随着我国截污工程和污水处理厂的建设,点源污染得到了有效的处理和控制,面源污染对河道水质影响的研究越来越受到关注。相对点源、面源负荷的控制和计算需要考虑更多的因素,道路的表面特征及降雨的特征都会影响径流雨水的水质^[1,2] 。面源污染的计算方法中,得到普遍应用的方法为经验统计公式法、输出系数法、模型法。经验统计公式法中,Ahearn D S等^[3] 利用PRMS及HEC-HMS模型模拟的降雨径流数据结合实测的水质监测数据,建立了降雨跟不同土地利用类型的径流水质线性模型。Brezonik P L等^[4] 根据城市不同的下垫面类型、面积及不同降雨事件数据,通过多重线性回归方程预测了径流体积,根据不同下垫面排水面积、总的降水量、降雨强度、降雨历时等数据,通过多重线性回归方程预测了降雨的EMC_S(降雨径流污染平均浓度)及负荷。输出系数法主要考虑非点源污染物输出跟土地利用的关系^[5] ,进而计算面源负荷。在非点源模型^[6] 法中,通过研究不同下垫面的EMC_S值和非点源模型计算的研究区域的降雨径流量,研究污染物的迁移转化规律并计算面源负荷^[7] 。

　　 人工神经网络(ANNs)是一种分布式、并行信息处理的算法数学模型。最大特点是自适性强,可提供多种方法解决不同物理量之间的高度非线性关系^[8] 。目前神经网络广泛应用于流域、水库的水文预报^[9] 及径流模型的研究^[10] 。BP神经网络是人工神经网络常用的方法,本文通过BP神经网络研究面源入河负荷,为工程实践中计算面源入河负荷提供有效的方法。

　　 研究区域位于常州示范区河网(见图1),共有15条河流,河道总长51km,水面面积约1.86km²,水网密度为2.1km/km²,水面面积密度0.076km²/km²,河道平均宽度小于50m,均属中小河流。示范区内河流通过澡港河上游的澡江闸引长江水补给,水流流向为北流向南。目前河流水质多数超过地表Ⅳ类水质标准,以污水处理厂处理尾水、点源和面源污染为主。

　　 2013年5月8日~10月8日,在新澡港河许家塘断面(图1 2s所示)、常新桥(图1 4s所示)2个断面雨季时分别采样29次,其中暴雨2场(24h降雨50~99.9 mm);大雨10场(24h降雨25~49.9mm);中雨9场(24h降雨10~24.9 mm);小雨8场(24h降雨0.1~9.9 mm)。长新桥、盘龙苑、横丁桥、河海东桥、北塘桥、塘岸桥、三井河桥、勤丰桥、上塸桥等断面采样8次(见图1采样点所示),塘北桥(图1 1s所示)、常林桥(图1 3s所示)建有在线自动监测仪。

　　 采用LS-78型旋杯式流速仪测量断面的流速,澡港闸的流量资料以及降雨资料由当地水文站和气象站提供。水质监测指标主要有总氮、氨氮、总磷和COD,检测方法按照国标进行。

　　 新澡港河在上游许家塘至下游常新桥河段的污染负荷由式(1)计算:

　　 式中L———区间降雨负荷,t;

　　 n、m———为上、下断面的监测次数;

　　 L_ds———下游断面第s次监测的过水断面负荷,t;

　　 L_ui———上游断面第i次监测的过水断面负荷,t;

　　 X———降雨量,mm;

　　 F(X)———降雨量X的函数;

　　 C———计算时间段内点源负荷,t,由于点源每天稳定排放,C为常数。

　　 每次降雨事件中各断面负荷由式(2)计算。上断面计算时间选择:降雨开始前K小时(晴天许家塘桥断面水流流至常新桥断面所需最长时间为6h,根据降雨开始时刻下游断面实际流速,推出上游断面入流流至下游断面所需时间,该时间即为K小时的取值)到降雨结束;下断面计算时间选择:降雨开始到降雨结束后的Z小时(降雨结束时刻上游断面入流流至下游断面所需时间,该时间即为Z小时取值)。

　　 式中L_T———过水断面负荷,t;

　　 ΔT_i———第i段时间的时间间隔,h;

　　 Q_i———第i段时间内断面的流量,m³/s;

　　 C_i———第i段时间内断面污染指标浓度,mg/L。

　　 示范区内直接排放负荷计算如式(3)所示:

　　 式中C———入河负荷量,kg;

　　 a———人均排污系数,kg/(人·d);

　　 p———城镇人口数,人;

　　 φ———污染物入河系数。

　　 对管网错接、串接等方式入河的排污口,监测各个排污口不同时刻的流量及浓度,然后对监测时刻的流量和浓度的乘积进行积分,得出点源一天的入河负荷。

　　 BP神经网络是由Rumelhart和McCelland为首的科学小组在1986年提出,其特点是信息的分布式存储及并行协同处理^[11] 。BP即误差反向传播,BP神经网络由2个过程及3个组成部分构成,2个过程:信息的正向传播和误差的反向传播;3个部分:输入层、两个或者更多的中间层(隐层)和输出层^[12] 。

