黄 宏,商 栩,梅 琨,王振峰,夏 芳,黄树辉,张明华,纪晓亮*



基于Monte Carlo模拟的河流水质评价——以温瑞塘河为例

黄 宏1,2,3,商 栩1,2,3,梅 琨1,2,3,王振峰1,2,3,夏 芳1,2,3,黄树辉1,张明华1,2,3,纪晓亮1,2,3*

(1.温州医科大学公共卫生与管理学院,浙江 温州 325035；2.浙江省流域水环境与健康风险研究重点实验室,浙江 温州 325035；3.浙南水科学研究院,浙江 温州 325035)

基于水质评价的综合污染指数(CWQI)法和水质指标实测含量的统计分析,应用Monte Carlo模拟方法,建立了河流水质评价的Monte Carlo- CWQI耦合模型并进行实例研究.通过建立的耦合模型和温瑞塘河流域14个监测断面2004~2010年的水质监测数据,定量分析各监测断面隶属于不同污染等级的概率水平和各水质指标对水体污染的影响程度.结果表明:温瑞塘河水系水质污染十分严重,勤奋、九山、东水厂、十字河、南白象、灰桥、新桥、米筛桥、仙门、光明、郭溪、瞿溪、西岙和梧田监测断面处于重度污染的概率分别为28.50%,0.55%,92.71%,59.73%,78.85%,39.38%,78.87%,83.09%,65.32%,78.08%, 0.00%,0.96%,68.09%,86.06%;处于严重污染的概率分别为71.28%,0.01%,4.33%,39.76%,21.07%,60.59%,4.42%,12.41%,11.02%,21.24%,0.00%,0.02%,1.42%, 13.12%.各监测断面总氮(TN),氨氮(NH3-N)和溶解氧(DO)的Spearman等级相关系数范围分别是0.41~0.76、0.25~0.63和0.14~0.66,是其他指标的2倍以上,表明影响该地区水质达标的主要因子是TN,NH3-N和DO.本研究拓宽了河流水质评价的研究视角,能够为流域水环境管理提供丰富的决策依据.

Monte Carlo模拟；水质评价；不确定性；温瑞塘河

近年来,随着社会经济的快速发展和城市化进程的加快,越来越多的工业、生活和农业排放物进入到河流中,导致河流水质污染和恶化,水资源需求与供给之间的矛盾不断加剧[1-4].流域水环境管理和治理的重要基础性工作是明晰河流水体环境质量[5-6].

水质评价是指通过对水体化学、物理和生物指标的监测和调查,根据不同的目的和要求,使用一定的方法对水体污染程度进行的定量描述[7].常见的水质评价方法主要包括单因子指标法、综合污染指数(CWQI)法、模糊综合评价法、水质标识指数法、投影寻踪法、人工神经网络和支持向量机方法等[8-15].鉴于环境系统的复杂性,以上各种水质评价方法在实际应用中各有利弊.由于计算简单,易于操作,综合性和可比性强,能够反映水质现状是否满足水功能区要求,CWQI法是目前国内外普遍采用的一种水质评价方法[12,16-17].然而,CWQI法等常规水质评价方法是从确定性的角度根据一次或多次采样的均值对研究水体进行质量评价,只能反映研究对象的总体污染情况,难以揭示其真实的污染程度,不利于全面、深入的了解水体环境质量状况.在水质监测工作中,自然因素的随机变化(如径流量变化,降雨事件等)和人为因素的影响(如采样和测量误差等)会导致水体污染物的浓度存在不确定性[18].因此,水质评价结果的不确定性难以避免,只有充分考虑水质评价中的不确定性,才能获得准确的评价结果,为决策者提供全面的信息.

