山地城市主要河流水质评价及预测研究<br/>——以四川省绵阳市为例

山地城市主要河流水质评价及预测研究
——以四川省绵阳市为例

2023-11-04王源哲华春林赵丽樊敏梁晓盈周乐乐蔡璨姚婧

生态环境学报 2023年8期

王源哲，华春林，赵丽，樊敏，梁晓盈，周乐乐，蔡璨，姚婧

1. 西南科技大学环境与资源学院，四川绵阳 621010；2. 西南科技大学经济管理学院，四川绵阳 621010；3. 西南科技大学成都创新研究院，四川成都 621010

水是生命之源，是人类生活与社会生产的重要物质基础，然而，随着社会经济的迅猛发展，水体水质呈现出污染程度各异、污染机理复杂的趋势，水质污染已成为制约经济社会可持续发展的主要因素（马乐宽等，2013）。在水质遭受不同程度污染的情景下，对水质进行综合评价，确定主要污染物，把握水体水质健康及污染程度，进而因地制宜地采取精准治污措施，此外，科学预测水质变化趋势，有利于促进有效长期的区域水环境保护规划的制定（陈润羊等，2008；高红杰等，2017）。党的二十大报告明确提出，我们要统筹水资源、水环境、水生态治理，推动重要江河湖库生态保护治理。因此，为了对水资源进行合理的开发和科学的管理，有必要对水环境进行评价和预测。

目前，国内外常见的水质评价方法包括单因子污染指数评价法、综合污染指数评价法（Ji et al.，2016；Ouyang et al.，2022）、灰色系统评价法（张冉等，2013）、主成分分析法（朱琳等，2018）以及模糊综合评价法（杜军凯等，2015；杨浩等，2016）。其中，主成分分析法可明确水质的主要影响因素与水质变化规律及差异（蔡广强等，2018），模糊综合评价法能够定量化地处理水环境功能区划及水质分级界限具有模糊性的问题（靳会姣等，2014），改进的主成分-模糊综合评价耦合模型充分考虑了水质和水量的影响，不仅可以选择关键指标，还可以指定水质的空间变化和等级（Zhao et al.，2020）。然而，现阶段的水质评价方法主要侧重于处理评价指标以及解决水环境的不确定性问题，关于水质综合评价方法的选取的研究尚且不足，并且评价结果是否科学合理尚无确切的定义。同时，水质预测作为掌握水环境的变化趋势及预防水质恶化的前提与基础，对于及时了解水质状况、预防水污染、保护水环境具有重要的现实意义。常用的水质预测方法有支持向量机预测（Vapnik et al.，1995）、水质模拟模型（Rani et al.，2010）、混沌理论（Qiao et al.，2016）和神经网络模型（Zheng et al.，2022）等。现阶段，国内外研究人员已将支持向量机运用到了多种水质指标的预测中（Noori et al，2015），支持向量机预测法虽然可以解决很多传统方法解决不了的数学问题，但在水质预测中存在支持向量数多，预测时间长，无概率性输出等问题，仅适用于小样本问题的建模。水质模拟模型虽然应用范围广、适合中长期预测，但侧重于水环境系统（刘晓等，2018），需要考虑的参数较多，模拟的结果缺乏交互性，Fan et al.（2012）通过结合水文工程中心河流分析系统（HEC-RAS）和S-P（Streeter-Phelps）模型模拟潮汐河水质，然而受模型参数的影响，对生物化学需氧量和溶解氧的模拟结果预估过高。混沌理论为河流水质变化提供了新的预测方法，但基于混沌理论建立的预测模式较为复杂，需要提供大量时序数据资料，适应于短期的水质预测（Zaldivar et al.，2000；杜建等，2012）。神经网络预测模型具备良好的记忆功能以及精度高、适应性强、运算速度快等优点（唐亦舜等，2022），在具有不确定性因素和非线性特征的各类水质指标的水质预测方面（Maier et al.，2010）有着广阔的应用前景。鉴于传统水质预测方法对水质监测数据的依赖性较强，预测范围受限以及缺乏考虑参数的影响，预测精度较低等问题，神经网络模型为水质预测研究提供了科学有效的途径。

