王源哲，華春林，趙麗，樊敏，梁曉盈，周樂樂，蔡璨，姚婧

1. 西南科技大學環(huán)境與資源學院，四川 綿陽 621010；2. 西南科技大學經濟管理學院，四川 綿陽 621010；3. 西南科技大學成都創(chuàng)新研究院，四川 成都 621010

水是生命之源，是人類生活與社會生產的重要物質基礎，然而，隨著社會經濟的迅猛發(fā)展，水體水質呈現出污染程度各異、污染機理復雜的趨勢，水質污染已成為制約經濟社會可持續(xù)發(fā)展的主要因素（馬樂寬等，2013）。在水質遭受不同程度污染的情景下，對水質進行綜合評價，確定主要污染物，把握水體水質健康及污染程度，進而因地制宜地采取精準治污措施，此外，科學預測水質變化趨勢，有利于促進有效長期的區(qū)域水環(huán)境保護規(guī)劃的制定（陳潤羊等，2008；高紅杰等，2017）。黨的二十大報告明確提出，我們要統(tǒng)籌水資源、水環(huán)境、水生態(tài)治理，推動重要江河湖庫生態(tài)保護治理。因此，為了對水資源進行合理的開發(fā)和科學的管理，有必要對水環(huán)境進行評價和預測。

目前，國內外常見的水質評價方法包括單因子污染指數評價法、綜合污染指數評價法（Ji et al.，2016；Ouyang et al.，2022）、灰色系統(tǒng)評價法（張冉等，2013）、主成分分析法（朱琳等，2018）以及模糊綜合評價法（杜軍凱等，2015；楊浩等，2016）。其中，主成分分析法可明確水質的主要影響因素與水質變化規(guī)律及差異（蔡廣強等，2018），模糊綜合評價法能夠定量化地處理水環(huán)境功能區(qū)劃及水質分級界限具有模糊性的問題（靳會姣等，2014），改進的主成分-模糊綜合評價耦合模型充分考慮了水質和水量的影響，不僅可以選擇關鍵指標，還可以指定水質的空間變化和等級（Zhao et al.，2020）。然而，現階段的水質評價方法主要側重于處理評價指標以及解決水環(huán)境的不確定性問題，關于水質綜合評價方法的選取的研究尚且不足，并且評價結果是否科學合理尚無確切的定義。同時，水質預測作為掌握水環(huán)境的變化趨勢及預防水質惡化的前提與基礎，對于及時了解水質狀況、預防水污染、保護水環(huán)境具有重要的現實意義。常用的水質預測方法有支持向量機預測（Vapnik et al.，1995）、水質模擬模型（Rani et al.，2010）、混沌理論（Qiao et al.，2016）和神經網絡模型（Zheng et al.，2022）等?，F階段，國內外研究人員已將支持向量機運用到了多種水質指標的預測中（Noori et al，2015），支持向量機預測法雖然可以解決很多傳統(tǒng)方法解決不了的數學問題，但在水質預測中存在支持向量數多，預測時間長，無概率性輸出等問題，僅適用于小樣本問題的建模。水質模擬模型雖然應用范圍廣、適合中長期預測，但側重于水環(huán)境系統(tǒng)（劉曉等，2018），需要考慮的參數較多，模擬的結果缺乏交互性，Fan et al.（2012）通過結合水文工程中心河流分析系統(tǒng)（HEC-RAS）和S-P（Streeter-Phelps）模型模擬潮汐河水質，然而受模型參數的影響，對生物化學需氧量和溶解氧的模擬結果預估過高。混沌理論為河流水質變化提供了新的預測方法，但基于混沌理論建立的預測模式較為復雜，需要提供大量時序數據資料，適應于短期的水質預測（Zaldivar et al.，2000；杜建等，2012）。神經網絡預測模型具備良好的記憶功能以及精度高、適應性強、運算速度快等優(yōu)點（唐亦舜等，2022），在具有不確定性因素和非線性特征的各類水質指標的水質預測方面（Maier et al.，2010）有著廣闊的應用前景。鑒于傳統(tǒng)水質預測方法對水質監(jiān)測數據的依賴性較強，預測范圍受限以及缺乏考慮參數的影響，預測精度較低等問題，神經網絡模型為水質預測研究提供了科學有效的途徑。