不确定性是当前水环境研究领域的前沿和难点问题.蒙特卡罗(Monte Carlo)模拟是解决不确定性问题最为有效的工具之一[19-20].Monte Carlo模拟是一种通过随机抽样对模型或数学方程进行求解的分析方法,属于计算数学的一个分支[21].该方法能够比较逼真地描述事物的特点及物理实验过程,解决一些数值方法难以解决的问题,很少受几何条件限制,收敛速度与问题的维数无关.对于那些受客观条件限制而难以进行的试验而言,是一种极好的替代方法.并且,可以给出每种结果的概率,能够为决策者提供更多的信息,降低决策风险[22].近年来, Monte Carlo方法已经在水环境模拟模型的不确定性分析、参数估算和环境污染物健康风险评价等研究中得到了广泛的应用[18,23-24].但是,尚鲜见Monte Carlo方法应用于水体质量评价不确定性分析的相关研究报道.

本文尝试将Monte Carlo模拟应用到水体质量评价中,结合CWQI法,建立了基于不确定性理论的Monte Carlo-CWQI耦合模型.以中国东南沿海地区典型平原河网-温瑞塘河流域为研究区域,对其水系污染现状进行综合评价,以期为流域水污染的防控和水资源的合理开发利用提供科学依据.

1 材料与方法

1.1 研究区域

图1 温瑞塘河流域水质监测点位置

图2 温瑞塘河流域污染源分布

包括整个流域的畜禽养殖污染源和城区的排污口、服务业污染源及工业污染源

本文选取位于浙江省温州市的温瑞塘河流域为研究区域,其地理位置介于120°27′47.3″E~ 120°47′45.3″E和29°20′2.4″N~29°42′37.5″N之间(图1).温瑞塘河发源于温州西部山区,总体流向为自西向东流经温州城区,随后自北向南,流经城乡结合区及农业种植区,之后在瑞安汇入飞云江,最后流入东海.流域面积740km2,水面面积22km2,蓄水量6.5´107m2,水系河网总长度1178.4km,其中主河道长33.8km.该区属亚热带海洋性季风气候,年均温度17.9℃,年均降雨量1800mm,70%的降雨集中在4~9月.作为典型的南方平原河网,温瑞塘河河道纵横交错,河水与河床的比降相当小甚至接近于零,河流流向不定,流速十分缓慢,水质不均匀.

温瑞塘河流域为东南沿海地区典型的平原河网,各种排污口和污染源密布(图2).自20世纪80年代以来,由于大量未经处理的工业、生活及农业废水排放入河,造成水质严重恶化,制约了当地的经济和社会发展.

1.2 数据

温瑞塘河流域2004~2010年水质数据由温州市环保局提供,其水质监测频率为两月一次.监测断面包括勤奋、九山、东水厂、十字河、南白象、灰桥、新桥、米筛桥、仙门、光明、郭溪、瞿溪、西岙和梧田(图1).选择溶解氧(DO)、高锰酸盐指数(CODMn)、五日生化需氧量(BOD5)、氨氮(NH3-N)、总磷(TP)、总氮(TN)、石油类(Petrol)和氟化物(F)8项作为评价指标.水质指标根据《水和废水监测分析方法》[25]规定的方法进行分析测定.对水体质量的评价参考国家《地表水环境质量标准》(GB3838– 2002)[26].

1.3 Monte Carlo-CWQI耦合模型

1.3.1 水质评价的CWQI法 CWQI法是对各污染指标的相对污染指数进行统计,得出代表水体污染程度的数值,该方法用以确定污染程度和主要污染物,并对水污染状况进行综合判断.根据如下公式进行CWQI的计算:

式中:CWQI为综合污染指数;为参与评价的水质指标个数;P为单因子污染指数,数值越大,表明该因子的污染程度越高.

对于非DO指标的计算公式如下:

由于DO为高优指标,即数值越高代表水质越好,故采用倒数变换的方式将其转化为低优指标.DO指标的计算公式如下:

式中:C为水质指标的实测值;0为指标的标准值,根据《浙江省水功能区、水环境功能区划分方案》[27],温瑞塘河流域以地表水环境质量标准中V类水质标准进行控制.

计算出CWQI后,可根据污染分级标准划定水质等级.CWQI越大,污染越重:CWQI£0.4,说明水质未受到污染,状况较好,属清洁水体;0.42时,水质污染非常严重[28].

