【基于太湖流域重点断面水质监测指标的水环境质量变化趋势与评价研究14000字】

绪论水资源是人们赖以生存的重要资源，水资源的好坏优劣关系着我们每个人的生活生存状态。在过去的几十年里，中国经济的快速发展是以牺牲环境为代价的。内陆水体的地表水质量普遍恶化是对人类健康和生态系统服务的最严重的环境威胁之一。特别是自2001年以来。中国内陆地表水水质目前既面临着日益严重的人为干扰，特别是城市生活污水排放和农业非点源污染，也面临着日益加大的环境保护力度，主要集中在点源污染治理和城市环境基础设施建设。政府相关部门在废水排放标准和污染控制战略方面进行了大量投资，以解决水污染危机和促进生态环境恢复（汪杰2020）。过去几十年中，随着太湖流域人口的增长和经济的快速发展，水体接纳的排污量持续增大，水环境问题逐步突出。因此，了解太湖水环境的现状，确定整治的重点，对于保证整个太湖流域经济带的社会、经济可持续发展具有十分重要的战略意义。此研究是通过收集到的太湖流域重点断面水质监测指标，全面而系统的了解和掌握太湖流域水环境质量变化趋势，采用多种较为新颖、适用范围广、计算方便的评价方法，对太湖流域水环境进行评价，选择科学的、规范的评价方法，准确地反映当前的水体质量和污染情况，为太湖流域水污染的控制提供理论依据，为治理太湖水体污染提供指导方针。研究区域概况自然环境基本概况太湖流域位于长三角南部，北面直抵长江，东面临近东海，南面濒临钱塘江，西面靠近天目山茅山。流域总面积三万六千九百平方公里，主要包括江苏的苏州、无锡、常州，浙江省的嘉兴、湖州，上海。其中江苏地区约占53.1%，浙江地区约占33.4%，上海地区约占13.5%。太湖流域地形以平原为主，约占1/3，河湖水域约占1/6，其余为丘陵和山地。地势特点，西南方略高，东北方略低，四周较高，成碟状。西面是天目山和茅山的一部分，中间是以太湖为中心的平原、河网和洼地，东、南、北三面因受到长江口和杭州湾的泥沙淤积影响，地势相对比较高（冯可2015），成沿江和沿海高地。太湖流域河网密布，湖泊众多，水域面积总计6135平方公里，湖泊和河道约各占一半。河道总长度达12万余公里，平原地区河道密度每平方公里约3.2公里，纵横交错，为典型的“江南水乡”。作为中国第三大淡水湖，太湖北临无锡，南濒湖州，西接宜兴，东邻苏州，水域面积为2338.1平方千米，常年平均水深1.89米，水位2.99米时的库容为44.23亿立方米。环湖岸线全长394公里，其中江苏段335公里，占85%，浙江段59公里，占15%。太湖流域自然条件较为优越，水陆交通较为便利，农业生产条件较好，工业基础发达，经济基础雄厚，人口稠密，劳动力素质高，科技教育力量较强，市场化水平较高，信息流通较为迅速，基础设施和投资环境较好，是我国沿海主要对外开放地区。太湖流域的面积约占全国的0.4％，人口约占全国的3％，GDP约占全国的10％（冯可2015）。材料和方法监测点位水质监测分为环境水体监测和水污染源监测，为了掌握水质现状及其变化趋势，同时也为开展水环境质量评价和预测、预报提供基础数据和技术手段。在本次研究中选取了太湖流域国家重点监测断面的水质自动监测数据。太湖流域各个监测断面名称及经纬度见表2-1。表2-1太湖流域各监测断面名称及经纬度断面编号断面名称经度纬度1江苏无锡沙渚站120°13′46″31°23′58″2江苏宜兴兰山嘴站119°54′43″31°12′56″3江苏苏州西山站120°12′00″31°13′00″4浙江湖州新塘港站120°50′20″30°50′50″5上海青浦急水港站120°54′06″31°06′56″6浙江嘉兴王江泾站120°42′31″30°53′06″7浙江嘉兴斜路港站120°42′31″30°53′06″监测数据来源作者从国家环境监测网(NEMN)收集了2009-2018年太湖流域水质采样点每周的DO、CODMn和NH3-N浓度数据。在国家环境监测网中，根据《中国地表水和废水监测技术规范要求》，编制了选址、采样时间和采样数量的确定、采样程序以及3个水质指标的测量方法。太湖流域水环境质量趋势分析及评价太湖流域水质时空分布特征数据分析方法运用MATLAB2016、MicrosoftExcel数据统计软件对2009——2018年太湖流域水质监测数据进行预处理和分析，采用Origin2018和Excel绘制指标浓度变化趋势图和时空分布图。