　　 本研究采用中间层为2层的BP神经网络,中间层的神经元个数为20个(如图2所示),用29场降雨量数据和面源入河负荷计算的29个入河负荷量(分别为总氮、氨氮、总磷、COD)作为初始数据(输入信号),按照训练占50%、验证占25%、检测25%的比例训练、验证及检测BP神经网络模型,使用均方误差来评估网络,在使计算精度值小于0.000 01,最大训练次数为10 000步的条件范围下,输入输入层(输入层节点数为1),输入层节点将信息传递给中间层(隐层),上层节点刺激脉冲刺激下层节点作用函数(f),信息经过中间层处理后,传递给输出层,输出层节点(输出层节点数为1)将信息进一步处理输出,输出层输出的降雨量对应的面源入河负荷跟期望面源负荷的误差,误差函数对输出层神经元阈值(b_o)进行调整,然后利用中间层跟输出层的连接权限(W_ho)、输出层的神经元阈值及中间层的输出误差函数对中间层各神经元阈值(b_h)进行调整,利用输出层各神经元的阈值和中间层神经元输出来修正中间层跟输出层之间的连接权限,利用中间层各节点的阈值及输入层神经元的输入修改输入层跟中间层的连接权限(W_ih),最终找到最优的结果。

　　 通过式(1)、式(2)计算得出不同降雨事件新澡港—大湾浜监测河段的总氮、氨氮、总磷、COD入河负荷(如图3所示)。从图可知,降雨量(小雨除外)的大小跟总氮、氨氮、总磷、COD的入河负荷呈正相关的关系。当降雨量为小雨时,总氮、氨氮、总磷、COD面源负荷分别为0.008 5~0.127 3t、0.006 8~0.058 6t、0.002 4~0.008 8t、0.096 4~0.884 3t;当降雨量为中雨时,总氮、氨氮、总磷、COD面源负荷范围分别为0.167 6~0.557 4t、0.092 0~0.288 7t、0.019 5~0.055 4t、1.684 5~5.052 3t;当降雨量为大雨,总氮、氨氮、总磷、COD面源负荷范围分别为0.412 1~1.066 2t、0.253 8~0.515 5t、0.042 1~0.133 6t、3.670 3~10.130 8t;当降雨量为暴雨时,总氮、氨氮、总磷、COD面源负荷范围分别为1.228 1~1.524 6t、0.625 0~0.852 6t、0.100 0~0.182 2t、11.562 6~14.6185t。

　　 图4是通过降雨量和监测面源入河负荷的训练、验证、检测图(图中图缩小后虚线和实线重合代表R²=1),训练数值分布较均匀,验证值向拟合直线靠拢,训练值的范围涵盖了29场入河负荷中的最大及最小值,说明模拟规律较好。总氮、氨氮、总磷、COD的面源负荷模拟平均误差分别为15%、24%、19%、23%。总氮面源负荷最大误差对应的降雨事件的降雨量为21.5mm,BP神经网络只考虑降雨量跟面源负荷两者之间最优关系,并没有区分不同的降雨事件,导致模拟的负荷跟验证值存在误差;COD误差最大值对应的降雨量为19.5mm,进入8月中旬,常州连续短时强降雨,由于冲涮作用,下垫面比较干净,但是BP神经网络只考虑降雨量与面源负荷两者之间最优关系,并没有区分不同的降雨事件,导致模拟的负荷跟验证值存在误差。氨氮及总磷面源负荷验证最大误差值对应的降雨事件降雨量分别为5.5mm、2.5mm,降雨量小的事件模拟不准确是因为降雨量较小时采样误差较大,因此监测的面源负荷误差较大,对于氨氮和总磷降雨量为中雨、大雨的降雨事件,采样次数较多,样本误差较小,监测的面源负荷相对误差均小于20%。

　　 通过已建立的验证训练BP神经网络模型,结合2013年全年降雨资料,计算新澡港河—大湾浜河段的面源,氨氮、总氮、COD、总磷分别为8.61t、15.72t、149.01t、1.52t。

　　 2013年5月~2013年10月,对示范区骨干河道断面进行了8次采样,分析得到新澡港河—大湾浜河段面源负荷和示范区面源入河负荷之间的对应关系(见图5)。由图5知,通过监测资料表明,新澡港河—大湾浜和示范区河网的氨氮、总氮、COD、总磷的面源入河负荷的线性相关系数分别为0.89、0.90、0.83、0.94,相关性很好。根据相关关系,计算得到2013年示范区河网总氮、氨氮、总磷和COD面源总负荷分别为47.29 t、29.13 t、3.18 t和516.88t。

　　 塘北桥自动监测仪可以监测总氮、氨氮、总磷、COD_Mn,常林桥在线自动监测仪没有总氮数据。依据塘北桥和常林桥自动监测仪的水质在线数据,根据式(1)、式(2)计算出24场降雨的氨氮、总磷、COD_Mn面源入河负荷(上下断面计算时间选择方法与1.3节中所述方法相同),通过BP神经网络模拟降雨量跟面源入河负荷的关系,氨氮、总磷、COD_Mn的面源负荷模拟平均误差分别为24%、34%、36%,误差在可以接受的范围内。因此BP神经网络可以用于模拟单一河道降雨量跟在线自动监测仪监测推算的面源入河负荷之间的关系。通过在线自动监测仪监测资料和降雨数据,采用BP神经网络模型可用于推算示范区河网的全年面源入河负荷。

　　 采用BP神经网络方法模拟了常州市河网区新澡港河—大湾浜单一河道总氮、氨氮、总磷、COD面源入河负荷,并根据该河段和河网区总负荷的相关关系计算河网区的面源负荷,2013年河网区总氮、氨氮、总磷和COD面源总负荷分别为47.29t、29.13t、3.18t和516.88t。采用BP神经网络方法模拟降雨量跟在线自动监测仪推算的示范区单一河道的面源负荷,氨氮、总磷、COD_Mn模拟平均误差分别为24%、34%、36%,表明通过在线自动监测数据可基本推算该示范区河网的全年面源污染负荷。