目前，对绵阳市主要河流的研究主要集中在水环境容量计算、水污染总量控制及单一的水质评价，缺乏水质综合评价及预测相关的研究（沈淞涛，2005；戴本林等，2008）。因此，本研究基于绵阳市水质监测断面的污染物指标监测数据，结合模糊综合评价法与主成分分析法进行水质综合评价，以获取水质级别并识别水质较差的年份和监测断面，并基于水质评价结果构建NARX 神经网络模型对未来区域水环境的水质状况进行合理的预判，实现科学预防水质污染，以期为区域水环境的评价与管理、预测与规划提供参考。

1 研究区概况

绵阳市，被称为中国科技城，是四川第二大经济体和成渝城市群区域中心城市，位于四川盆地西北部，介于30°42′－33°03′N、103°45′－105°43′E 之间，总面积约为20 248.4 km2，地形地貌类型复杂多样，其中山地区占61.0%，丘陵区占20.4%，平原区占18.6%，地势起伏大，呈西北部高，东南部低，属多山多丘陵的山地城市（图1）。全市受地貌影响，降水丰沛，径流量大，江河纵横，水系发达，境内有大小河流及溪沟3 000 余条，均分别注入嘉陵江支流涪江、白龙江与西河，全属嘉陵江水系。根据2022年绵阳市环境质量状况年报，全市境内地表水水质总体较好，均能达到或优于划定的水环境功能类别要求，但芙蓉溪及鲁班水库水质为良，呈中营养状态，通口河水质有所下降。绵阳市境内的主要河流，不仅直接关系到全市整体水环境安全与质量，还会影响绵阳市社会经济可持续发展战略的实施，因此，对绵阳市主要河流的评价及预测是保护及管理河流水环境、推动经济高质量绿色发展的关键。

图1 水质监测站点分布图Figure 1 Distribution of water quality monitoring stations

2 研究方法

2.1 数据来源与处理

水质数据来源于绵阳市生态环境监测站、绵阳市水环境形式分析报告以及长江生态环境保护修复城市驻点组长期监测。根据《地表水环境质量标准》（GB 3838—2002）（国家环境保护总局，2002），结合绵阳市水质实际污染特征、来源以及历史监测结果，本研究按照生态环境行业现行标准及技术规范对水质样品进行采集并分析，筛选出了溶解氧（DO）、高锰酸盐指数（CODMn）、五日生化需氧量（BOD5）和氨氮（NH3-N）这4 类对水质影响较大并能反映水质状况的指标作为主要评价因子，对绵阳市12 个地表水环境质量国控、省控以及市控监测断面2014－2022 年枯水期（1－4 月和12 月）、平水期（5 月和11 月）、丰水期（6－10 月）、年均值水质监测结果进行评价分析（表1）。

表1 绵阳市主要监测断面及其水环境功能标准Table 1 Main monitoring sections and water environment function standards in Mianyang City

2.2 模糊综合评价法

本研究首先根据筛选出的4 种主要水质评价因子，建立评价因子集={DO，CODMn，BOD5，NH3-N}，确定评价标准集为={Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ}。由于水质污染程度和水质分级标准具有模糊性，故用隶属度来刻画分级界限隶属度（李婧等，2020），通过隶属函数，按照水质分级标准，计算出各项因子分别对各级水质指标的隶属度，从而确定模糊关系矩阵。然后，采用超标倍数法对各水质指标赋予权重（张婉萍等，2022）。最后，根据模糊关系矩阵和评价因子权重集得到各监测断面水质等级（王守坤等，2013）。

2.3 主成分分析法

主成分分析法是一种利用降维的思想对多个变量以线性变换形式筛选出重要变量的多元统计分析方法（王丽婧等，2013）。本研究以年份为样本对选取的监测断面各水期水质进行主成分分析，分析判断各污染指标之间的相关性，并根据各监测断面在2014－2022 年及不同水期的污染综合得分进行排序，以评价水质优劣程度，即以主成分综合得分大小反映水质的污染程度，即得分越高水质越差。

2.4 NARX 神经网络模型

NARX（nonlinear auto regressive model with exogenous inputs）神经网络模型是通过前期长时间序列的随机变量的线性组合来描述未来某一时刻随机变量的非线性自回归模型（Fabio et al.，2022）。NARX 神经网络模型结构由输入层、隐含层、输出层以及输出到输入的延时构成（图2）。本研究在2014－2022 年绵阳市水质监测数据及水质评价结果的基础上，采用MATLAB 2020b 工具箱的NARX神经网络模型预测2023－2030 年各监测断面的水质指标浓度，从而客观反映未来水质变化趋势。