目前，對綿陽市主要河流的研究主要集中在水環(huán)境容量計算、水污染總量控制及單一的水質評價，缺乏水質綜合評價及預測相關的研究（沈淞濤，2005；戴本林等，2008）。因此，本研究基于綿陽市水質監(jiān)測斷面的污染物指標監(jiān)測數據，結合模糊綜合評價法與主成分分析法進行水質綜合評價，以獲取水質級別并識別水質較差的年份和監(jiān)測斷面，并基于水質評價結果構建NARX 神經網絡模型對未來區(qū)域水環(huán)境的水質狀況進行合理的預判，實現科學預防水質污染，以期為區(qū)域水環(huán)境的評價與管理、預測與規(guī)劃提供參考。

1 研究區(qū)概況

綿陽市，被稱為中國科技城，是四川第二大經濟體和成渝城市群區(qū)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 之間，總面積約為20 248.4 km2，地形地貌類型復雜多樣，其中山地區(qū)占61.0%，丘陵區(qū)占20.4%，平原區(qū)占18.6%，地勢起伏大，呈西北部高，東南部低，屬多山多丘陵的山地城市（圖1）。全市受地貌影響，降水豐沛，徑流量大，江河縱橫，水系發(fā)達，境內有大小河流及溪溝3 000 余條，均分別注入嘉陵江支流涪江、白龍江與西河，全屬嘉陵江水系。根據2022年綿陽市環(huán)境質量狀況年報，全市境內地表水水質總體較好，均能達到或優(yōu)于劃定的水環(huán)境功能類別要求，但芙蓉溪及魯班水庫水質為良，呈中營養(yǎng)狀態(tài)，通口河水質有所下降。綿陽市境內的主要河流，不僅直接關系到全市整體水環(huán)境安全與質量，還會影響綿陽市社會經濟可持續(xù)發(fā)展戰(zhàn)略的實施，因此，對綿陽市主要河流的評價及預測是保護及管理河流水環(huán)境、推動經濟高質量綠色發(fā)展的關鍵。

圖1 水質監(jiān)測站點分布圖Figure 1 Distribution of water quality monitoring stations

2 研究方法

2.1 數據來源與處理

水質數據來源于綿陽市生態(tài)環(huán)境監(jiān)測站、綿陽市水環(huán)境形式分析報告以及長江生態(tài)環(huán)境保護修復城市駐點組長期監(jiān)測。根據《地表水環(huán)境質量標準》（GB 3838—2002）（國家環(huán)境保護總局，2002），結合綿陽市水質實際污染特征、來源以及歷史監(jiān)測結果，本研究按照生態(tài)環(huán)境行業(yè)現行標準及技術規(guī)范對水質樣品進行采集并分析，篩選出了溶解氧（DO）、高錳酸鹽指數（CODMn）、五日生化需氧量（BOD5）和氨氮（NH3-N）這4 類對水質影響較大并能反映水質狀況的指標作為主要評價因子，對綿陽市12 個地表水環(huán)境質量國控、省控以及市控監(jiān)測斷面2014－2022 年枯水期（1－4 月和12 月）、平水期（5 月和11 月）、豐水期（6－10 月）、年均值水質監(jiān)測結果進行評價分析（表1）。

表1 綿陽市主要監(jiān)測斷面及其水環(huán)境功能標準Table 1 Main monitoring sections and water environment function standards in Mianyang City

2.2 模糊綜合評價法

本研究首先根據篩選出的4 種主要水質評價因子，建立評價因子集={DO，CODMn，BOD5，NH3-N}，確定評價標準集為={Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ}。由于水質污染程度和水質分級標準具有模糊性，故用隸屬度來刻畫分級界限隸屬度（李婧等，2020），通過隸屬函數，按照水質分級標準，計算出各項因子分別對各級水質指標的隸屬度，從而確定模糊關系矩陣。然后，采用超標倍數法對各水質指標賦予權重（張婉萍等，2022）。最后，根據模糊關系矩陣和評價因子權重集得到各監(jiān)測斷面水質等級（王守坤等，2013）。