表3-1太湖流域重点监测断面水质监测指标浓度值监测站点指标年份2009201020112012201320142015201620172018江苏无锡沙渚站DO8.939.169.8610.078.598.679.089.769.959.00CODMn3.403.583.613.524.193.663.663.743.613.06NH3-N0.300.220.250.280.150.140.190.220.180.21江苏宜兴兰山嘴站DO7.488.028.017.878.168.227.627.479.668.38CODMn5.275.324.264.127.006.927.337.244.455.60NH3-N0.610.540.870.430.290.360.360.250.270.35江苏苏州西山站DO8.948.287.227.347.348.448.567.039.979.80CODMn3.323.104.134.204.313.933.923.664.013.04NH3-N0.210.130.170.130.190.160.170.140.220.27浙江湖州新塘港站DO8.989.069.349.458.378.507.758.248.327.41CODMn3.933.954.394.514.674.003.153.563.613.16NH3-N0.370.320.420.410.220.330.390.380.380.28上海青浦急水港站DO6.606.817.045.446.685.896.057.776.937.34CODMn4.474.553.934.493.834.043.554.004.004.23NH3-N2.151.681.771.410.880.701.131.120.570.34浙江嘉兴王江泾站DO4.103.664.363.553.453.713.944.775.545.04CODMn5.395.996.106.336.516.555.595.536.025.64NH3-N1.151.391.651.551.371.090.690.790.980.77太湖流域主要污染因子时空变化特征2009年-2018年主要污染因子年际变化特征通过对太湖流域2009年-2018年水质监测数据的收集整理，结合水利部太湖流域管理局水资源公报和水质月报中的数据资料，利用溶解氧（DO）、高锰酸钾指数（CODMn）、氨氮浓度（NH3-N）这三项指标作为本次流域主要污染因子时空变化的主要分析指标。现绘制水质监测指标浓度年际变化如下图。图3-1DO浓度年际变化图3-1为太湖流域重点监测断面水质指标溶解氧浓度的年际变化过程，由于在水环境质量评价中，水中溶解氧的浓度越大，水环境质量越高。因此从图中可以看出，太湖流域重点监测断面的溶解氧浓度在2009年-2018年10年间在部分断面有波动，但总体上溶解氧浓度呈上升趋势。但是，对于浙江湖州新塘港站，在研究的10年期间溶解氧浓度总体上呈现了下降趋势，说明浙江省湖州市在水环境质量监测和治理方面存在明显问题。自2017起，太湖流域重点监测断面的溶解氧浓度均超过Ⅲ类水质标准中的溶解氧浓度阈值，表明该流域水环境质量达到了区域水环境质量的要求。需要注意的是，在2018年除上海青浦急水港站外的太湖流域重点监测断面溶解氧浓度均比前一年浓度下降，说明水环境治理工作仍需加强，水环境污染监管措施仍需从严，处罚力度仍需从重，从而保证流域水环境质量符合国家要求。图3-2CODMn浓度年际变化图3-2为太湖流域重点监测断面水质指标高锰酸钾指数浓度的年际变化过程，在水环境质量评价中，高锰酸钾指数浓度越低水环境质量越高。从上图可以看到，在2009年-2018年10年间，太湖流域重点监测断面的该项水质指标浓度均存在波动，但总体上呈现出下降趋势。水质状况有所改善。对于江苏宜兴兰山嘴站点，在研究的10年期间，高锰酸钾指数浓度存在着较大波动，该区域的水环境管理和监测工作存在漏洞。自2017起，太湖流域重点监测断面的高锰酸钾指数浓度均低于Ⅲ类水质标准中的高锰酸钾指数浓度阈值，表明该流域水环境质量达到了区域水环境质量的要求。图3-3NH3-N浓度年际变化图3-3为太湖流域重点监测断面水质指标氨氮浓度的年际变化过程，在水环境质量评价中，氨氮浓度越低水环境质量越高。从上图可以看到，在2009年-2018年10年间，太湖流域重点监测断面的该项水质指标浓度虽然存在波动，但总体上呈现出明显的下降趋势。尤其是对于江苏宜兴兰山嘴站、上海青浦急水港站、浙江嘉兴王江泾站，这三个监测断面的氨氮浓度下降最为明显。同时，自2017起太湖流域重点监测断面的氨氮浓度均低于Ⅲ类水质标准中的氨氮浓度阈值，表明该流域水环境质量达到了区域水环境质量的要求。2009年-2018年主要污染因子时空变化特征由于水质监测数据的限制，无法获得太湖流域从河流源头、河流中段至流域出口断面等监测断面的水质监测数据。因此，仅从前文所述的重点监测断面中，依据空间位置选取了能够在一定程度上代表该流域水质指标时空变化的三个监测断面，分别为：江苏无锡沙渚站、江苏苏州西山站、上海青浦急水港站。利用处理后的水质监测数据，结合Origin2018软件进行制图，得到了太湖流域水质监测断面年际数据时空变化图。图3-4、5、6中，纵坐标数字表示监测断面，其中江苏无锡沙渚站、江苏苏州西山站和上海青浦急水港站监测断面分别表示为1、2、3；横坐标表示2009年-2018年共计10年的研究时间。