水質(zhì)預(yù)測方法研究綜述

姜北邱林鄭志宏

（華北水利水電大學(xué)，河南 鄭州 450045）

水質(zhì)預(yù)測方法研究綜述

姜 北邱 林*鄭志宏

（華北水利水電大學(xué)，河南 鄭州 450045）

近些年水質(zhì)安全引起了社會的廣泛關(guān)注，許多學(xué)者紛紛對水質(zhì)問題做出大量研究，本文對當(dāng)前幾種應(yīng)用較多的水質(zhì)預(yù)測方法及其特點進行了分析探討，對比了各自的難易程度、試用情況、局限性等幾個方面，展望了今后水質(zhì)預(yù)測的發(fā)展趨勢，以期望為水環(huán)境的管理、開發(fā)利用提供參考。

水質(zhì)預(yù)測；分析；水環(huán)境；局限性；發(fā)展趨勢

引言

水質(zhì)預(yù)測是利用實際歷史數(shù)據(jù)資料，運用水質(zhì)數(shù)學(xué)模型計算推斷出水環(huán)境水體某檢測點的水質(zhì)在未來的變化趨勢。在區(qū)域水環(huán)境規(guī)劃管理與評價中，水質(zhì)的預(yù)測是一項基礎(chǔ)工作，是預(yù)防水污染的有效措施，在水環(huán)境保護工作中占了很重要的位置。水質(zhì)預(yù)測模型主要可以分為機理性水質(zhì)預(yù)測模型和非機理性水質(zhì)預(yù)測模型，機理性水質(zhì)預(yù)測模型較為復(fù)雜，常用的預(yù)測方法均為非機理性水質(zhì)預(yù)測模型，能夠?qū)﹂L短期的水質(zhì)變化趨勢做出預(yù)測[1，2]。常用的方法有時間序列預(yù)測法[3]、人工神經(jīng)網(wǎng)絡(luò)預(yù)測法[4]、回歸分析預(yù)測法[5]、灰色系統(tǒng)預(yù)測法[6]和數(shù)理統(tǒng)計預(yù)測法[7]等。

1 水質(zhì)預(yù)測方法綜述

1.1 時間序列預(yù)測法

時間序列預(yù)測法是由同一現(xiàn)象在不同時間上的相繼統(tǒng)計指標(biāo)，按時間先后排列而成的序列[3]。時間序列預(yù)測是將水質(zhì)變化的觀測數(shù)據(jù)作為隨機變量序列，在考慮水質(zhì)變化中的隨機因素對其影響的基礎(chǔ)上，運用加權(quán)平均等方法進行推測和預(yù)估未來的水質(zhì)變化趨勢，從而做出定量預(yù)測[8，9]。時間序列預(yù)測法屬于無原因變量的統(tǒng)計預(yù)測模型，其特點就是數(shù)學(xué)理論基礎(chǔ)完善、實踐較為困難，誤差較大。時間序列預(yù)測法常運用于中短期的預(yù)測，時間序列預(yù)測法在過去的一段時間里，被諸多國內(nèi)外學(xué)者所運用在水質(zhì)參數(shù)的預(yù)報中。

1.2 回歸分析預(yù)測法

回歸分析預(yù)測法是以統(tǒng)計回歸的概念為基礎(chǔ)概念，在掌握大量觀察數(shù)據(jù)的同時，利用數(shù)理統(tǒng)計方法處理因變量之間的相關(guān)關(guān)系，確定回歸方程，從而預(yù)測未來的發(fā)展趨勢[5]。回歸分析法是以數(shù)理統(tǒng)計中的抽樣估計方法為主，即從全部對象中隨機選出一部分進行比較觀察，從而對總體進行預(yù)測評估。在水質(zhì)預(yù)測研究中進行回歸分析，首先對研究區(qū)已有的資料進行分析處理，確定預(yù)測對象的變量和因變量，根據(jù)其統(tǒng)計資料進行計算并建立回歸分析方程，進行相關(guān)分析，得出相關(guān)關(guān)系，以相關(guān)系數(shù)的大小來判斷自變量和因變量的相關(guān)的程度。從而檢驗回歸模型，在考慮預(yù)測誤差的基礎(chǔ)上確定未來水質(zhì)的預(yù)測值[10]。