图2 NARX 神经网络预测模型结构Figure 2 Structure of NARX neural network prediction model

3 结果与讨论

3.1 水质综合评价结果及分析

表2 为绵阳市境内主要河流2014－2022 年水质监测断面各水期4 项水质指标平均监测数据的描述性统计结果。由表可知，从监测断面的水质指标平均浓度来看，除DO 外，其余3 项水质指标平均浓度值最高处均为芙蓉溪仙鱼桥断面，说明该断面水质污染较为严重，而平武水文站总体上水质则较好。从不同水期各水质指标的平均浓度可知，BOD5和NH3-N 的平均浓度值在枯水期较高，这与入河污染物受径流量影响显著有关（何子建等，2022），在枯水期内BOD5和NH3-N 浓度随径流量的减少而增大。而CODMn的平均浓度值在丰水期较高，这与丰水期雨季或气温持续升高，河中水量丰富密切相关，并且径流量增大引起的CODMn污染物入河的增加量大于径流量对河流CODMn污染物的稀释量。从各水期水质监测断面的变异系数来看，NH3-N的变异系数在各水期之间均较高，说明其浓度值受水期影响波动幅度也较大，而DO 的变异系数在水期之间均较低，说明其波动变化范围较为稳定。

表2 不同水期监测断面平均水质指标浓度的描述性统计Table 2 Descriptive statistics of average water quality index concentration of monitoring sections in different water periods

为进一步明确监测断面各水期的主要污染物，本研究根据2014－2022 年所选监测断面水质指标在不同水期内的平均值，计算污染因子权重并确定各水期内的主要污染物（表3）。由表可知，研究范围内枯水期的主要污染物为NH3-N，BOD5。同理能够判断出平水期和丰水期的主要污染物为BOD5和CODMn。NH3-N 在枯水期的权重高于平水期和丰水期，而NH3-N 作为城镇生活污水的主要来源，说明枯水期水质受生活污水的影响较大；BOD5在丰水期的权重高于枯水期与平水期，这也与不同水期下河流断面径流和含沙量的差异有关（伏介雄等，2008），丰水期降雨量大，河流水量增大且含沙量高，从而导致河流有机污染物浓度的升高。

表3 2014－2022 年监测断面各水期污染指标权重归一化结果Table 3 Pollution index weight normalization results of water periods in the monitoring section from 2014 to 2022

根据各断面水质指标的描述性统计结果，选取水质较好的平武水文站断面和水质较差的芙蓉溪仙鱼桥断面进行分析（图3）。平武水文站为涪江上游基本控制站，而涪江上游流域地广人稀、工矿企业较少，断面内的污染主要来自农田、城市地表径流以及沿岸的畜禽养殖。芙蓉溪仙鱼桥断面位于绵阳市经济较为发达、人口较为密集的游仙区，区内工厂企业数量仅次于涪城区，工业废水排放总量较大并且该断面附近支流多，水系密集，是导致水质相对较差的重要原因，且NH3-N 为主要超标项目，主要来源于以城镇生活污水及工业废水为主的点源污染（胡开明等，2015）。对此绵阳市加强了沿岸主要污染源排查及治理，对沿河的大污染工厂企业实行关、停、并、转，并采取了严禁规模养殖户将废污水直接排入河道等措施。

图3 2014－2022 年各监测断面水质指标变化对比图Figure 3 Comparison of water quality indexes of different monitoring sections from 2014 to 2022

在水质评价方面，采用模糊综合评价法对2014－2022 年12 个监测断面进行水质评价及分析，以此反映综合水质污染状况。对于水质指标的年平均值而言（表4），梓潼垢家渡断面2016 年的水质级别为Ⅲ级；芙蓉溪仙鱼桥断面在2015 年、2016 年水质级别分别为Ⅲ级、Ⅱ级，这一水质级别评价结果也与2016 年绵阳市环境质量状况年报中芙蓉溪仙鱼桥断面水质有所好转相符；总体上2014－2022年水质级别达标断面占比为100%，梓潼垢家渡和芙蓉溪仙鱼桥断面年均水质水平总体上与其他断面相比较低，但两个断面均达到了水环境功能类别划分（Ⅲ级）的要求，水质级别较差的断面主要出现在2014－2018 年之间，而2019－2022 年水质较好，整体水质呈现向好趋势，这与2018 年7 月起施行的《绵阳市水污染防治条例》密切相关。在枯水期，2015 年的芙蓉溪仙鱼桥断面与2016 年的梓潼垢家渡断面的水质级别均为Ⅳ级，超过了其水环境功能划定类别Ⅲ级，凯江老南桥在2016 年水质级别波动较大，从Ⅰ级降至Ⅲ级，水质为轻度污染，其余断面水质情况均较好，总体水质级别达标断面占比92%（表5）。在平水期，仅芙蓉溪仙鱼桥断面在2017 年水质级别为Ⅲ级，水质较差，其余断面水质情况较好，水质级别达标断面占比为100%（表6）。在丰水期，水质级别较低的断面出现在2014－2016 年之间，分别为芙蓉溪仙鱼桥、梓潼垢家渡、凯江老南桥与丰谷，其余断面的水质级别在2014－2022 年均为Ⅰ级，总体水质级别达标率为100%（表7）。

