基于改进的SMS 模型在哈拉湖水质特征研究中的应用

2022-06-30周瑞芳侯继萍

分析仪器 2022年3期

周瑞芳温川侯继萍陆丹

（青海省水文水资源测报中心，西宁 810008）

生态可持续发展已经成为近些年来世界各国在实现自身发展同时不可忽视的一部分内容，为此，其关系到的环境因素主要包括空气、水以及自然环境三部分，三者相辅相成，密不可分［1］。对于水资源的保护，主要从受污染水质治理和健康水质监管两个方面进行。水资源是以固态气态液态等不同形态存在，对其进行监管难度相对较大［2］。针对该问题，地表水环境模型系统（Surface—WaterModeling System 简称SMS）实现对水循环模式中不同状态水资源信息的有效采集，通过模拟的方式实现对分析区域范围内水资源承载力以及环境容量等指标的分析，该方法计算简单，易操作，在水质分析工作中受到广泛应用［3］。

SMS 模型在实践应用中发现［4-6］，模型对于采集数据的依赖性较强，数据需具备较高的可靠性才能实现准确分析。当数据的可靠性降低，对水质特征分析结果影响较大。无法实现短期内对水质变化特征分析。

为此，提出对SMS 模型进行优化改进，降低其对基础数据的依赖性，对缺失或异常数据进行修复，以此提高水质特征分析结果的准确性。并以哈拉湖的水质特征分析为实验研究数据，为水质分析研究工作提供参考。

1 哈拉湖

哈拉湖作为青藏高原上较为大龄的咸水湖，面积为6.25 万公顷，海拔高度为4078 m，湖面集雨面积为30800 m2，年内降雨量为53.1 mm，年蒸发量为1280 mm，周围湿地范围内分布着数十个大小不同的湖泡，常年处于蓄水状态，其中小部分属于浅水小型湖泊，存在形式为沼泽地。平均水深为27.14 m，最大水深达到65 m，储水总量可达161亿m3。全年最高温度为35 ℃，最低温度为-26 ℃，沉淀系数为0.29。

2 SMS 模型优化

传统的SMS 模型主要是依靠采集到的数据信息实现对水质特征的分析，而在实际的实施过程中，受环境等客观因素影响［7］，采集到的数据到会存在一定的误差或缺失，导致SMS 模型在利用数据进行特征分析时，容易受到局部异常数据的引导［8］，出现计算偏差。为避免该类问题，对SMS 模型进行优化，利用BP 神经网络［9］，使模型实现对异常数据的修复，完成数据去噪。

模型采集到的数据包括降雨量，蒸发量、地表温度、湖水荷载以及环境容纳量五个主要指标［10］。为提高数据的可靠性，本研究利用BP 神经网络对对数据处理阶段进行优化。

首先，将采集到的数据进行初步筛选，将相邻数据以两两对比的方式分析，通过对比不同数据组的变化趋势，筛选出存在的异常数据值，并进行修正。

在修正数据时，是以数据的变化趋势作为基础进行的。假设异常数据为x，与其相应的其他组数据在x位置的变化趋势为A，那么对x的调整大小即可表示为

其中，d 表示调整大小，λ 表示原本的变化参量，这样，调整后的值x'可以表示为x'=x+d。

再将调整后的x'值与下一个数据之间的变化趋势作为校验标准，与其他组数据进行对比，当变化趋势相同时，则认为调整后的x'值满足修正要求；当变化趋势偏高时，则认为调整后的x'值比目标结果高，需要降值调整；当变化趋势偏低时，则认为调整后的x'值比目标值低，需要升值调整。

在完成对异常数据的调整后，定位数据中存在缺失的位置，将缺失位置附近的数据结果取均值，其可表示为

其中，xˉ表示缺失位置两端邻近数据的均值，xi-1和xi+1分别表示缺失位置邻近的两个数据结果，将其作为BP 神经网络的输入值，经过权值分配后传入隐含层。对其进行赋权计算时，主要是以缺失数据指标对应占比为基础进行的。假设缺失指标xi在所有采集数据结果中的占比为p，那么对其进行赋权时可以表示为

其中，Wi表示缺失指标xi的赋权结果，xn表示采集结果中包含的数据，n 表示总数据个数。

通过这样的方式，在隐含层将输入结果作为正向传输信号，并对其进行非线性变换处理，在输出层得到对应目标值，并将该结果作为期望值。

此时得到的结果并不能直接作为缺失数据的补充值，而是需要对该值的误差进行计算。同时利用BP 神经网络，将得到的结果作为输入值，以反向的方式在网络内进行反向运算，在隐含层计算输出结果与期望结果之间的差异，该结果即为当前输出的补充值的误差，其可以表示为

其中，δ表示误差结果，k表示BP神经网络的反向计算的输出结果，k'表示正向计算得到的期望值。

根据计算得到的误差结果，对补充值进行调整，再次在BP 神经网络中进行正向计算和反向检验，直至输出的结果与期望之间的差异为0，此时，则将对应的输出值作为缺失数据的补偿值，实现对缺失数据的补充。