1.3 灰色系統(tǒng)預(yù)測法

灰色系統(tǒng)預(yù)測法實際上是一種單因素趨勢外推的預(yù)測方法。它是通過鑒別系統(tǒng)因素間發(fā)展趨勢的相宜程度，并對原始數(shù)據(jù)進行生成處理來尋找系統(tǒng)變動的規(guī)律，生成有較強規(guī)律性的數(shù)據(jù)序列，然后建立相應(yīng)的微分方程模型，從而預(yù)測事物未來發(fā)展趨勢的狀況[6]。這種方法的基本原理就是[11]：摒棄直接在歷史數(shù)據(jù)中傳統(tǒng)的統(tǒng)計規(guī)律和概率分布方法，將沒有規(guī)律的原始數(shù)據(jù)通過一次或者多次的累加，得到較為有規(guī)律的時間序列，從而建立預(yù)測模型來進行對中長期的水質(zhì)預(yù)測。

1.4 數(shù)理統(tǒng)計預(yù)測法

數(shù)理統(tǒng)計就是對隨機變量以及隨機變量間的關(guān)系進行定量描述，通過對某些現(xiàn)象的頻率的觀察來發(fā)現(xiàn)該現(xiàn)象的內(nèi)在規(guī)律性，并作出一定精確程度的判斷和預(yù)測[12]。數(shù)理統(tǒng)計預(yù)測模型是依據(jù)概率論和數(shù)理統(tǒng)計的基礎(chǔ)原理建立的統(tǒng)計分析模型，根據(jù)參考的指標(biāo)不同，可以將該模型分為單指標(biāo)預(yù)測和多指標(biāo)綜合預(yù)測[6]。單指標(biāo)預(yù)測是根據(jù)已有的歷史數(shù)據(jù)資料進行預(yù)測未來水質(zhì)的變化趨勢，因此對水質(zhì)歷史數(shù)據(jù)的真實性、可靠性、豐富性有很高的要求。主要方法有時間序列分析法和指數(shù)平滑法等[13]。多指標(biāo)綜合預(yù)測是通過建立影響因子和誰知的函數(shù)關(guān)系，根據(jù)影響因子變化來反應(yīng)總體水質(zhì)的變化趨勢，方法主要有多元線性回歸和逐步回歸分析等。涉及的影響因素較多，需要的信息資料數(shù)據(jù)量大，所以多指標(biāo)綜合預(yù)測在水質(zhì)預(yù)測上較為困難。

1.5 人工神經(jīng)網(wǎng)絡(luò)預(yù)測法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡寫為ANN）是模擬動物神經(jīng)網(wǎng)絡(luò)的復(fù)雜特征，從而進行信息處理的算法。這種網(wǎng)絡(luò)是由大量的簡單人工神經(jīng)元連接組成，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達到處理信息的目的，并具有較強的自適應(yīng)的能力和學(xué)習(xí)能力[12]。

人工神經(jīng)網(wǎng)絡(luò)預(yù)測法是最近幾十年各行各業(yè)最為廣泛的預(yù)測方法，這種方法摒棄了所有的人為客觀因素，只根據(jù)樣本水質(zhì)自身特點進行分析學(xué)習(xí)，從而產(chǎn)生關(guān)系矩陣。由國內(nèi)外各學(xué)者研究發(fā)現(xiàn)，這種人工神經(jīng)網(wǎng)絡(luò)預(yù)測法建立的預(yù)測模型的預(yù)測精度可以達到滿意程度，但是還無法從預(yù)測模型中清楚解讀出水質(zhì)變化趨勢的具體原因和內(nèi)在聯(lián)系，所以還是對該模型的預(yù)測精度有所影響。

2 水質(zhì)預(yù)測方法比較分析

下面對上述的5種水質(zhì)預(yù)測方式從預(yù)測方法所依據(jù)的理論基礎(chǔ)、適用情況、對歷史數(shù)據(jù)數(shù)據(jù)資料的要求，難易程度和局限性幾方面進行綜合比較和分析，見表1所示。

