基于Aquatox模型的水环境治理和水生态修复模拟与决策辅助研究

马兴冠，简文浩，王志毅，杨 勇，马云浩，王超军，战 琦

（1.沈阳建筑大学 市政与环境工程学院，沈阳 110168；
2.辽河流域水污染防治研究院，沈阳 110168）

在社会经济和城镇化快速发展的进程中，由于环保意识和措施滞后，一些地方出现了河湖水生态系统失衡、河湖萎缩、水环境污染和水生态破坏的现象[1]。生态文明建设是关系人民福祉和国家前途命运的大事件，也是实现中华民族伟大复兴中国梦的重要组成部分[2]。为了有效地解决水环境治理和保护的问题，我国提出和实施了河长制，即由各级党政主要负责人担任“河长”，负责组织领导所辖区域内相应河湖的管理和保护工作[3]。

近几年来，为了更加高效地运用河长制解决水环境问题，我国又提出了构建智慧河长制平台[4]，即应用现今发展迅速的信息技术对水体进行水质水量监测和数据提取（信息获取端），提供处理后的数据给河长及相关职能部门（信息传输端），使其及时发现并解决水污染和水生态环境失衡的问题。

目前，国内运行智慧河长制管理系统的省份包括浙江、宁夏、山东、广东、江苏等省。浙江省的智慧河长制管理平台起步较早，应用范围广泛，信息功能相对完善。但各城市智慧河长制信息系统都是独立开发的，前期建设和省级平台没有实现系统互联和数据共享的功能，因此，系统管理中包含的河段信息属性与水利部门的信息内容不同步。如果仅仅依靠智慧河长制平台中的信息获取端汲取水质水量及空间信息，再经过信息传输端提供处理后的数据信息，不足以让河长做出快速、准确解决水环境问题的决策。河长及相关人员通常只能凭借已掌握的经验粗略地进行判断和决策处理[5]。

Dunalska等[6]利用Vollenweider（VOL）模型估算了城市湖泊水体营养状况、营养盐来源，并以此指导制订相应的湖泊水质修复方案。与其他复杂动态模型相比，VOL模型误差较大；
Cuddington等[7]利用EFDC（environmental fluid dynamics code）模型将不同藻类组的最大生长速率分配到各区域，利用空间变异解释影响藻类生长的相关因素。EFDC模型的模拟过程忽略了浮游动物和碎屑。WASP（water quality analysis simulation program）模型充分考虑了碎屑、沉积物、细菌、有机污染物等之间的关系，被誉为“万能水质模型”。目前，该模型已被广泛应用于解决溪流、湖泊、水库、河流、河口、沿海等水域的多种水质问题，为研究人员解释和预测水质以应对各种污染管理决策问题提供技术支持。但WASP模型也有局限性，且部分参数在不同水域之间存在差异性，参数值一般只能通过传统反复试参法确定，导致不能准确地模拟特定水域的水质变化。

Aquatox模型具有结构灵活、用户界面简单易用、可为用户提供多种分析手段等优点，是现行最全面的生态风险评估模型之一。该模型已广泛应用于水体有毒物质生态安全阈值评估、营养盐含量分析、气候变化分析、自然资源损害评估等方面。

因为大多数模型的开发在软件环境、硬件环境、数据逻辑、模型精度等方面都有很大的差异，导致许多类似的应用模型有不同的内部结构，而软件开发中各种不同的内部结构又使得架构难以统一，从而导致在解决实际问题时无法有效地应用生态环境模型。针对不同的水务问题，选择合适的应用模型，可大大降低后台体系结构的构建难度，减少模型运行时间，提高应用模型的精度和效率。

将Aquatox模型嵌入智慧河长制平台中，对水体环境变化进行模拟，在平台数据库中，可快速获得模拟起始过程所需的数据（包括气象因素、水文因素、氧、营养盐、有机物等），从而节省在建立相应模型时对不同水体环境问题进行模拟的准备时间。