表4 2014－2022 年各监测断面水质级别Table 4 Water quality levels of each monitored section from 2014 to 2022

表5 2014－2022 年枯水期各监测断面水质级别Table 5 Water quality levels of each monitored section during the low water period from 2014 to 2022

表6 2014－2022 年平水期各监测断面水质级别Table 6 Water quality levels of each monitored section during the normal water period from 2014 to 2022

表7 2014－2022 年丰水期各监测断面水质级别Table 7 Water quality levels of each monitored section during the high water period from 2014 to 2022

3.2 水质污染程度变化结果及分析

为探究水质指标之间的相关性对于水质污染的影响，本研究首先采用主成分分析法对研究范围内水质指标的年平均值进行Pearson 相关性分析，Pearson 相关性是分析不同指标之间同源性的常用方法，相关性高的指标之间具有相似的污染源或迁移特征（王磊等，2020）。由各水质指标的相关性系数可知（表8），CODMn与BOD5在3 个水期内均呈极显著正相关关系，表明两个水质指标存在同源性，推测水体中的CODMn与BOD5主要来源于工业及生活污染源，并且在理论上BOD5还与水体中的COD 具备一定的比例关系，可通过判断其比例关系来识别水体污染类型，若COD 与BOD5的比值越大，则还原性无机物为水体主要污染物，若比值越小，则水体遭受到的有机物污染较为严重，同时CODMn与BOD5测定值的范围还可由COD 进行推测（张野等，2012），利用水质指标之间的关联性去预测或估算其他指标，从而实现对监测数据的预判和数据合理性的审核并确保水质数据监测的准确有效；DO 与NH3-N 在枯水期、平水期为显著负相关，与CODMn在平水期、丰水期分别为显著与极显著负相关，DO 与NH3-N、CODMn呈负相关这一结果与宋晓霄等（2012）对水质指标进行数据统计和相关性分析后的结果相符，CODMn与NH3-N同属耗氧有机物，当水质DO 浓度降低时，有机物降解速率减缓，CODMn与NH3-N 浓度反而呈升高趋势，通过分析DO 与其相关性，可合理判别好氧有机物的变化趋势并识别水质主要污染物类型。

表8 2014－2022 年不同水期各水质指标的相关性系数Table 8 Correlation coefficients of water quality indexes in different water periods from 2014 to 2022

然后，根据所选监测断面除DO 以外的水质数据分水期计算综合主成分值，从而评价各监测断面的水质污染程度（图4），并对水质较好与较差的断面在2014－2022 年之间的主成分得分进行综合评价比较（表9）。结果表明，在3 个水期之间，芙蓉溪仙鱼桥断面水质污染均较差，而平武水文站断面水质均较好，凯江老南桥、梓潼垢家渡及天仙镇大佛寺断面受水期影响较大且水质得分排序情况在断面之间不稳定，其余断面在各水期间排序结果无变化，受水期影响较小。与其他断面相比，芙蓉溪仙鱼桥、平武水文站断面分别在2015、2016 年水质污染较重，但2020－2022 年两个断面的整体水质状况有所改善，而这也得益于2020 年四川省印发了《2020 年全省河湖管理保护工作要点》以及各地方加强了河道采砂综合整治以及河湖管理基础工作的力度等一系列举措。

图4 2014－2022 年不同水期各监测断面水质平均主成分得分Figure 4 Average principal component scores of water quality in different sections during different water periods from 2014 to 2022

表9 2014－2022 年监测断面水质主成分得分及排序结果Table 9 Principal component scores and ranking results of water quality in monitored sections from 2014 to 2022