1.3.2 Monte Carlo方法原理 Monte Carlo方法的理论基础是概率统计,手段是随机抽样,基本思想是当所要求解的问题是某个随机变量的期望值或者是某种事件出现的概率时,可以通过某种“试验”的方法,得到这个随机变数的平均值或者这个事件出现的频率,并将它们作为问题的解[29].Monte Carlo模拟步骤包括:(1)根据提出的问题构造概率分布模型,使问题的解对应于该模型中随机变量的某些特征(如概率、均值和方差等);(2)确定参数的概率分布;(3)根据参数的分布,利用给定的某种规则,进行大量的随机抽样;(4)对随机抽样的数据进行必要的数学计算,统计分析模拟试验结果,得出相应的结论.

1.3.3 Monte Carlo-CWQI耦合模型构建方法 对公式(1)进行编辑,以CWQI为目标变量,设置8个随机变量,分别为各评价指标的单因子污染指数,从随机变量的概率分布中进行30000次Monte Carlo抽样(置信水平:95%;抽样方法:拉丁超立方抽样).将每一次抽样得到的随机变量带入式(1)进行模拟,从而获得30000个结果,代表了各水质指标参数不确定条件下所有可能得到的结果.此基础上,为表征各水质指标对水体污染程度的影响,利用Crystal Ball自带的模型参数灵敏度分析功能,计算了各水质指标的Spearman等级相关系数(SRCC):

式中:是模拟次数;是输入参数的排序值;是输出结果的排序值.SRCC的取值范围在-1~1之间.SRCC为负值,表示输入变量与目标变量呈负相关,为SRCC正值,表示目标变量与目标变量呈正相关; SRCC的绝对值越高,说明输入变量对目标变量的影响程度越大.通常,当输入参数的SRCC绝对值大于0.5时,说明其和目标变量之间有本质的相关性[30].

1.4 数据处理与图形制作

通过Minitab软件运行样本拟合优度的Anderson-Darling检验;应用基于Microsoft Excel环境的Crystal Ball 11软件实现CWQI的Monte Carlo模拟及不同污染指标的灵敏度分析;其余统计分析利用SPSS 17软件完成;采用ArcGIS 10.2和Origin Pro 9.0软件制作相关图件.

2 结果与讨论

2.1 河流水质指标描述性统计分析

温瑞塘河流域不同监测断面水质指标的时间变化见图3.TN浓度变化范围为0.38~25.30mg/L,平均浓度远超目标水质限值,是V类水标准的3.66倍.NH3-N是主要的氮素形态,占TN含量的80%以上.TP平均浓度为0.46mg/L,劣于V类水质标准.DO浓度在0.04~10.80mg/L的范围内变化,约60%的样本浓度低于2mg/L.CODMn和BOD5的平均浓度分别为5.97,6.97mg/L,处于III类和V类水质标准.约50%的样本Petrol浓度低于检测限浓度,其浓度变化区间为0.05~1.24mg/L.水体中F含量很低,平均值0.45mg/L,为I类标准.

2.2 模型输入参数的概率分布

确定模型输入参数的概率分布类型和分布参数是Monte Carlo模拟中最为重要的步骤.计算出各水质指标单因子污染指数后,为保证后期模型模拟结果的准确性,采用常用对数变换的方式对数据进行处理.依据对数函数的性质,单因子污染指数数值小于1的,取对数后为负值,反之,则为正值.由于DO和Petrol指标存在大量低于检测限的数据,为使参数的最终分布符合实际情况,故低于检测限的数据不参与参数的概率分布拟合.自然对数变换后的水质指标单因子污染指数首先经Kolmogorov-Smirnov检验判断是否服从正态分布.对于不服从正态分布的指标,应用拟合优度的Anderson-Darling检验确定其最优拟合分布.经检验,除瞿溪监测点F最优的拟合分布为最大极值分布外,其余站点各指标的拟合分布都符合正态分布.在Crystal Ball中利用各指标的分布参数(正态分布为均值和标准差;最大极值分布为位置和尺度参数)以生成服从相应概率分布的随机数.