本文着力介绍在智慧河长制平台中嵌入Aquatox生态环境评估模型，构建平台的决策辅助端，提供不同场景下水环境问题的处理方案，帮助河长和相关职能部门高效、准确地决策处理水环境问题。

1.1 生态环境风险评估模拟系统构建核心思路

近年来快速发展的计算机技术促进了深入研究水环境模型的步伐，随着河长制在全国的推广，在综合治理水环境的过程中需要用到大量的应用模型。水环境模型需要描述各类化学物质在水环境中的运移转化，涉及物理、化学、生物等过程，所以这种模型普遍比较复杂[8]。

选取在智慧河长制平台中嵌入生态环境风险评估模型，既增强了平台辅助水环境处理和水生态修复的能力，又可利用平台的大数据处理系统，深入了解模型的处理机制和方式，实现后期脱模型的智慧模拟评估系统。

已建成的生态风险模拟评估体系，依托辽宁省内水务信息化公众资源，建立以信息数据库、平台调度、获取端、处理端、互联网传输、云端呈现，即“云、网、端、平台、库”为核心的水务信息化基础设备，以互联网、水利为理念，结合物联网、大数据，利用云计算等先进技术，构建集水利应用和行业应用于一体的综合决策管理系统，以系统集成为契机，对管理系统进行梳理，为水资源管理提供一站式服务，充分利用现有信息资源，通过可视化图表和统计曲线直观地为水资源管理提供决策服务。

1.2 生态风险评估模拟系统——Aquatox模型

Aquatox模型是美国环境保护署发布的一种水生生态系统模型。它是评价水生态系统中各个组成部分对水环境影响的一种通用生态风险模型。它能模拟污染物在水体中的迁移路径，如有机物、营养盐等，分析污染物对鱼、无脊椎动植物和水生植物的影响。该模型包括五个参数库，其中有很多预置的模型参数[9]。可采用模型的默认输入参数，也可根据模拟研究对象的具体情况进行参数设置。通过建立水质与生物利用之间的生物反应因果链，Aquatox可以预测特定营养物质对水生态系统的影响[10]。

该模型能准确预测水体中有机质和养分的时空变化。该方法能够模拟水质阈值浓度，确定各种水质参数的变化，为TMDL（total maximum daily load）的开发提供技术支持。该模型的核心部分是食物网模块，它能准确地计算出食物链中的污染物浓度，评价复杂水生生态系统中有毒应激的直接和间接影响。

Aquatox模型是目前生态风险评价中最全面的模型之一。它具有结构灵活、用户界面简单的优点，可以为用户提供多种分析方法。它已广泛应用于水体毒物分析、营养盐分析和资源损害评价。

图1 Aquatox模型的运行过程Fig.1 Flow chart of Aquatox model

1.3 智慧河长制平台架构

智慧河长制平台是为了解决我国近年来频繁出现的水环境问题，运用互联网和计算机技术构建的一个系统。平台基础构成包含了信息获取端、信息传递端、信息处理端、信息呈现端、信息决策端五个层面，为全省信息化建设，市县河总办、水利、环保、农业等部门处理水务问题提供服务。这五个层面共同作用使平台达到了基础信息的获取、处理、共享、辅助服务的模块化和一体化。平台基础架构见图2。

图2 智慧河长制平台框架Fig.2 Framework of platform for smart river chief system

智慧河长制平台通过使用不同的信息采集技术，将所需要的水质、水量及水体空间数据快速地通过互联网传输到平台的后台数据处理中心，再根据不同的情况综合分析处理后加以呈现。

通过使用智慧河长制应用后台提供的信息，系统输入端可以获得基本数据（水质、水量和水体环境空间数据），并可以通过配置在河流或湖泊中的实时监测设备获取监测数据。各职能部门根据掌握的水污染控制、水环境治理和水生态修复技术做出初步决策（决策时已经采用了合理的方法进行）。所采取的措施包括：在水体中加入多种药剂、多种水生植物和动物等，或者通过改善水流速度来防治水体污染，再将决策处理方案输入模拟系统进行水体的生态化模拟。