2.3 主成分分析法

主成分分析法是一種利用降維的思想對多個變量以線性變換形式篩選出重要變量的多元統(tǒng)計分析方法（王麗婧等，2013）。本研究以年份為樣本對選取的監(jiān)測斷面各水期水質進行主成分分析，分析判斷各污染指標之間的相關性，并根據各監(jiān)測斷面在2014－2022 年及不同水期的污染綜合得分進行排序，以評價水質優(yōu)劣程度，即以主成分綜合得分大小反映水質的污染程度，即得分越高水質越差。

2.4 NARX 神經網絡模型

NARX（nonlinear auto regressive model with exogenous inputs）神經網絡模型是通過前期長時間序列的隨機變量的線性組合來描述未來某一時刻隨機變量的非線性自回歸模型（Fabio et al.，2022）。NARX 神經網絡模型結構由輸入層、隱含層、輸出層以及輸出到輸入的延時構成（圖2）。本研究在2014－2022 年綿陽市水質監(jiān)測數據及水質評價結果的基礎上，采用MATLAB 2020b 工具箱的NARX神經網絡模型預測2023－2030 年各監(jiān)測斷面的水質指標濃度，從而客觀反映未來水質變化趨勢。

圖2 NARX 神經網絡預測模型結構Figure 2 Structure of NARX neural network prediction model

3 結果與討論

3.1 水質綜合評價結果及分析

表2 為綿陽市境內主要河流2014－2022 年水質監(jiān)測斷面各水期4 項水質指標平均監(jiān)測數據的描述性統(tǒng)計結果。由表可知，從監(jiān)測斷面的水質指標平均濃度來看，除DO 外，其余3 項水質指標平均濃度值最高處均為芙蓉溪仙魚橋斷面，說明該斷面水質污染較為嚴重，而平武水文站總體上水質則較好。從不同水期各水質指標的平均濃度可知，BOD5和NH3-N 的平均濃度值在枯水期較高，這與入河污染物受徑流量影響顯著有關（何子建等，2022），在枯水期內BOD5和NH3-N 濃度隨徑流量的減少而增大。而CODMn的平均濃度值在豐水期較高，這與豐水期雨季或氣溫持續(xù)升高，河中水量豐富密切相關，并且徑流量增大引起的CODMn污染物入河的增加量大于徑流量對河流CODMn污染物的稀釋量。從各水期水質監(jiān)測斷面的變異系數來看，NH3-N的變異系數在各水期之間均較高，說明其濃度值受水期影響波動幅度也較大，而DO 的變異系數在水期之間均較低，說明其波動變化范圍較為穩(wěn)定。

表2 不同水期監(jiān)測斷面平均水質指標濃度的描述性統(tǒng)計Table 2 Descriptive statistics of average water quality index concentration of monitoring sections in different water periods

為進一步明確監(jiān)測斷面各水期的主要污染物，本研究根據2014－2022 年所選監(jiān)測斷面水質指標在不同水期內的平均值，計算污染因子權重并確定各水期內的主要污染物（表3）。由表可知，研究范圍內枯水期的主要污染物為NH3-N，BOD5。同理能夠判斷出平水期和豐水期的主要污染物為BOD5和CODMn。NH3-N 在枯水期的權重高于平水期和豐水期，而NH3-N 作為城鎮(zhèn)生活污水的主要來源，說明枯水期水質受生活污水的影響較大；BOD5在豐水期的權重高于枯水期與平水期，這也與不同水期下河流斷面徑流和含沙量的差異有關（伏介雄等，2008），豐水期降雨量大，河流水量增大且含沙量高，從而導致河流有機污染物濃度的升高。

表3 2014－2022 年監(jiān)測斷面各水期污染指標權重歸一化結果Table 3 Pollution index weight normalization results of water periods in the monitoring section from 2014 to 2022

根據各斷面水質指標的描述性統(tǒng)計結果，選取水質較好的平武水文站斷面和水質較差的芙蓉溪仙魚橋斷面進行分析（圖3）。平武水文站為涪江上游基本控制站，而涪江上游流域地廣人稀、工礦企業(yè)較少，斷面內的污染主要來自農田、城市地表徑流以及沿岸的畜禽養(yