN 削減比例為4%～6%.對(duì)于 90%的達(dá)標(biāo)頻度而言,由于要求更加寬松,TN不再需要進(jìn)行削減,相反也有增加的余地,TN、TP、COD允許增加比例分別為2%～4%、56%～60%、30%～32%.對(duì)于85%的達(dá)標(biāo)頻度而言,TN、TP、COD允許增加比例進(jìn)一步增加,分別為 9%～12%、76%～82%、39%～41%.對(duì)于80%的達(dá)標(biāo)頻度,TP負(fù)荷的增加比例達(dá)到預(yù)設(shè)上限(100%)時(shí),仍可滿足 I類水質(zhì)標(biāo)準(zhǔn),TN、COD允許增加比例分別為16%～19%、48%～50%.當(dāng)75%的達(dá)標(biāo)頻度時(shí),TP增加比例仍可達(dá)到預(yù)設(shè)上限,TN、COD允許增加比例分別為22%～24%、56%～58%.

表2和圖2展示了不同風(fēng)險(xiǎn)水平下?lián)嵯珊N、TP和COD的核算結(jié)果(削減率/增加比例取區(qū)間中值).由于在75%和80%達(dá)標(biāo)頻度下TP增加比例達(dá)到了預(yù)設(shè)上限,因此本研究中沒有再核算相應(yīng)的環(huán)境容量值.在管理上的含義就是,如果決策者對(duì) TP的超標(biāo)風(fēng)險(xiǎn)容忍度比較高,那么將不會(huì)顯性考慮TP的負(fù)荷削減問題.

圖2 TP、TN和COD在不同達(dá)標(biāo)頻度下的TMDLFig.2 TMDL of Lake Fuxian at different risk levels

表2 在不同風(fēng)險(xiǎn)水平下?lián)嵯珊乃h(huán)境容量Table 2 Environment capacity of Lake Fuxian at different risk levels

4 討論

從TN、TP、COD的響應(yīng)可知,撫仙湖水質(zhì)應(yīng)以TN為治理重點(diǎn),其次是COD.雖然TP負(fù)荷可增加的空間較大,但作為富營(yíng)養(yǎng)化的關(guān)鍵因子之一也不容忽視.基于風(fēng)險(xiǎn)的TMDL研究為決策管理部門提供了強(qiáng)有力的科學(xué)依據(jù),具有非常強(qiáng)的現(xiàn)實(shí)意義.但達(dá)標(biāo)頻度具體如何選取,應(yīng)綜合考慮撫仙湖現(xiàn)實(shí)情況及技術(shù)經(jīng)濟(jì)可行性,由決策管理部門根據(jù)需求來決定.需要指出的是,撫仙湖是深水貧營(yíng)養(yǎng)湖,內(nèi)源或藻類動(dòng)力對(duì)營(yíng)養(yǎng)鹽與流域負(fù)荷的響應(yīng)關(guān)系沒有淺水湖泊(如:滇池和異龍湖)明顯;在淺水湖泊中,流域負(fù)荷和湖泊水質(zhì)之間的關(guān)系就顯示很強(qiáng)的非線性,因此在淺水湖泊應(yīng)用本方法時(shí)需進(jìn)行對(duì)應(yīng)的改進(jìn).

本研究采用的 30d移動(dòng)平均值的解譯方式不像以瞬時(shí)濃度為解譯方案(即要求在湖體內(nèi)表層任何地方、任何時(shí)段污染物濃度都滿足I類水標(biāo)準(zhǔn))會(huì)導(dǎo)致管理目標(biāo)過于嚴(yán)格,可能面臨經(jīng)濟(jì)和技術(shù)上不可行局面,也不像年平均的解譯方案管理目標(biāo)過于寬松、容易引起水質(zhì)惡化,是嚴(yán)格程度、可實(shí)施性及風(fēng)險(xiǎn)性均介于二者之間的解譯方案.

本文的解譯方式是按照一般湖泊標(biāo)準(zhǔn)以月為時(shí)間尺度來進(jìn)行的,但是必須考慮到,30d移動(dòng)取平均值雖然在大多數(shù)時(shí)候都是比較可靠的,但是還是存在下面的風(fēng)險(xiǎn),即以 30d為時(shí)間尺度往往會(huì)忽略掉這期間的濃度峰值情況;而撫仙湖的敏感水層(表層水)短期營(yíng)養(yǎng)鹽濃度過高就可能導(dǎo)致藻類的大量爆發(fā),給湖泊生態(tài)系統(tǒng)帶來危害.因此,究竟選取何種時(shí)間尺度作為解譯方式才能使管理決策更具有保障,還需要根據(jù)撫仙湖的實(shí)際情況在今后進(jìn)行深入研究,并顯性地將營(yíng)養(yǎng)鹽與藻類的動(dòng)力學(xué)關(guān)系表達(dá)出來.