运行端依靠基本的软件运行架构，再加上平台开发人员根据实际问题对平台进行优化，模拟水环境系统中有机物、营养素和其他污染物在水体中的迁移路径，并分析其对鱼类、无脊椎动物和水生植物的影响。

将平台信息采集端收集到的短期水体实时监测数据与模拟结果进行交叉比对，验证单次模拟结果的可信度（假定数据相对误差在5%以内即可接受模拟结果，如果模拟结果误差超过5%，则及时反馈并对模型进行优化），最终完成整个模拟过程并输出结果。充分保证了仿真的正确性和可行性。模型主要驱动变量见表1。

表1 模型主要驱动变量Table 1 Main driving variables of Aquatox model

最终由模型输出端给出经过验证的模拟结果，为操作人员提供在设定时间所需的水质、水量和水体空间指标，帮助判断水环境治理与水生态修复方案是否有效，协助河长及各职能部门做出决策。模型在智慧平台上的工作过程见图3。

图3 Aquatox模型在智慧平台上的工作过程Fig.3 Flow chart of Aquatox model on smart platform

以往的决策需要专家小组根据经验来评价。这种方法耗费时间长，对人力、物力、财力的要求也很高。而且如果污染问题得不到及时解决，必然会使水体的污染程度加重[11-12]。

3.1 模型建立

3.1.1 模型的特征参数

输入模型中的湖泊面积为20 km2，容积为2.5×104m3，湖泊最大长度为1 km，平均水深为1.2 m，最大水深为1.4 m，平均水温为11.8℃，年平均蒸发量40 mm，平均光强252 lx/d。

3.1.2 模型状态变量和驱动变量

模型中选用的状态变量和驱动变量共有21个。气象数据（最高气温、最低气温、平均温度、相对湿度、降雨量、蒸发量、太阳辐射量、大气压强、日照小时数、光强以及风速等）来自气象局监测的同步数据；
水质指标（TN、NH3-N、NO3--N、TP、PH）以及生物数据（藻类）等采用同步月实测数据，大型水生植物及水生动物数据参考中华人民共和国生态环境部相关资料；
水位、水量等水文资料取自全国分布式水文数据库系统（NDHDBS1.0版）。

3.1.3 模型参数的率定

在率定过程中，首先以原有模型中的标准湖泊参数为基础，再依据相关文献提供的参数值、参数范围以及相关的监测值和实验值确定初始值，然后通过模型反复试算来确定参数的取值。模型率定的主要矿化参数：消光系数为0.009 L/（mol·m），不稳定碎屑最大分解速率为0.25 g/d、稳定碎屑最大分解速率为0.01 g/d、矿化碎屑最大分解速率为15 g/d，碎屑沉降速率为0.58 m/d，碎屑降解最小pH为5、最大pH为8.5。

3.2 模拟结果与实测值的比较

Aquatox模型在智慧河长制平台上建立并稳定后，利用数据库中某湖的同步水质监测数据（在平台数据库中随机选取某湖水体，以保证模拟效果的可信度）对模型模拟结果进行了验证。效果评价以全湖NH3-N、、pH、TP、DO和平均水温这6个水质指标为主要验证对象，将结果与实际监测值进行比对。这些数据相互独立。将全年水质变化（平均水温、pH、NH3-N、、TP、DO）的模拟结果与图4中的实测值进行比较，使用相对误差平均值来验证结果（测量值是平台数据库收集的后期监测值）。

图4 水质指标误差分析Fig.4 Error analysis of water quality index

模拟结果误差较小，接近实测值。模拟水质的变化趋势基本上能反映水环境的年际变化。除了数据收集时间外，模拟只需要大约5 min。随着计算机处理能力的提高，模拟时间将大大缩短，这对水环境治理无疑是一大利好。