图3-42009-2018年溶解氧指标浓度时空变化溶解氧浓度值越大水质越好，表征水体自净能力。从图3-4可以看出，太湖流域2009年-2018年的溶解氧浓度水质数据时空分布状况看，该流域水质均处于Ⅲ类水质及以上，水环境质量较好。但从上图看出，从江苏无锡沙渚站到江苏苏州西山站，再到上海青浦急水港站该项水质指标浓度逐渐减小，表明水环境质量在沿程降低。图3-52009-2018年高锰酸钾指数浓度时空变化高锰酸钾指数浓度值越小越好。从图3-5可以看出，2009年-2018年太湖流域的三个重点监测断面均满足要求，最大值出现在2009-2010年间，该项指标的空间差异较大。从三个断面的时间分布状况分析来看，大致上流域上游高锰酸钾指数浓度低于下游浓度，并且自2017年以后该项指标浓度明显降低。图3-62009-2018年氨氮指标浓度时空变化氨氮指标浓度越小越好，从图3-6可以看出，该项指标的空间分布状况差异明显。江苏无锡沙渚站和江苏苏州西山站该项指标满足地表水Ⅲ类标准。对于上海青浦急水港站点该项指标虽自2009年逐年下降，但直至2017年该项水质指标浓度才降至Ⅲ类水质标准以下。水环境质量监测与评价地表水环境质量监测地表水环境质量监测的目的是在研究区域选择适当的水环境信息系统分析方法对有可能对水体污染造成影响的水质指标进行浓度监测，通过指标浓度监测后掌握水环境质量变化动态及各指标的变化规律，为后期的地表水环境质量评价的准确性和水资源利用与保护提供科学有效的数据资料（张万顺和王浩2021）。地表水环境监测内容主要是为水环境质量评价和后期的水环境污染防治措施提供具有代表性和准确的水质监测数据。明确水体污染中主要污染因子的时空分布特征及演变规律，预测水体污染变化趋势（连慧姝等2017）。地表水环境质量评价地表水环境质量评价标准地表水环境质量评价标准是根据国家颁布的相应地表水质量标准。我国最早是在1983年编制的，并于1989年、1999年和2002年进行了3次修订，目前现行的标准为《地表水环境质量标准》(GB3838—2002)。该标准适用于我国的领域内的江河、湖泊、运河、渠道、水库等具有使用功能的地表水水域（吴梦烟等2018）。依据地表水的使用目的和保护目标，划分如表4-1所示。表4-1地表水功能区划分类型适用范围Ⅰ类主要适用于源头水、国家自然保护区。Ⅱ类主要适用于集中式生活饮用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产卵场、仔稚幼鱼的索饵场等；Ⅲ类主要适用于集中式生活饮用水地表水源地二级保护区、鱼虾类越冬场、洄游通道、水产养殖区等渔业水域及游泳区；Ⅳ类主要适用于一般工业用水区及人体非直接接触的娱乐用水区；Ⅴ类主要适用于农业用水区及一般景观要求水域。对应上表中五类水域的功能，将地表水环境质量标准基本项目标准值分为五个等级，不同的功能执行相应的标准值，本文只选取了3项参评指标标准限值如表4-2所示。太湖流域水环境质量趋势分析及评价表4-2《部分地表水环境质量标准》单位：mg/L水质等级溶解氧高锰酸盐指数氨氮Ⅰ≥7.5≤2.0≤0.15Ⅱ≥6.0.≤4.0≤0.5Ⅲ≥5.0≤6.0≤1.0Ⅳ≥3.0≤10.0≤1.5Ⅴ≥2.0≤15.0≤2.0基于污染指数法的太湖流域水质评价污染指数法水质评价方法的特点是用各种污染物质的相对污染值，进行数学上的归纳与统计，得出一个较为简单的数值，用以代表水体的污染程度，也可用它进行水体污染的分类和分级。污染指数法主要有单因子评价指数和多因子评价指数两种方法（杨磊磊等2012）。在本文中选取单因子评价指数法对太湖流域水环境质量进行评价。当评价某水质参数(i)对人体健康和水环境的影响程度时，直接采用监测的浓度值不能全面的反映污染的程度，为了表示该污染物对水环境质量产生的等效影响程度，常采用该污染物在水中的实测浓度与其在水中环境标准的允许浓度（评价标准）进行比较，求得单参数的污染指数（杨维等2011）。常采用算术平均值法，即(4-1)(4-2)式中：为某种污染物的相对污染值；为某种污染物实测浓度值；为某种污染物的评价标准；为某种污染物的污染指数；为某种污染物的实测次数。当时说明该污染物超过评价标准，不能满足环境质量要求。当时则能满足环境质量要求。公式(4-1)适用于有上限的污染物。对于有下限的污染物，例如DO：(4-3)对于具有最高、最低标准的污染物，例如pH，则(4-4)运用公式(4-1)、(4-2)、(4-3)和表3-1中的水质监测数据，计算出太湖流域各重点监测断面单因子指数水质评价结果如附表1所示。研究期内各断面水质评价结果如表4-3所示。表4-3基于单因子指数法的水质评价结果监测站点年份2009201020112012201320142015201620172018江苏无锡沙渚站ⅡⅡⅡⅡⅢⅡⅡⅡⅡⅡ江苏宜兴兰山嘴站ⅢⅢⅢⅢⅣⅣⅣⅣⅢⅢ江苏苏州西山站ⅡⅡⅢⅢⅢⅡⅡⅡⅢⅡ浙江湖州新塘港站ⅡⅡⅢⅢⅢⅡⅡⅡⅡⅡ上海青浦急水港站劣ⅤⅤⅤⅣⅢⅢⅣⅣⅢⅢ浙江嘉兴王江泾站ⅣⅣⅤⅤⅣⅣⅣⅣⅣⅢ由上表可以看出，对于整个流域重点监测断面上的水环境质量在研究期间正逐年提高。尤其是对于上海青浦急水港站，从2009年处于劣Ⅴ类水到2017年已经符合地表水Ⅲ类水质标准。自2017年起，太湖流域上重点监测断面水质均已符合地表水Ⅲ类水质标准，表明太湖流域相关环保部门在水环境质量监测、管理和治理方面，成效显著。基于模糊综合评价法的太湖流域水质评价模糊综合评价法是通过构造评价指标等级模糊子集，把评价指标进行量化，然后根据模糊复合运算，得出反映优劣变化评价指标的评价等级。其评价步骤为：根据所选择的的评价指标，构建评价指标集合，即有i个评价指标根据评价指标的相应评价标准，确定评价指标评判标准集合，即代表评价等级的集合（有j个等级），每一等级可对应一个模糊子集。建立隶属函数评价指标的实测浓度值隶属于评价标准集合中不同评价等级的程度，为隶属度。隶属度可通过隶属函数求得，根据水质等级标准构建隶属函数如下：当时，隶属度函数为(4-5)当(4-6)当时(4-7)式中：为某种污染物实测浓度值；为某种污染物的评价标准；建立模糊关系矩阵(4-8)评价因子权重值计算对各参数给予权重，可采用按照各分指标超标情况进行加权，超标越多，权重越大。权重值为(4-9)式中：为第i种污染物实测浓度值；为第i种污染物某种用途各级水质标准值的算术平均值；为进行模糊计算，将各单项权重进行归一化，即(4-10)对上述集合中的各项指标给予权重，组成一个行矩阵，模糊复合运算(4-11)将上述矩阵进行复合运算，确定水体的综合隶属度。对于模糊矩阵，两数相乘取小者为“积”，诸数相加取大者为“和”。按最大隶属度原则确定水质级别。即从综合隶属度矩阵中选取最大值，其序号即代表评价水体的水质等级。如果矩阵中有两个相等的最大值，则根据相邻数按“靠大不靠小”的原则确定水质等级（冯绍元2016）。下面以江苏无锡沙渚站2009年水质监测数据为例进行模糊综合评价计算：得到的隶属度矩阵如下：计算权重并进行归一化：运用矩阵复合运算得到综合隶属度矩阵：从而得到2009年江苏无锡沙渚站水质监测断面地表水等级为Ⅰ类水。同理利用matlab软件进行编程计算得到隶属度矩阵及其归一化结果，见附表2、3。并进行模糊复合运算，得到太湖流域重点监测断面水质评价的综合隶属度矩阵，见附表4，从而得出该流域地表水水质等级，如表4-3所示。表4-3基于模糊综合评价法的水质评价结果监测站点年份2009201020112012201320142015201620172018江苏无锡沙渚站ⅠⅠⅠⅠⅠⅠⅠⅠⅠⅠ江苏宜兴兰山嘴站ⅠⅠⅠⅠⅠⅠⅠⅠⅠⅠ江苏苏州西山站ⅠⅠⅠⅠⅠⅠⅠⅠⅠⅠ浙江湖州新塘港站ⅠⅠⅠⅠⅠⅠⅠⅠⅠⅠ上海青浦急水港站ⅤⅣⅤⅣⅡⅡⅡⅠⅠⅠ浙江嘉兴王江泾站ⅢⅣⅣⅣⅣⅢⅣⅢⅡⅢ从上述水质评价结果可以看出，太湖流域水环境质量总体上在逐渐提高，并且流域上游水环境质量明显高于中下游。同时，该流域上游地区在整个研究期内水质均达到地表水Ⅰ类水质标准，表明该地区水环境质量处于较高水平。根据上海青浦急水港站和浙江嘉兴王江泾站监测断面的水质评价结果可以看出，太湖流域中下游地区水质在研究期间正逐渐变好。尤其是上海青浦急水港站从2009年的Ⅴ类水，在短短5年时间就达到Ⅱ类水质标准。基于T-S模糊神经网络的太湖流域水质评价T-S模糊模型T-S模糊理论系统能够利用不多的模糊数学规则从而得到较为繁杂的非线性函数，进而保证系统在处理含多个变量问题时能够确切地减少模糊规则数量，保证系统的优越性（周忠寿2007）。T-S模糊理论系统通常使用“if-then”的逻辑形式定义，在以Rⅈ为前提条件下，该理论系统模糊推理表示如下（王小川等2013(4-12)式中：为模糊系统的模糊集；为模糊系统参数；为根据模糊规则得到的输出值，输入部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。假设对于输入量,首先根据模糊规则计算各输入变量的隶属度：(4-13)式中，隶属度函数的中心和宽度分别为，；输入参数为；模糊子集数为。对上述各隶属度进行模糊运算，将模糊算子作为连乘算子：(4-14)根据模糊计算结果从而得到模型的输出值yi(4-15)T-S模糊神经网络T-S模糊网络模型一般有四层分别为输入层、模糊化层、模糊规则计算层与输出层（王小川等2013）。其模型网络的输入层通过向量相联系，因此模型网络节点个数与输入向量维数保持一致。模糊化层利用隶属度函数式（4-13）将输入值进行模糊化处理得到隶属度值。通过采用连续相乘（4-14）得到模糊计算层中的。通过式（4-15）获取该模糊模型系统中输出层的输出值。模糊神经网络的学习算法如下。误差计算(4-16)式中，网络期望输出为；网络实际输出为；期望输出和实际输出的误差为。系数修正(4-17)式中，神经网络系数为；网络学习率为；网络输入参数为；输入参数隶属度连乘积为。参数修正(4-18)式中，、各自为模糊规则中代表隶属度函数的宽度和中心值。