2.3 温瑞塘河流域水质评价

根据CWQI的Monte Carlo模拟结果,归纳统计30000次模型模拟得到的CWQI,可以得到温瑞塘河流域不同监测断面CWQI的概率分布(表1).流域内14个监测断面的实际计算结果都在该范围之内,表明模拟结果真实可信.

表1 不同监测断面处于各污染程度等级的概率

根据模型模拟得到的CWQI值和污染等级判别标准,可以得到不同监测断面隶属于每个污染等级的概率水平.温瑞塘河水系水质污染十分严重,勤奋、九山、东水厂、十字河、南白象、灰桥、新桥、米筛桥、仙门、光明、郭溪、瞿溪、西岙和梧田监测断面处于重度污染的概率分别为28.50%, 0.55%, 92.71%, 59.73%, 78.85%, 39.38%, 78.87%, 83.09%, 65.32%, 78.08%, 0.00%, 0.96%, 68.09%, 86.06%;处于严重污染的概率分别为71.28%, 0.01%, 4.33%, 39.76%, 21.07%, 60.59%, 4.42%, 12.41%, 11.02%, 21.24%, 0.00%, 0.02%, 1.42%,13.12%;处于或优于轻度污染的概率分别为0.22%, 99.44%, 2.96%, 0.51%, 0.08%, 0.03%, 16.71%, 4.50%, 23.66%, 0.68%, 100.00%, 99.02%, 30.49%, 0.83%.水质评价是一种利用多种信息推断出各种水质类别的可能性,以可能性最大作为依据,进行最终决策的过程[31].根据最大隶属度原则,勤奋、灰桥、九山、瞿溪和郭溪水质类别分别为严重污染、严重污染、轻度污染、轻度污染和清洁;其余断面水质类别都为重度污染.

图4 温瑞塘河水质的空间变化

由于温瑞塘河不同类型河道纳污强度的差异和水体中污染物迁移转化过程的不同,水系污染程度呈现显著的空间异质性(图4).灰桥、勤奋、十字河位于城区深入居民区的支流上,周围广泛分布着排污口,大量未经处理的城市生活污水直排入河.更为严重的是,这些支流小而狭窄,河流流速非常缓慢甚至滞留,河道中累积的污染物无法及时扩散,导致其聚集,污染最严重.相较而言,东水厂和光明监测断面水体流动性强于灰桥、勤奋、十字河断面,因此污染程度相对较轻.九山监测断面位于水上娱乐运动河段,水体质量受到严格保护,因此水质隶属于轻度污染.主河道水体流动相对较快,有利于河道中污染物的转移和自净.河网区中主河道水体从上游向下游的污染程度逐渐上升.位于主河道上游的郭溪和瞿溪监测断面距主城区距离较远,受城市污水排放影响小,水质情况良好.随着大量污水的排入和高污染的支流水体汇入,主河道水体水质呈现逐渐恶化的趋势(除仙门断面),CWQI在南白象断面达到最高.说明主河道污染程度随流向具有累加作用.仙门断面位于城乡交错区,与下游城市断面相比,附近工业企业多,存在畜禽养殖污染,下水管网设施不健全,部分工业废水和大部分畜禽养殖、服务业和居民生活污水直接汇入排水沟渠甚至直接排入河道.并且,由于附近某些企业、村民违法填埋河道,私建违章建筑,导致该监测断面附近河床抬高,河道堵塞情况较为严重,不利于污染物的扩散.因而仙门断面的污染程度高于位于主河道下游的西岙和新桥断面.

从不确定性角度提出的Monte Carlo-CWQI耦合模型具有以下优点:能够将离散存在的水质评价结果拓展为连续状态,给出了水质评价参数不确定条件下的所有可能性,有效降低了水质评价中的随机性和不确定性,为推断决策提供全面的信息;采用Monte Carlo模拟得到的CWQI是基于河流水质状态的实际变化,考虑了其取值的可信度,这相对于按一次或多次取样的均值来确定CWQI的传统评价方法更为科学、合理,并且能够减少资料信息的不完整性带来的统计问题;根据模型模拟结果给出的累积频率分布图能够直观地显示水质污染程度的变化.