通过水质环境变化的模拟反演和水生沉水植物演替规律，各指标的数值模拟结果与实测值吻合较好，能够准确反映湖泊水质的实际情况。

表2 模拟结果误差分析Table 2 Error analysis of simulation results

3.3 污染控制方案评估

从平台获取了该水体在给定时间内的水质、水量变化，再针对该变化设计出应对方案并继续进行处理效果的模拟预测，以此来辅助决策。

根据平台数据处理端中综合数据处理系统对入湖负荷的计算结果，再由大数据处理系统根据数据经验判断出雨水径流面源污染是入湖主要污染负荷。为了控制雨水污染，降低雨水径流入湖的污染物负荷浓度，河长选择了采用三种常用的LID（low impact development）控制措施对污染流域污染负荷进行控制，并应用基于Aquatox的生态环境风险评估系统模拟该方案的处理效果。三种控制污染负荷的方式分别是垂直流人工湿地、下沉式绿地和生态滞留塘。其中，垂直流、下沉式绿地和生态滞留塘分别占陆地集水面积的10%、50%和15%。模型的流量输入数据为当地多年气象监测数据（通过智慧河长制平台获取），模拟水质指标设置为NO3--N、NH3-N、TN和TP。

利用综合数据处理系统计算入湖污染物负荷，将入湖负荷分为点源负荷、非点源负荷和直接接触负荷。非点源负荷是NH3-N的主要来源，点源负荷是TP和TN的主要来源。为了探索降低水体营养盐浓度的措施，根据Aquatox模型的模拟结果，采用LID方法分别使TN和TP的降雨径流污染负荷降低了59.34%和58.39%，NH3-N负荷降低了21.94%。

模型输出结果由平台信息呈现端对应系统整合，比对图5后得出如下结论：NH3-N、TN和TP含量都有所降低，自8月以来，TP已经达到了2002年的国家标准。TP虽然有所减少，能达到非湖泊水库等水体0.3 mg/L的标准，但仍不能达到湖泊、水库等水体0.1 mg/L的标准。夏季7—9月雨季集中度较高，NH3-N减少效果明显，平均减少58.31%；
相反，非雨季时期NH3-N的降幅较小。TN的降幅随时间发生显著变化，与NH3-N的趋势接近，TN的整体降幅也很明显，其平均去除率为42.2%，峰值时段为51.6%。TP平均去除率为38.57%，全年稳定。但由于TP现有浓度水平较高，去除后的浓度仍不符合标准要求。

图5 削减入湖污染负荷对水质的影响Fig.5 Impact of reducing pollution load into the lake on water quality

初步处理方案的模拟预测结果表明，该方案对降低NO3--N、NH3-N、TN、TP负荷有一定效果，但针对TP负荷效果仍不够明显，NH3-N负荷的削减效果在非雨期不够理想。所以该处理方案需要在TP和NH3-N负荷上再考虑附加其他的处理方案或改变垂直流人工湿地、下沉式绿地和生态滞留塘分别占陆地汇水面积的比例，重新进行方案的有效性模拟检验，以此起到辅助决策的作用。

（1）本文基于水环境处理和水生态修复两大问题的应对特点，设计构建了基于Aquatox的生态环境风险评估系统，并应用其对随机水体进行模拟（有严重污染负荷的水体和富营养化问题）。通过对模拟结果的分析判断得出：嵌入后的模型可以通过平台数据库快速采集水体生态环境的构建数据，同时模型也能快速、准确地实现对技术方案处理效果的模拟预测。该模拟预测结果为河长及相关职能部门的处理决策提供了辅助参考。

（2）该系统在模拟过程中预测水体TP、NO3--N含量和实际值之间存在误差，有可能是监测数据中水样沉降实际控制问题引起的，后续在系统构建过程中应进行对应优化。在模拟结果中DO和NO3--N的含量与监测数据误差分别达到了35%和20%，可能是监测水源采样搅动不均造成，同样应针对该问题进行系统优化。

（3）Aquatox生态环境模型在平台运行时的处理方案预测功能有望结合大数据信息处理系统，通过机器学习等方法，提高预测精度，以达到处理水环境问题的完全智慧化。