模型建立神经网络模型的学习建立需要大量的样本数据，一般神经网络水质评价样本主要有依据标准值随机产生和等距均匀随机产生两种方法得到（刘坤等2007），经过训练建模对比，作者得出等距均匀随机产生样本的误差更小，结果更精确，因此本文利用在各标准水质等级的区间内随机等距获取100个样本数据（汪新波等2013），得到500个样本数据集。随机选择数据集450个样本数据生成神经网络的训练集，其余50个样本成为测试集。开始神经网络训练之前，利用归一化函数把所有数据集样本变成成0-1之间的样本数据（白雁翎等2017）。因为作为输入数据的水质指标有3个，作为输出数据的水质等级唯一，该神经网络模型的拓扑结构为3-6-1，模型有6个隶属度函数。进化次数为1000，训练精度为10-4。该网络模型的输出和实际等级差值在[-0.5，0.5]的范围内上下波动，模型输出值与所代表的水质等级如表4-4。模型最后输出结果以及水质等级结果的相互对应关系如表4-5、表4-6。太湖流域6个国控监测站水质等级评价结果见表4-6。表4-4水质等级与对应输出值水质等级ⅠⅡⅢⅣⅤ输出值[0,1.5](1.5,2.5](2.5,3.5](3.5,4.5](4.5,∞)图4-1基于T-S模糊神经网络的水质评价输出值表4-5神经网络水质评价的输出值监测站点年份2009201020112012201320142015201620172018江苏无锡沙渚站1.451.381.381.391.471.331.371.381.291.27江苏宜兴兰山嘴站2.282.192.361.822.252.302.412.291.602.01江苏苏州西山站1.331.221.551.511.611.431.431.431.431.29浙江湖州新塘港站1.651.591.781.791.671.641.581.621.631.47上海青浦急水港站4.003.443.443.172.362.232.642.612.011.77浙江嘉兴王江泾站3.073.463.773.723.523.182.592.652.912.64表4-6基于T-S模糊神经网络的水质评价结果监测站点年份2009201020112012201320142015201620172018江苏无锡沙渚站ⅠⅠⅠⅠⅠⅠⅠⅠⅠⅠ江苏宜兴兰山嘴站ⅡⅡⅡⅡⅡⅡⅡⅡⅡⅡ江苏苏州西山站ⅠⅠⅡⅡⅡⅠⅠⅠⅠⅠ浙江湖州新塘港站ⅡⅡⅡⅡⅡⅡⅡⅡⅡⅠ上海青浦急水港站ⅣⅢⅢⅢⅡⅡⅢⅢⅡⅡ浙江嘉兴王江泾站ⅢⅢⅣⅣⅣⅢⅢⅢⅢⅢ根据T-S模糊神经网络的输出结果可以看出，太湖流域水环境质量总体变优，该流域自2014年起，全流域已达到地表水Ⅲ类水质标准。与此同时，流域上游水环境质量明显优于下游地区。几种水质评价方法的优缺点及适用性单因子指数法该方法是我国水质评价中运用较广泛的方法之一，以选择评价指标的最差标准作为该水体最终的水质等级（丛铭等2021），其优点就是计算简单，能够识别水体主要污染物质，评价结果客观准确。缺点是对评价区水环境污染仅能做定性的描述，单因子指数法不能综合的反映水体污染状况。模糊综合评价法水质评价的对象是一个具有多层次和多因子复杂影响下的水环境结构体系。因此，为了对这个复杂的水环境体系进行系统性的综合评价，不同的方法都具有其局限性和适用范围。模糊综合评价法是目前在水环境质量评价中应用比较成功的方法之一，该评价模型不仅考虑了评价对象的模糊性，还考虑到了评价对象的层次性，并且可以做到定性与定量评价相结合，扩大评价对象的信息量，提高了评价精度；另一方面，模糊综合评价法还可充分发挥执行者的经验，结合评价区域的地理特性，使得价结果更为客观和符合实际情况。但是模糊综合评价也有其缺点，计算量大，对指标的权重确定具有较强的主观性；当评价指标过多时，在指标权重的和为1的条件限制下，指标的相对权重往往会偏小，权重向量与模糊矩阵R匹配度不高（谢裕锋2019），导致评价结果分辨率不高甚至评价失败。T-S模糊神经网络法T-S模糊神经网络，把T-S模糊规则理论以及人工神经网络两者优点相互联合，有效地消除模糊规则隶属度函数因主观因素而产生的影响（张宇等2012）。依据现在的计算机技术能够快速的完成计算，得到结果。根据神经网络的特点，水质参数指标越多，时间尺度越小，建立的模型越精确，得到的水质评价结果也越准确。同时，根据不同的研究区域和水质指标，仅需要修改部分代码就能完成计算任务，具有较强的适用性。参考文献附录结论本文以太湖流域地表水环境为研究对象，通过查阅流域相关的基础资料和流域水质监测数据，充分考虑了太湖流域自然地理环境、水文气候特征、人类活动等因素后，确定了流域水环境质量评价方案，根据布设的国家重点监测断面的水质监测数据，分析得出了以下结果：以统计学的方法原理为基础，运用了Matlab、Excel、Origion2018等软件对流域6个监测断面2009年-2018年的水质监测数据进行了处理分析，得出在空间变化趋势上，流域在上游区域的江苏无锡沙渚站、江苏宜兴兰山嘴站和江苏苏州西山站监测断面水质较优，明显优于浙江下游与上海区域。