2.4 灵敏度分析

为探究各水质指标对水体污染的影响程度,计算了模型各输入参数的SRCC(图5).各监测断面TN,NH3-N和DO对CWQI影响很大,SRCC值范围分别是0.41~0.76,0.25~0.63和0.14~0.66;之后为TP, BOD5和CODMn,其SRCC值处于0.10~0.34,0.09~ 0.30和0.04~0.15;F和Petrol的SRCC值较小,范围分别为0.02~0.12和0~0.14.需要注意的是,温瑞塘河水体中NH3-N占TN含量的80%以上,TN的SRCC大部分是由NH3-N贡献的.故而参数灵敏度分析结果表明NH3-N污染是影响温瑞塘河流域水质达标的主要原因,河网中NH3-N浓度过高和NH3-N等好氧有机物降解造成的低氧、缺氧问题是该流域面临的主要水环境问题.控制温瑞塘河流域内的NH3-N污染是改善该流域水环境质量的关键.

由以上分析,建议相关管理部门建立健全污水收集管网建设,截断直排河道的大部分城市生活污水,对其进行集中处置,这是减轻温瑞塘河水污染的必要前提和根本方法;推广人工湿地、沉水植物、生物浮床和植被缓冲区等生态修复技术,通过植物吸收固定水中的氮磷营养盐,增加河流生态系统的生物多样性;对低氧、缺氧河段,可以利用曝气等复氧技术,提高水体中DO的含量,有助于水生态系统从厌氧状态恢复到好氧环境,改善水体的自净能力.此外引水冲污,即将水质较好的瓯江和珊溪水库中的水引入温瑞塘河水系,能够在短时间内有效缓解水系污染,改善区域环境,推荐在降水量少、水体流动性差的枯水期进行应用.

图5 各监测断面模型输入参数灵敏度分析

3 结论

3.1 Monte Carlo-CWQI耦合水质评价模型能够求出任意可信度下的CWQI,为水环境管理提供更为丰富的决策信息.通过对模型输入参数的灵敏度分析,能够表征不同水质指标对水体污染程度的大小,为流域水质改善和水环境管理提供了科学依据.

3.2 温瑞塘河流域水体污染严重,勤奋、九山、东水厂、十字河、南白象、灰桥、新桥、米筛桥、仙门、光明、郭溪、瞿溪、西岙和梧田监测断面处于重度污染的概率分别为28.50%, 0.55%, 92.71%, 59.73%, 78.85%, 39.38%, 78.87%, 83.09%, 65.32%, 78.08%, 0.00%, 0.96%, 68.09%, 86.06%;处于严重污染的概率分别为71.28%, 0.01%, 4.33%, 39.76%, 21.07%, 60.59%, 4.42%, 12.41%, 11.02%, 21.24%, 0.00%, 0.02%, 1.42%, 13.12%.鉴于温瑞塘河水污染的严峻现状,采取相应的水污染防治措施,以维护河流生态健康刻不容缓.

3.3 TN,NH3-N和DO单因子污染指数的SRCC值是其他水质指标的两倍以上,表明TN,NH3-N和DO是影响该地区水质达标的主要因子,对水质污染程度有决定性的影响.

[1] Xia X H, Zhou J S, Yang Z F. Nitrogen contamination in the Yellow River basin of China [J]. Journal of Environmental Quality, 2002, 31(3):917-925.

[2] Chang H J. Spatial analysis of water quality trends in the Han River basin, South Korea [J]. Water Research, 2008,42(13):3285-3304.

[3] 于兴修,杨桂山.典型流域土地利用/覆被变化及对水质的影响-以太湖上游浙江西苕溪流域为例 [J]. 长江流域资源与环境, 2003, 12(3):211-217. Yu X X, Yang G S. Land use/cover change of catchment and its water quality effects-A case study of Xitiaoxi Catchment in Zhejiang province [J]. Resources and Environment in the Yangtze Basin, 2003, 12(3):211-217.