通过上述方式，实现对SMS 模型数据处理阶段的优化，实现对采集结果的调整，避免由于数据异常引起的水质特征分析误差。

3 水质特征分析

采用优化后的SMS 模型，从垂直混合阶段、掺混阶段及代谢阶段3个阶段对哈拉湖湖水水质特征进行分析。

3.1 垂向混合阶段

湖水受到外界环境变化的影响主要是通过垂直接触的方式进行的，这种影响主要在水深方向上完成混合，该混合阶段的影响范围为主要是近区。以湖面中心位置作为起点，建立x 方向和y 方向的坐标系，那么在垂直混合阶段采集到的数据对湖水水质的影响可以表示为

其中，B 表示垂直混合阶段，湖水在外界因素作用下的指标结果，B‘表示初始阶段的湖水指标结果，x 和y 分别表示作用因素在水平和垂直方向上的作用范围，ω 表示垂直混合阶段湖水自身的净化作用系数。以此就可以得到垂直混合阶段湖水的水质变化情况，该阶段持续的周期主要受湖水自身的扩散强度以及外界因素的浓度影响。

3.2 掺混阶段

垂向混合阶段完成后，受湖水自身的流动以及湖水表面风力影响下，进入掺混阶段，该阶段的效果主要受水流方向的变化频率，采集数据的指标浓度影响，其中，采集指标为定值，不会在掺混阶段发生变化，而湖水内部的水体流动方向受源强、湖宽深及流态、流场因素共同作用，对水质的作用方式可以表示为

其中，Bc表示掺混阶段后水质情况，Q 表示湖水自身的源强，Bx和By分别表示采集数据在水平方向和垂直方向上的分散情况，κ 表示湖水流态，e 表示流场。通过这样的方式，即可得到在掺混阶段湖水指标的变化结果。

3.3 代谢阶段

经过上述两个阶段后，外界作用因素开始在湖水的内部进行代谢。在该阶段湖水的指标浓度变化主要受掺混后水质，湖水流速和水体微生物影响，其可表示为

Bd表示代谢阶段水质情况，通过这样的方式，就得到对当前阶段采集到的数据对湖水水质特征的作用效果。而在实际的环境中，外界因素的作用方式并非是以阶段性的形式存在的，其是连续不断的，因此，为针对水质特征进行分析时，需要综合考虑不同影响因素作用阶段的叠加效应。

以相邻的5 组采集数据为例，第三组数据的垂向混合阶段分别与第一组数据的代谢阶段和第二组数据的掺混阶段重合，同时其掺混阶段又与第二组数据的代谢阶段和第四组数据的垂向混合阶段重合，以此类推，对湖水水质指标进行分析时，要综合不同数据的作用效果，最终的湖水水质特征可以表示为

通过这样的方式，就得到最终的湖水水质特征结果。

4 测试分析

为验证优化后的SMS 模型的实际应用效果，进行实验测试，并将文献［5］和文献［6］提出的方法作为对照组，通过分析3 种方法的分析结果，对该方法作出客观分析。

4.1 测试环境

水质特征的变化是一个相对较为漫长的过程，对哈拉湖未来水文水质特征的分析验证需要较长的时间周期，考虑到这一点，本研究以某一组监测数据作为试验对象，进行此次实验测试，分别采用3种方法分析湖水的水质特征，并与实际测量结果进行对比。

4.2 结果分析

在上述实验条件下，分别采用3种方法对哈拉湖水的基本质量指标参量进行分析，并与实际测量值进行对比，其结果如表1 所示。

从表1中可以看出，在3种方法中，文献［5］和文献［6］方法的分析结果均与实际结果存在较大偏差，特别是对水中溶解氧的分析，以实际结果之间的差异分别为1.26%和1.30%，而本文方法的分析结果与实际测量值之间具有较高的拟合度。表明采用本文方法对哈拉湖水文水质特征进行分析时，其结果具有较高的可靠性，对特征的提取更加准确。

在表1 中，3种方法对水质矿化度的分析结果均相对较好，为了进一步对比其分析效果，在上述基础上，分别对比了3种方法对湖水矿化度变化趋势的分析情况，结果如图1 所示。

表1 不同方法的基本质量指标参量分析结果

图1 不同方法的矿化度分析结果

从图1中可以看出，在3种方法中，文献［5］和文献［6］方法的分析结果在前6个月能够实现较为准确的特征提取，但在之后的分析结果中，与实际值的偏差逐渐增大，这主要是因为在7月以后，测试地区迎来雨季，采集的数据波动较大，本文方法的分析结果与实际结果之间具有较高的拟合度，并且未受到雨季的影响，这主要是因为本文方法能够实现采集数据的优化调节，通过改进的SMS 模型确保数据的可靠性，避免由于数据异常对分析结果产生的干扰。

除基础的水质质量指标参量外，温度变化特征也是体现湖水水质的重要指标，为此，分别采用3种方法分析湖水温度的变化趋势，其结果如图2 所示。

图2 湖水温度变化趋势分析结果

从图2 中可以看出，在3种方法中，对湖水温度的分析结果均具有较高的准确度，文献［5］和文献［6］偏差较大的阶段主要出现在7月份，与文中的矿化度统计结果相同，造成该现象的主要原因是降雨量突增，本文方法的特征提取结果与实际测量结果并未出现大幅偏差，这主要是因为本文方法实现对SMS模型的优化，能够将采集数据进行去噪处理，降低其对分析结果的干扰，提高对水质特征的提取效果。