但在江苏宜兴兰山嘴站断面监测得出该断面CODMn浓度多处于地表水Ⅲ~Ⅳ类水质标准，并且明显高于上游区域其他断面的该项数值。在下游的上海青浦急水港站和浙江嘉兴王江泾站NH3-N浓度较高，均高于地表水Ⅲ类水质标准中NH3-N浓度标准值。处于国民经济发达，人口稠密的区域，城市居民生活污水量大，城市污水处理能力较弱，导致大量未经处理或处理不达标的污水排入河流。同时由于工业生产需水量大，生产的工业废水的得不到有效的处理，工业废水中存在的大量重金属物质渗透到河流当中，造成大面积河流生物的死亡，导致水质恶化。在农业生产中对农药、化肥的使用不当，造成土壤营养化等问题。这些因素都会使得水体CODMn浓度、NH3-N浓度上升，造成水环境污染，使得水环境质量下降。在时间变化趋势上，太湖流域6个监测断面的各项数值总体上均呈下降态势，趋于更优质的水质指标标准数值，因而整个流域的水环境质量明显变优。表明该区域水环境质量良好，水环境监测、管理、保护工作成效显著。基于太湖流域各重点监测断面的水质监测数据，选取DO、CODMn、NH3-N作为水质评价指标，运用了单因子指数评价法、模糊综合评价法进行了水环境质量评价。针对模糊综合评价计算量大、计算过程繁琐以及一般神经网络模型没有明确的水质训练标准等问题。将模糊规则、隶属度函数与神经网络有机结合，相互取长补短，模糊规则使得模型能够拥有较强的逻辑推理能力，容易处理高阶问题，同时可以解决准确信息和某些不确定的模糊信息。神经网络让模型中模糊规则提炼与隶属度函数产生实现自动化，进而让模糊系统成为一种能够自我处理的系统，得到T-S模糊神经网络模型，并运用此模型对流域水环境质量进行综合评价。对比评价结果可以得出，T-S模糊综合评价法评价结果效果最佳，能够快速、准确的计算出水质等级。该评价结果显示：太湖流域各个断面在2009-2018年间水质等级在逐渐提高，全流域水环境质量不断变好，均达到了地表水Ⅲ类水质标准。其中该流域上游段江苏无锡沙渚站、江苏宜兴兰山嘴站江苏苏州西山站、和浙江湖州新塘港站监测断面水质类型均为地表水Ⅰ~Ⅱ类，下游段上海青浦急水港站水质类型主要为地表水Ⅱ~Ⅲ类，而浙江嘉兴王江泾站监测断面水质类型为地表水Ⅲ~Ⅳ类。参考文献白雁翎,崔晨风,童山琳.2017.基于改进萤火虫算法的投影寻踪太湖水质综合评价.节水灌溉.(05)：72-76+79.冯绍元.2016.环境水利学.第二版.北京：中国农业出版社：72+75-77.冯可.2015.太湖流域水污染综合治理对策研究.[硕士学位论文].上海：华东政法大学.丁雪卿.2010.改进的内梅罗污染指数法在集中式饮用水源地环境质量评价中的应用.四川环境.29(02)：47-51.刘坤,刘贤赵,等.2007.模糊概率神经网络模型在水质评价中的应用.水文,27(1)：36-39,25.卢文喜,李迪,张蕾,伊燕平.2011.基于层次分析法的模糊综合评价在水质评价中的应用.节水灌溉,(03)：43-46.连慧姝,刘宏斌,李旭东,宋挺,雷秋良,任天志,武淑霞,李影.2017.太湖蠡河小流域水质的空间变化特征及污染物源解析.环境科学,38(09):3657-3665.黄海东,张克峰.2010.小城镇水源水质评价方法选择方案探讨.水利科技与经济,16(07)：736-738+740.秦铭荣,任健,商兆堂,夏瑛.2008.2007年卫星监测太湖蓝藻情况分析.安徽农业科学,36(32)：14258-14259.徐祖信.2005.我国河流综合水质标识指数评价方法研究.同济大学学报(自然科学版),(04)：482-488.谢裕锋.2019.青衣江流域雅安段地表水环境质量评价研究.[硕士学位论文].成都：四川农业大学.张万顺,王浩.2021.流域水环境水生态智慧化管理云平台及应用.水利学报,52(02)：142-149.周忠寿.2007.基于T-S模型的模糊神经网络在水质评价中的应用.[硕士学位论文].南京：河海大学.张宇,卢文喜,陈社明,龚磊.2012.基于T-S模糊神经网络的地下水水质评价.节水灌溉,(07)：35-38.丛铭,阳辉,张晓静,辛卓航,张弛.2021.单因子法与可变模糊法在水质评价中的应用.南水北调与水利科技(中英文)，（5-23）：1-10.陈星辰,李欣,何洋.2021.洪泽湖管理现状与对策思考.水利发展研究,21(03)：50-53.杨磊磊,卢文喜,黄鹤,初海波.2012.改进内梅罗污染指数法和模糊综合法在水质评价中的应用.水电能源科学,30(06)：41-44.杨维,刘淼,刘瑛,周辉,李倩倩.2011.基于标志指数法的辽河盘锦段水环境质量评价.沈阳建筑大学学报(自然科学版),27(05)：968-973.汪新波,粟晓玲.2013.基于T-S模糊神经网络的民勤地下水水质综合评价.干旱地区农业研究,31(01)：188-192+198.