基于貝葉斯網(wǎng)絡(luò)的水質(zhì)風(fēng)險(xiǎn)分析.pdf

1、長(zhǎng)期以來，水環(huán)境的治理效果受到許多不確定性因素的影響，這些不確定性來源于監(jiān)測(cè)資料的短缺以及人類認(rèn)識(shí)水平的有限性。不確定性總是存在，不可能完全被消除，此時(shí)，傳統(tǒng)的確定性研究方法表現(xiàn)出不適應(yīng)性。量化污染物預(yù)測(cè)結(jié)果的不確定性并制定考慮不確定性的管理決策成為目前的研究熱點(diǎn)。概率統(tǒng)計(jì)理論可以量化隨機(jī)不確定性，是目前最主要的不確定性研究方法。基于概率統(tǒng)計(jì)理論的不確定性研究方法又分為基于機(jī)理模型的方法和基于統(tǒng)計(jì)模型的方法。傳統(tǒng)的貝葉斯網(wǎng)絡(luò)是一種統(tǒng)計(jì)模

2、型，基于數(shù)據(jù)驅(qū)動(dòng)，通過數(shù)據(jù)來建立變量間的統(tǒng)計(jì)關(guān)系。此外，還存在一種特殊的貝葉斯網(wǎng)絡(luò)，它利用機(jī)理模型代表變量間的關(guān)系，是基于機(jī)理模型的方法和基于統(tǒng)計(jì)模型的方法的融合。
　　 本文以錢塘江流域的子流域東陽(yáng)江流域?yàn)榘咐?，利用概率統(tǒng)計(jì)理論量化水質(zhì)超標(biāo)風(fēng)險(xiǎn)。先后建立了基于機(jī)理模型的貝葉斯網(wǎng)絡(luò)BN1以及基于數(shù)據(jù)驅(qū)動(dòng)的貝葉斯網(wǎng)絡(luò)BN2。前者用于計(jì)算不同降雨和氣溫條件下的水質(zhì)超標(biāo)風(fēng)險(xiǎn)，后者用于計(jì)算考慮降雨和氣溫隨機(jī)性時(shí)的水質(zhì)超標(biāo)風(fēng)險(xiǎn)。BN1的優(yōu)

3、勢(shì)是能夠基于少資料建模，BN2的優(yōu)勢(shì)是推理迅速，適用于大量的風(fēng)險(xiǎn)計(jì)算。本文對(duì)兩種方法取長(zhǎng)補(bǔ)短，實(shí)現(xiàn)了優(yōu)勢(shì)互補(bǔ)。此外，以2020s時(shí)期(2011-2030年)為預(yù)測(cè)期，進(jìn)一步研究了氣候變化對(duì)東陽(yáng)江水質(zhì)超標(biāo)風(fēng)險(xiǎn)的可能影響，以便決策者對(duì)未來水質(zhì)情況進(jìn)行評(píng)估并做出預(yù)防性決策。論文的主要內(nèi)容和成果如下：
　　 (1)建立了基于降雨徑流模型和水質(zhì)模型的貝葉斯網(wǎng)絡(luò)BN1，將本案例的主要控制變量、中間變量和響應(yīng)變量相互連接，并用降雨徑流模型、水

4、質(zhì)模型等機(jī)理模型(即子模型)來代表各變量之間的關(guān)系。利用一種新的MCMC算法一DRAM，對(duì)子模型進(jìn)行貝葉斯參數(shù)估計(jì)(亦即對(duì)BN1的參數(shù)估計(jì))，然后通過對(duì)BN1進(jìn)行MC隨機(jī)模擬實(shí)現(xiàn)了不同降雨、氣溫、水庫(kù)下泄流量和點(diǎn)污染源排放條件下的水質(zhì)超標(biāo)風(fēng)險(xiǎn)計(jì)算。并利用DRAM將點(diǎn)源與BN1的水質(zhì)模型參數(shù)一同進(jìn)行貝葉斯參數(shù)估計(jì)，既有效量化了不確定性，又突破了數(shù)據(jù)的限制實(shí)現(xiàn)了少資料地區(qū)建模。
　　 (2)建立了基于數(shù)據(jù)驅(qū)動(dòng)的貝葉斯網(wǎng)絡(luò)BN2，選擇

5、6月和12月為典型月份，將月均降雨和月均氣溫的隨機(jī)分布輸入BN1進(jìn)行隨機(jī)模擬，利用基于概率分布的柔性離散方法對(duì)降雨、氣溫以及BN1模擬產(chǎn)生的隨機(jī)數(shù)進(jìn)行離散以用于訓(xùn)練BN2的參數(shù)，最后利用BN2推理計(jì)算了減排前后考慮降雨和氣溫隨機(jī)性的水質(zhì)超標(biāo)風(fēng)險(xiǎn)。此外，還計(jì)算了增加水庫(kù)下泄流量對(duì)水質(zhì)超標(biāo)風(fēng)險(xiǎn)的影響，結(jié)果顯示，通過增加水庫(kù)下泄流量可以有效降低水質(zhì)超標(biāo)風(fēng)險(xiǎn)。BN2的一個(gè)重要優(yōu)勢(shì)是推理計(jì)算迅速，當(dāng)參數(shù)估計(jì)完畢，各類風(fēng)險(xiǎn)計(jì)算可以通過推理計(jì)算很快完

6、成。尤其是當(dāng)隨機(jī)模擬次數(shù)比較多、風(fēng)險(xiǎn)計(jì)算量比較大、機(jī)理模型比較復(fù)雜時(shí)，BN2的效率要明顯高于BN1。
　　 (3)擇2020s時(shí)期為預(yù)測(cè)期，利用大氣環(huán)流模式HadCM3在A1B、A2和B1三種氣候情景下的預(yù)測(cè)結(jié)果，并選擇天氣發(fā)生器對(duì)預(yù)測(cè)結(jié)果進(jìn)行降尺度處理生成逐日降雨和氣溫?cái)?shù)據(jù)。結(jié)果顯示2020s時(shí)期東陽(yáng)市的月均降雨量和月最高、最低氣溫沒有明顯變化，但強(qiáng)降雨和高溫天氣發(fā)生的概率增加。然后利用BN2計(jì)算了2020s時(shí)期考慮降雨和氣溫