[4] 林日彭,倪兆奎,郭舒琨,等.近25年洞庭湖水质演变趋势及下降风险[J]. 中国环境科学, 2018,38(12):4636-4643. Lin R P, Ni Z K, Guo S K, et al. The trend and downside risk of water quality evolution in Dongting Lake in recent 25years [J]. China Environmental Science, 2018,38(12):4636-4643.

[5] 刘 琰,郑丙辉,付 青,等.水污染指数法在河流水质评价中的应用研究 [J]. 中国环境监测, 2013,29(3):49-55. Liu Y, Zheng B H, Fu Q, et al. Application of water pollution index in water quality assessment of rivers [J]. Environmental Monitoring in China, 2013,29(3):49-55.

[6] 薛巧英.水环境质量评价方法的比较分析 [J]. 环境保护科学, 2004, (4):64-67. Xue Q Y. Comparison and analysis of the methods on water environment quality assessment [J]. Environmental Protection Science, 2004,(4):64-67.

[7] 富天乙,邹志红,王晓静.基于多元统计和水质标识指数的辽阳太子河水质评价研究 [J]. 环境科学学报, 2014,34(2):473-480. Fu T Y, Zou Z H, Wang X J. Water quality assessment for Taizi River watershed in Liaoyang section based on multivariate statistical analysis and water quality identification index [J]. Acta Scientiae Circumstantiae, 2014,34(2):473-480.

[8] Wu Z S, Wang X L, Chen Y W, et al. Assessing river water quality using water quality index in Lake Taihu Basin, China [J]. Science of the Total Environment, 2018,612:914-922.

[9] 徐祖信.我国河流综合水质标识指数评价方法研究 [J]. 同济大学学报(自然科学版), 2005,33(4):482-488. Xu Z X. Comprehensive water quality identification index for environmental quality assessment of surface water [J]. Journal of Tongji University (Natural Science), 2005,33(4):482-488.

[10] 万金保,李媛媛.模糊综合评价法在鄱阳湖水质评价中的应用 [J]. 上海环境科学, 2007,26(5):215-218. Wan J B, Li Y Y. An application of fuzzy comprehensive evaluation to assessing the water quality of Poyang Lake [J]. Shanghai Environmental Sciences, 2007,26(5):215-218.

[11] 邹志红,王学良.基于随机样本的BP模型在水质评价中的应用 [J]. 环境工程, 2007,25(1):69-71. Zou Z H, Wang X L. Application of BP modeling based-on random samples to assessment on natural water quality [J]. Environmental Engineering, 2007,25(1):69-71.

[12] 解 莹,李叙勇,王慧亮,等.滦河流域上游地区主要河流水污染特征及评价 [J]. 环境科学学报, 2012,32(3):645-653. Xie Y, Li X Y, Wang H L, et al., Stream pollution analysis and hydrochemical assessment of the upper Luanhe River Basin [J]. Acta Scientiae Circumstantiae, 2012,32(3):645-653.

[13] 高学平,孙博闻,訾天亮,等.基于时域权重矩阵的模糊综合水质评价法及其应用 [J]. 环境工程学报, 2017,11(2):970-976. Gao X P, Sun B W, Zi T L, et al. Application of improved fuzzy comprehensive water quality assessment based on weight matrix of temporal distribution [J]. Chinese Journal of Environmental Engineering, 2012,32(3):645-653.

[14] 张欣莉,丁 晶,李祚泳,等.投影寻踪新算法在水质评价模型中的应用[J]. 中国环境科学, 2000,20(2):187-189. Zhang X L, Ding J, Li Z Y, et al. Application of new projection persuit algorithm in assessing water quality [J]. China Environmental Science, 2000,20(2):187-189.

[15] 李祚泳,张正健.基于回归支持向量机的指标规范值的水质评价模型[J]. 中国环境科学, 2013,33(8):1502-1508. Li Z Y, Zhang Z J. Model of water quality evaluation with normalized indexes values based on regression support vector machines [J]. China Environmental Science, 2013,33(8):1502-1508.

[16] 王书转,赵先贵,肖 玲.秦岭北麓区域主要河流水质分析与评价 [J]. 干旱区资源与环境, 2007,(8):42-47. Wang S Z, Zhao X G, Xiao L. The analysis and appraisal of Mai Rivers’ water quality on the north slope of Qinling Mountains [J]. Journal of Arid Land Resources and Environment, 2007,(8):42-47.