汪杰.2020.辽河流域十年丰水期水环境质量变化趋势分析及评价[硕士学位论文].沈阳：辽宁大学.王小川,史峰,郁磊,李样.2013.MATLAB神经网络43个案例分析.北京：北京航空航天大学出版社：288-289.吴梦烟,杨侃,刘朗,梁永静,杨堃,朱子唯,卞雨.2018.基于灰色局势决策和组合赋权法的再生水评价.水资源与水工程学报,29(03)：111-117.HortonRK.1965.Anindex-numbersystemforratingwaterquality.WaterPollutionControl附录附录：附表1基于单因子指数法的水质评价结果监测站点指标年份2009201020112012201320142015201620172018江苏无锡沙渚站DOⅠⅠⅠⅠⅠⅠⅠⅠⅠⅠCODMnⅡⅡⅡⅡⅢⅡⅡⅡⅡⅡNH3-NⅡⅡⅡⅡⅠⅠⅡⅡⅡⅡ江苏宜兴兰山嘴站DOⅡⅠⅠⅠⅠⅠⅠⅡⅠⅠCODMnⅢⅢⅢⅢⅣⅣⅣⅣⅢⅢNH3-NⅢⅢⅢⅡⅡⅡⅡⅡⅡⅡ江苏苏州西山站DOⅠⅠⅡⅡⅡⅠⅠⅡⅠⅠCODMnⅡⅡⅢⅢⅢⅡⅡⅡⅢⅡNH3-NⅡⅠⅡⅠⅡⅡⅡⅠⅡⅡ浙江湖州新塘港站DOⅠⅠⅠⅠⅠⅠⅠⅠⅠⅡCODMnⅡⅡⅢⅢⅢⅡⅡⅡⅡⅡNH3-NⅡⅡⅡⅡⅡⅡⅡⅡⅡⅡ上海青浦急水港站DOⅡⅡⅡⅢⅡⅢⅡⅡⅡⅡCODMnⅢⅢⅡⅢⅡⅢⅡⅡⅡⅢNH3-N劣ⅤⅤⅤⅣⅢⅢⅣⅣⅢⅡ浙江嘉兴王江泾站DOⅣⅣⅣⅣⅣⅣⅣⅣⅢⅢCODMnⅢⅢⅣⅣⅣⅣⅢⅢⅣⅢNH3-NⅣⅣⅤⅤⅣⅣⅢⅢⅢⅢ致谢致谢附表2(a)水质评价指标权重归一化结果时间无锡站宜兴站西山站DOCODMnNH3-NDOCODMnNH3-NDOCODMnNH3-N20090.720.170.110.550.250.200.740.180.0820100.740.180.080.580.240.180.760.180.0520110.740.170.090.550.180.270.680.250.0720120.740.160.090.630.210.160.690.250.0620130.720.220.060.590.320.100.670.250.0820140.750.200.050.580.310.120.720.210.0620150.740.190.070.550.330.120.720.210.0720160.740.180.080.570.350.090.700.230.0620170.760.180.060.700.210.090.740.190.0720180.760.160.080.620.260.120.760.150.10附表2(b)水质评价指标权重归一化结果时间湖州站青浦站嘉兴站DOCODMnNH3-NDOCODMnNH3-NDOCODMnNH3-N20090.680.190.130.340.150.510.320.270.4120100.700.190.110.390.170.440.270.280.4620110.670.200.140.400.140.460.280.250.4820120.670.200.130.370.190.440.240.270.4820130.680.240.080.510.190.310.250.300.4520140.680.200.120.510.220.270.290.320.3920150.670.170.150.450.170.380.370.330.3020160.670.180.140.500.160.330.400.300.3020170.670.190.140.570.210.220.400.280.3220180.690.190.120.630.230.130.420.300.29附表3(a)江苏无锡沙渚站模糊矩阵时间水质指标Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类2009DO1.000000CODMn0.300.70000NH3-N0.570.430002010DO1.000000CODMn0.210.79000NH3-N0.800.200002011DO1.000000CODMn0.240.76000NH3-N0.630.370002012DO1.000000CODMn0.900.10000NH3-N1.0000002013DO1.000000CODMn0.170.83000NH3-N1.0000002014DO1.000000CODMn0.170.83000NH3-N1.0000002015DO1.000000CODMn0.170.83000NH3-N0.890.110002016DO1.000000CODMn0.130.87000NH3-N0.800.200002017DO1.000000CODMn0.200.80000NH3-N0.910.090002018DO1.000000CODMn0.470.53000