水環(huán)境容量和TMDL并不是新概念,但本文的研究對(duì)二者是個(gè)有益的擴(kuò)充(表2).在傳統(tǒng)的環(huán)境容量或TMDL計(jì)算中,一般是以一種典型情景作為依據(jù)來核算環(huán)境容量.但如本文所述,所謂水環(huán)境容量或者TMDL本身并不是一個(gè)孤立的值,而是和管理決策風(fēng)險(xiǎn)緊密相關(guān)的變量.因此,在核算TMDL時(shí),如果能夠同時(shí)考慮到風(fēng)險(xiǎn)這一決策維度,獲得的結(jié)果對(duì)實(shí)際管理將更為有益.這種基于模型并包括不確定性特征的流域決策模式,充分利用信息和定量決策手段,將為流域決策提供更為直接、多樣和科學(xué)的決策集,減少?zèng)Q策失誤,因此也是目前廣受關(guān)注的智能流域管理的重要途徑.

5 結(jié)論

5.1 構(gòu)建的三維水動(dòng)力-水質(zhì)模型可以有效地模擬撫仙湖流場(chǎng)、水位、溫度與水質(zhì)的實(shí)際情況;6個(gè)神經(jīng)網(wǎng)絡(luò)模型對(duì)TN、TP和COD的擬合度均大于 0.97,能較精確地反映真實(shí)系統(tǒng)的響應(yīng)關(guān)系.

5.2 通過EFDC-NN耦合模型進(jìn)行風(fēng)險(xiǎn)分析可知,當(dāng)達(dá)標(biāo)頻度一定時(shí),TN、TP和COD的濃度隨污染負(fù)荷削減率的減少而逐漸升高.在污染負(fù)荷削減率/增加比例一定時(shí),TN、TP和COD的環(huán)境容量隨達(dá)標(biāo)頻度的增加而增加.

5.3 當(dāng)達(dá)標(biāo)頻度為 100%時(shí),為了達(dá)到 I類水質(zhì),TP允許增加 14%～18%,COD允許增加9%～11%,TN 需要削減 13%～14%;達(dá)標(biāo)頻度為90%時(shí),TN、TP、COD允許增加比例分別為2%～4%、56%～60%、30%～32%;達(dá)標(biāo)頻度為80%時(shí),TP增加比例達(dá)到預(yù)設(shè)上限,TN、COD允許增加比例分別為16%～19%、48%～50%;達(dá)標(biāo)頻度為75%時(shí),TP增加比例仍可達(dá)到預(yù)設(shè)上限,TN、COD允許增加比例分別為22%～24%、56%～58%.流域管理者可依據(jù)不同的風(fēng)險(xiǎn)與管理費(fèi)用偏好實(shí)施流域污染負(fù)荷削減.

[1]Elshorbagy A, Teegavarapu R, Ormsbee L. Total maximum daily load (TMDL) approach to surface water quality management:concepts, issues, and applications [J]. Canadian Journal of Civil Engineering, 2005,32(2):442-448.

[2]Leclair V. Courts push states, EPA to create TMDL water programs [J]. Environmental Science and Technology, 1997,31(4):178-179.

[3]Zhao L, Zhang X L, Liu Y, et al. Three-dimensional hydrodynamic and water quality model for TMDL development of Lake Fuxian, China [J]. Journal of Environmental Science,2012,24(8):1355-1363.

[4]王彩艷,彭 虹,張萬順,等.TMDL技術(shù)在東湖水污染控制中的應(yīng)用 [J]. 武漢大學(xué)學(xué)報(bào)(工學(xué)版), 2009,(05):665-668.

[5]Effler S W, O'Donnell S M, Matthews D A, et al. Limnologicaland loading information and a phosphorus total maximum daily load (TMDL) analysis for Onondaga Lake [J]. Lake and Reservoir Management, 2002,18(2):87-108.

[6]Stow C A, Borsuk M E. Assessing TMDL effectiveness using flow-adjusted concentrations: A case study of the Neuse River,North Carolina [J]. Environmental Science and Technology, 2003,37(10):2043-2050.