[17] 孙 涛,张妙仙,李苗苗,等.基于对应分析法和综合污染指数法的水质评价 [J]. 环境科学与技术, 2014,37(4):185-190. Sun T, Zhang M X, Li M M, et al. River water quality evaluation based on correspondence analysis and comprehensive pollution index method [J]. Environmental Science & Technology, 2014,37(4): 185-190.

[18] 陈丁江,吕 军,金培坚,等.非点源污染河流水环境容量的不确定性分析 [J]. 环境科学, 2010,31(5):1215-1219. Chen D J, Lu J, Jin P J, et al. Uncertainty analysis of water environmental capacity in the non-point source polluted river [J]. Environmental Science, 2010,31(5):1215-1219.

[19] 张应华,刘志全,李广贺,等.基于不确定性分析的健康环境风险评价 [J]. 环境科学, 2007,28(7):1409-1415. Zhang Y H, Liu Z Q, Li G H, et al. Uncertainty analysis of health risk assessment caused by benzene contamination in a contaminated site [J]. Environmental Science, 2007,28(7):1409-1415.

[20] Qu C S, Sun K, Wang S R, et al. Monte Carlo simulation-based health risk assessment of heavy metal soil pollution: a case study in the Qixia mining area, China [J]. Human and Ecological Risk Assessment, 2012, 18(4):733-750.

[21] 孙清展,臧淑英,张囡囡,等.基于蒙特卡罗方法的扎龙湿地水环境质量评价 [J]. 湿地科学, 2013,11(1):75-81. Sun Q Z, Zang S Y, Zhang N N, et al. Evaluation of Water Environment Quality of Zhalong Wetlands based on Monte Carlo Method [J]. Wetland Science, 2013,11(1):75-81.

[22] Signorino C S. Structure and uncertainty in discrete choice models [J]. Political Analysis, 2003,11(4):316-344.

[23] 杨 阳,代 丹,蔡怡敏,等.基于Monte Carlo模拟的土壤重金属综合风险评价与案例分析 [J]. 环境科学, 2015,36(11):4225-4231. Yang Y, Dai D, Cai Y M, et al. Comprehensive risk assessment of soil heavy metals based on Monte Carlo simulation and case study [J]. Environmental Science, 2015,36(11):4225-4231.

[24] 佟瑞鹏,杨校毅.基于蒙特卡罗模拟的土壤环境健康风险评价:以PAHs为例 [J]. 环境科学, 2017,38(6):2522-2529. Tong R P, Yang X Y. Environmental health risk assessment of contaminated soil based on Monte Carlo method: A case of PAHs [J]. Environmental Science, 2017,38(6):2522-2529.

[25] 国家环境保护总局.水和废水监测分析方法 [M]. 4版.北京:中国环境科学出版社, 2002. State Environment Protection Bureau of China. Water and wastewater monitoring and analysis method [M]. (4th Edition) Beijing: China Environmental Science Press, 2002.

[26] GB3838-2002 地表水环境质量标准 [S]. GB3838-2002 Environmental quality standards for surface water [S].

[27] Ji X L, Dahlgren R A, Zhang M H. Comparison of seven water quality assessment methods for the characterization and management of highly impaired river systems [J]. Environmental Monitoring and Assessment, 2016,188(1):15.

[28] 王肖肖,张妙仙,徐兵兵.模糊标识指数与对应分析法在水质评价中的联合应用 [J]. 环境科学学报, 2012,32(5):1227-1235. Wang X X, Zhang M X, Xu B B. Combination and application of fuzzy identification index and correspondence analysis method in water quality evaluation [J]. Acta Scientiae Circumstantiae, 2012,32(5): 1227-1235.

[29] 金树权.水库水源地水质模拟预测与不确定性分析 [D]. 杭州:浙江大学, 2008. Jin S Q. Modeling and prediction of water quality in headwater area of reservoir and uncertainty analysis [D]. Hangzhou: Zhejiang University, 2008.