3.3 水质变化趋势预测及分析

在水质预测方面，本研究选用NARX 神经网络模型并对2014－2022 年12 个断面水质数据分季度进行归一化与反归一化，为了验证模型的性能，根据算法准则（宋新山，2008；Ayodele et al.，2021；包志家等，2021），将数据集随机划分为36 个目标时间步，用于训练、验证和测试。指定隐藏层中有10 个神经元，时延为2、4，采用Levenberg-Marquardt算法（Salami et al.，2015）对网络进行训练，选用均方误差（MSE）和相关系数（r）值指标对训练后的模型进行定量评价（表10）。模型预测结果表明，4 种水质指标的r均大于0.7，MSE 均小于0.05，说明模型对水质的预测精度良好，具有较强的可靠性和预测性能。为了使NARX 模型具有较高实用性，预测对象选取水质评价结果中具代表性的芙蓉溪仙鱼桥断面为例进行预测结果的进一步分析。DO、CODMn、BOD5以及NH3-N 的平均相对误差分别为5.914%、-0.190%、21.491%以及25.366%（图5），总体上的平均相对误差均在可接受范围内。由模型对芙蓉溪仙鱼桥断面2014－2022 年的NH3-N水质指标的预测值结果与实测值进行对比可知（图6），芙蓉溪仙鱼桥断面NH3-N 的相关系数在训练、验证、测试以及整体上分别为0.963、0.415、0.561以及0.868，模型预测结果与实测水质数据的相关系数整体上达到了0.8 以上。通过NARX 神经网络模型模拟结果的误差及相关系数分析，模型的预测性能良好，再次证实了该模型可用于进行水质预测，故基于此预测了芙蓉溪仙鱼桥断面2023－2030年水质指标的变化情况（图7）。结果表明，2023－2030 年DO 与CODMn平均浓度均高于2014－2022 年对应指标的平均浓度值，而BOD5与NH3-N平均浓度均低于2014－2022 年对应指标的平均浓度值，说明水体总体改善，但受到有机物污染的程度有所提高。预测的水质指标中，DO 浓度值年际变化不大，较为稳定，CODMn浓度值在2024 年及2027 年存在小幅度的波谷，整体上呈波浪形变化，BOD5浓度值呈先上升后下降再回升的变化趋势，而NH3-N 浓度值整体上呈现逐年下降趋势，表明NH3-N 对未来水质污染的贡献度有所降低。

表10 NARX 神经网络模型预测的相关系数与均方误差Table 10 Correlation coefficient and mean square error predicted by NARX neural network model

图5 2014－2022 年芙蓉溪仙鱼桥断面水质指标实测值与模拟值结果对比图Figure 5 Comparison of measured and simulated water quality indexes in Xianyuqiao section of Furong stream from 2014 to 2022

图6 芙蓉溪仙鱼桥断面NH3-N 水质指标的相关性回归图Figure 6 Correlation regression diagram of NH3-N water quality index in Xianyuqiao section of Furong stream

图7 2023－2030 年芙蓉溪仙鱼桥断面水质指标变化情况Figure 7 Changes of water quality indexes in Xianyuqiao section of Furong stream from 2023 to 2030

为验证模型预测的准确性，基于水质预测结果对所选断面的水质再次进行水质评价。首先，对于2025 及2030 年各监测断面的水质指标变化情况而言（图8），丰谷及鲁班岛断面2030 年的4 项水质指标的年均浓度值均高于2025 年，百顷及北川通口断面2030 年除NH3-N 年均浓度值低于2025 年外，其余3 项水质指标年均浓度值高于2025 年；梓潼垢家渡及饮马桥断面2030 年的DO 及NH3-N年均浓度值高于2025 年，CODMn及BOD5年均浓度值低于2025 年。然后，由所选断面在2025 及2030年的水质指标预测值的主成分得分及排序结果可知（表11），芙蓉溪仙鱼桥断面的水质在所选断面中仍较差，与其他断面相比，平武水文站、福田坝断面的水质分别在2025 年、2030 年较好，预测结果与历史时期断面总体水质状况相符。最后，对所选的12 个断面的2023－2030 年的水质指标预测值进行模糊综合评价，得出各断面在2023－2030 年的水质级别（表12）。结果表明，天仙镇大佛寺断面在2028－2030 年的水质级别由2023－2027 年的Ⅰ级降为Ⅱ级，水质有所下降；芙蓉溪仙鱼桥断面在2025及2030 年的水质级别分别为Ⅱ级与Ⅲ级，其余断面在未来八年总体水质级别均较好，为Ⅰ级，水质预测结果客观反映了绵阳市未来的水质变化趋势，有利于识别及掌控区域水质污染程度，可为河流污染预警及水环境管理规划工作提供参考价值。