表1 水質(zhì)預(yù)測方法分析

3 分析與討論

由于實際水環(huán)境是一個十分復(fù)雜，也充滿了許多偶然性和不確定性，各種因素都會有相互影響的作用，而且這種影響都是具有隨機不確定性的，眾多因素都會導(dǎo)致水質(zhì)模擬預(yù)測結(jié)果的不穩(wěn)定。因此，如何有效地克服避免或者減小不確定性對模擬預(yù)測結(jié)果的負(fù)面影響也將成為水質(zhì)預(yù)測研究的重要發(fā)展之一。

隨著人們對水環(huán)境保護意識的提高，水質(zhì)監(jiān)測資料也越來豐富，水質(zhì)數(shù)據(jù)不斷地累積，這對需要有大量數(shù)據(jù)資料作為預(yù)測建?；A(chǔ)的預(yù)測方法提供了強有力的支持，但方法具體哪一個最為適用則需要根據(jù)實際情況而進一步考量。

隨著科學(xué)技術(shù)、相關(guān)科學(xué)的不斷進步和對用水質(zhì)量的需求的不斷提高，新的一些水質(zhì)預(yù)測方法也在不斷的改進和提高，這對于水質(zhì)規(guī)劃，水生態(tài)平衡，水環(huán)境保護，生活用水質(zhì)量的滿足都是具有很重要的意義。

不同的水質(zhì)預(yù)測方法都有各自的使用條件和各自的優(yōu)缺點，在需要進行水質(zhì)預(yù)測時需根據(jù)預(yù)測點的是實際情況選擇最適合的方法，也可以盡量的降低因選擇方式不恰當(dāng)而產(chǎn)生的誤差。

[1]劉國東，丁晶. 水環(huán)境中不確定性方法的研究現(xiàn)狀與展望[J]. 環(huán)境科學(xué)進展，1996(04)：46-53.

[2]李本綱，陶澍，曹軍. 水環(huán)境模型與水環(huán)境模型庫管理[J].水科學(xué)進展，2002(01)：14-20.

[3]桑燕芳，王中根，劉昌明. 水文時間序列分析方法研究進展[J]. 地理科學(xué)進展，2013(01)：20-30.

[4]毛健，趙紅東，姚婧婧. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J].

電子設(shè)計工程，2011(24)：62-65.

[5]張菁，馬民濤，王江萍. 回歸分析方法在環(huán)境領(lǐng)域中的應(yīng)用評述[J]. 環(huán)境科技，2008(S2)：40-43.

[6]盧懿. 灰色預(yù)測模型的研究及其應(yīng)用[D].浙江理工大學(xué)，2014.

[7]睢音. 數(shù)理統(tǒng)計在環(huán)境監(jiān)測水樣采集質(zhì)量保證中的應(yīng)用[J].安陽師范學(xué)院學(xué)報，2005(05)：150-151.

[8]羅鳳曼. 時間序列預(yù)測模型及其算法研究[D].四川大學(xué)，2006.

[9]石月. 基于時間序列分析的松花江流域水質(zhì)預(yù)測[D].哈爾濱師范大學(xué)，2015.

[10]王國麗，陳曉飛，劉刊，姜國勇. 回歸分析在水科學(xué)中的應(yīng)用綜述[J]. 中國農(nóng)村水利水電，2004(11)：40-44.

[11]王開章.灰色模型在大武水源地水質(zhì)預(yù)測中的應(yīng)用[J].山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版)，2002，33(1)：66-71.

[12]李亞偉. 水資源系統(tǒng)模糊決策、評價與預(yù)測方法及應(yīng)用[D].大連理工大學(xué)，2006.

[13]熊德琪.環(huán)境系統(tǒng)模糊預(yù)測、評價、規(guī)劃、決策理論模式與應(yīng)用研究[D].大連：大連理工大學(xué)土木系，1994.

TU461

A

10.11974/nyyjs.20161232018

姜北(1989-)，男，在讀研究生，主要從事水環(huán)境系統(tǒng)分析及評價研究；邱林（1960-），男，博士生導(dǎo)師，教授，主要從事水資源系統(tǒng)分析研究。

河南省重大科技專項項目“河南省典型村鎮(zhèn)生活污水處理技術(shù)集成與示范”（項目編號：161100310700）

*為本文通訊作者