[7]Havens K E, Walker W W. Development of a total phosphorus concentration goal in the TMDL process for Lake Okeechobee,Florida (USA) [J]. Lake and Reservoir Management, 2002,18(3):227-238.

[8]Zheng Y, Keller A A. Stochastic watershed water quality simulation for TMDL development-A case study in the Newport Bay Watershed [J]. Journal of the American Water Resources Association, 2008,44(6):1397-1410.

[9]Santhi C, Williams J R, Dugas W A, et al. Water quality modeling of Bosque River Watershed to support TMDL analysis[J]. Total Maximum Daily Load (TMDL): Environmental Regulations, Proceedings. 2002:33-43.

[10]Bittencourt S, Gobbi E F. Maximum allowable phosphorus load in the Piraquara II Reservoir, a TMDL process application [J].Revista Brasileira de Ciencia Do Solo, 2006,30(3):595-603.

[11]Boyacioglu H, Alpaslan M N. Total maximum daily load (TMDL)based sustainable basin growth and management strategy [J].Environmental Monitoring and Assessment, 2008,146(1-3):411-421.

[12]丁京濤.大寧河巫溪段水體總磷 TMDL估算及分配研究 [D].北京:北京化工大學(xué), 2009.

[13]Munoz-Carpena R, Vellidis G, Shirmohammadi A, et al.Evaluation of modeling tools for TMDL development and implementation [J]. Transactions of the ASABE, 2006,49(4):961-965.

[14]Liu Z J, Kingery W L, Huddleston D H, et al. Modeling nutrient dynamics under critical flow conditions in three tributaries of St.Louis Bay [J]. Journal of Environmental Science and Health Part A-Toxic/Hazardous Substances and Environmental Engineering,2008,43(6):633-645.

[15]Rodriguez H N, Cope B, Peene S J. Hydrodynamic and water quality modeling of ward cove, Alaska [J]. Estuarine and Coastal Modeling, Proceedings, 2004:628-645.

[16]Khangaonkar T, Yang Z Q. Coastal circulation and effluent transport modeling at Cherry Point, Washington [J]. Estuarine and Coastal Modeling, Proceedings, 2004:475-491.

[17]Wool T A, Davie S R, Rodriguez H N. Development of three-dimensional hydrodynamic and water quality models to support total maximum daily load decision process for the Neuse River Estuary, North Carolina [J]. Journal of Water Resources Planning and Management-ASCE, 2003,129(4):295-306.

[18]He G J, Fang H W, Bai S, et al. Application of a three-dimensional eutrophication model for the Beijing Guanting Reservoir, China [J]. Ecological Modeling, 2011,222(8):1491-1501.

[19]Zou R, Carter S, Shoemaker L, et al. An integrated hydrodynamic and water quality modeling system to support nutrient TMDL development for Wissahickon Creek [J]. Journal of Environmental Engineering, 2006,132(4):555-566.

[20]鄒 銳,張禎禎,劉 永,等.神經(jīng)網(wǎng)絡(luò)模型用于數(shù)值水質(zhì)模型逼近的適用性及非敏感參數(shù)的欺騙效應(yīng) [J]. 環(huán)境科學(xué)學(xué)報(bào),2010,(10):1964-1970.

[21]王 愷,趙 宏,劉愛霞,等.基于風(fēng)險(xiǎn)神經(jīng)網(wǎng)絡(luò)的大氣能見度預(yù)測(cè) [J]. 中國(guó)環(huán)境科學(xué), 2009,29(10):1029-1033.

[22]胡 康,萬金泉,馬邕文,等.基于模糊神經(jīng)網(wǎng)絡(luò)的 A～2/O 工藝出水氨氮在線預(yù)測(cè)模型 [J]. 中國(guó)環(huán)境科學(xué), 2012,32(2):260-267.

[23]王 祎,李靜文,邵 雪,等.基于計(jì)算智能的流域污染排放優(yōu)化模式研究 [J]. 中國(guó)環(huán)境科學(xué), 2012,32(1):173-180.

[24]劉 罡,李 昕,胡 非.大氣污染物濃度的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào) [J].中國(guó)環(huán)境科學(xué), 2000,20(5):429-431.

[25]劉 永,鄒 銳,郭懷成.智能流域管理研究 [M]. 北京:科學(xué)出版社, 2012.

[26]GB3838-2002 地表水環(huán)境質(zhì)量標(biāo)準(zhǔn) [S].