[30] 沈晔娜,吕 军,陈军华,等.水源区河流非点源污染物入河量计算的水质方程反演方法 [J]. 环境科学, 2010,31(8):1768-1774. Shen Y N, Lu J, Chen J H, et al. Inversion formula of one-dimensional water quality equation for the export loads of nonpoint sources pollution in headwater area [J]. Environmental Science, 2010,31(8): 1768-1774.

[31] 廖 杰,王文圣,丁 晶.贝叶斯公式在河流水质综合评价中的应用 [J]. 四川师范大学学报(自然版), 2007,30(4):519-522. Liao J, Wang W S, Ding J. Comprehensive assessment of water quality on main rivers in Sichuan by Bayes method [J]. Journal of Sichuan Normal University (Natural Science), 2007,30(4):519-522.

致谢：温瑞塘河水质监测数据由温州市环保局提供,在此表示感谢.

River water quality assessment based on Monte Carlo simulation: A case study of Wen-Rui Tang River.

HUANG Hong1,2,3, SHANG Xu1,2,3, MEI Kun1,2,3, WANG Zhen-feng1,2,3, XIA Fang1,2,3, HUANG Shu-hui1, ZHANG Ming-hua1,2,3, JI Xiao-liang1,2,3*

(1.School of Public Health and Management, Wenzhou Medical University, Wenzhou 325035, China；2.Key Laboratory of Watershed Science and Health of Zhejiang Province, Wenzhou 325035, China；3.Southern Zhejiang Water Research Institute (iWATER), Wenzhou 325035, China)., 2019,39(5)：2210~2218

Accurate evaluation of the pollution magnitude in a water body is an important premise for effective water pollution prevention and control. This study used Monte Carlo simulation method together with comprehensive water quality index (CWQI) method and statistical analysis of measured water quality parameters to assess water quality. The Wen-Rui Tang River watershed was used as the study site. Through the combined model and water quality data from 14 monitoring sites at Wen-Rui Tang River during 2004 to 2010, the probability of each site for every pollution level and the influence of each water quality parameter on water pollution were quantified. The results of Monte Carlo-CWQI coupled model indicated that the water quality of Wen-Rui Tang River was highly impaired. The probabilities of the water impairments at sites of Qinfen, Jiushan, Dongshuichang, Shizihe, Nanbaixiang, Huiqiao, Xinqiao, Mishaiqiao, Xianmen, Guangming, Guoxi, Quxi, Xi-ao, and Wutian being at the heavy pollution level were 28.50%, 0.55%, 92.71%, 59.73%, 78.85%, 39.38%, 78.87%, 83.09%, 65.32%, 78.08%, 0.00%, 0.96%, 68.09%, and 86.06%, respectively. The probabilities of the water impairments at these monitoring sites being worse than heavy pollution level were 71.28%, 0.01%, 4.33%, 39.76%, 21.07%, 60.59%, 4.42%, 12.41%, 11.02%, 21.24%, 0.00%, 0.02%, 1.42%, and 13.12%, respectively. The spearman rank correlation coefficient for total nitrogen (TN), ammonium-nitrogen (NH3-N) and dissolved oxygen (DO) respectively ranged from 0.41 to 0.76, 0.25 to 0.63 and 0.14 to 0.66, which were more than twice on the values for other parameters. This result implied that TN, NH3-N and DO were the dominant factors affecting the rate of reaching water quality standard in Wen-Rui Tang River. This investigation can broaden the viewpoints for researches and managers on river water quality evaluation and can provide abundant information for decision-making on water environment management.

Monte Carlo simulation；water quality assessment；uncertainty；Wen-Rui Tang River

X522

A

1000-6923(2019)05-2210-09

黄 宏(1982-),男,广西靖西人,博士,助理研究员,硕士生导师,主要从事流域非点源污染防控及环境与人群健康风险方面的研究.发表论文20余篇.

2018-10-26

国家自然科学基金资助项目(41601554,41807495);温州市基础性科研项目(S20180005)

*责任作者, 助理研究员, jixiao556677@126.com