NH3-N0.830.17000附表3(b)江苏宜兴兰山嘴站模糊矩阵时间水质指标Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类2009DO0.990.01000CODMn00.360.6400NH3-N0.780.220002010DO1.000000CODMn00.340.6600NH3-N00.920.08002011DO1.000000CODMn00.870.1300NH3-N00.260.74002012DO1.000000CODMn00.940.0600NH3-N0.200.800002013DO1.000000CODMn000.750.250NH3-N0.600.400002014DO1.000000CODMn000.770.230NH3-N0.400.600002015DO1.000000CODMn000.670.330NH3-N0.400.600002016DO0.980.02000CODMn000.690.310NH3-N0.720.280002017DO1.000000CODMn00.780.2200NH3-N0.660.340002018DO1.000000CODMn0.100.90000NH3-N0.430.57000附表3(c)江苏苏州西山站模糊矩阵时间水质指标Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类2009DO1.000000CODMn0.340.66000NH3-N0.830.170002010DO1.000000CODMn0.450.55000NH3-N1.0000002011DO0.810.19000CODMn00.940.0600NH3-N0.940.060002012DO0.890.11000CODMn0.900.10000NH3-N1.0000002013DO0.890.11000CODMn00.840.1600NH3-N0.890.110002014DO1.000000CODMn0.040.96000NH3-N0.970.030002015DO1.000000CODMn0.040.96000NH3-N0.940.060002016DO0.690.31000CODMn0.170.83000NH3-N1.0000002017DO1.000000CODMn00.990.0100NH3-N0.800.200002018DO1.000000CODMn0.480000NH3-N0.660.34000附表3(d)浙江湖州新塘港站模糊矩阵时间水质指标Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类2009DO1.000000CODMn0.040.96000NH3-N0.370.630002010DO1.000000CODMn0.020.98000NH3-N0.510.490002011DO1.000000CODMn00.800.2000NH3-N0.230.770002012DO1.000000CODMn00.660.3400NH3-N0.260.740002013DO1.000000CODMn00.660.3400NH3-N0.800.200002014DO1.000000CODMn01.00000NH3-N0.490.510002015DO1.00000CODMn0.420.58000NH3-N0.310.690002016DO1.000000CODMn0.220.78000NH3-N0.310.690002017DO1.000000CODMn0.200.80000NH3-N0.310.690002018DO0.990.01000CODMn0.420.58000NH3-N0.630.37000附表3(e)上海青浦急水港站模糊矩阵时间水质指标Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类2009DO0.400.6000CODMn00.760.3400NH3-N00001.002010DO0.530.47000CODMn00.720.2800NH3-N0000.640.362011DO0.690.31000CODMn0.040.96000NH3-N0000.460.542012DO00.440.5600CODMn00.760.2400NH3-N000.180.8202013DO0.450.55000CODMn0.080.92000NH3-N00.240.76002014DO00.890.1100CODMn00.980.0200NH3-N00.60.4002015DO0.030.97000CODMn0.220.78000NH3-N000.740.2602016DO1.000000CODMn01000NH3-N0