表11 2025 及2030 年各监测断面水质平均主成分得分及排序结果Table 11 Average principal component scores and ranking results of water quality in each monitored section in 2025 and 2030

表12 2023－2030 年监测断面水质评价结果Table 12 Water quality evaluation results of monitored sections during 2023-2030

3.4 水环境管理及规划启示

分析水体是否受到污染、污染程度、污染原因以及发展趋势，对于水污染的控制及预防、合理规划水资源的开发利用至关重要。本研究通过对绵阳市2014－2022 年主要水质监测断面的水质及其指标分水期进行综合评价与分析，从水质指标的权重分析了各水期的主要污染物，从水质指标的相关性分析了各指标对水质状况的影响，计算了各断面在各水期内的水质级别及得分，从而较为全面客观地掌握历史水质状况。由评价结果可知，从时间上来看，2014－2018 年水质相对较差，2019－2022 年水质有所好转，枯水期的水质断面达标率低于平水期和丰水期，应加强此阶段未达标水质监测断面周围水域的监管及治理；从空间上来看，平武水文站及北川通口断面水质整体较好，均位于北川县，污染较严重的区域集中在绵阳市中部水系交汇处（游仙区的芙蓉溪仙鱼桥断面）及南部（三台县的凯江老南桥断面、梓潼县的垢家渡断面以及盐亭县的天仙镇大佛寺断面）。因此，芙蓉溪、凯江以及梓江内这些区域可以作为未来重点治理对象，并对其附近工厂及沿岸企业污水排放情况实行严格监查。

在此基础上，本研究基于历史实测水质数据采用了NARX 神经网络模型对河流水质监测断面各项水质指标进行2023－2030 年的水质预测，在满足水质预测精度要求的前提下，同样对水质监测断面各水质指标未来的水质状况变化、主成分得分以及水质级别进行了计算分析，以了解未来水质状况的发展趋势及规律。由水质预测结果可知，盐亭县的天仙镇大佛寺断面在2028 年、游仙区的芙蓉溪仙鱼桥断面在2025 及2030 年均有水质下降趋势。总之，本研究提出的基于模糊综合评价法-主成分分析法-NARX 神经网络模型研究框架，能够在一定程度上客观真实地反映区域水环境的水质历史状况及未来趋势。

然而，鉴于本研究受一些客观因素的限制，如水质数据、水文水利参数、社会经济统计数据等的可获取性，在水质评价方面，目前仅对该区域主要水质监测断面，分别采用模糊综合评价法和主成分分析法进行水质等级评定和水质优劣排序，在未来的研究中，应该对水质波动较大和水质较差的区域的水质监测站点进行加密，实行更加精细密集地布控，识别出水质污染重点区域及扩散区域，进行空间上由点到面的研究和具有针对性的管控，从而得到区域整体水环境更加全面准确的水质评价结果。在水质预测方面，NARX 神经网络模型使用单一的水质指标点数据作为输入预测了水质整个条件分布，但目前尚未清楚这些预测如何及时向前传播，且存在单步和单因素预测的局限性，以及对网络时延、隐藏神经元数量和激活函数的考虑仍有优化的余地。因此，后续研究可将水质及其影响水质变化的驱动因素作为神经网络模型的多输入指标，以及考虑将NARX 人工神经网络与混合动态神经网络、遗传算法和其他机器学习模型进行联合调用，进一步构建更加完整科学的水质预测模型，提高水质指标模拟精度，赋予水环境指标物理涵义。

综上所述，本研究结果对于区域水环境管理及规划工作的启示如下：一是针对易受水期影响，枯水期水质不达标的区域，应通过优化超标区域内外的水资源配置，提升河流连通性和水环境容量，从而改善枯水期水质状况；二是针对易受工业、农业污染等影响的区域，应调整产业结构，加快产业转型升级，加大对污染源的控制，从源头上减少污染物入河量；三是针对水质变化复杂的区域，应建立全过程的水环境监控预警系统及长效管理机制，提高污染防治水平。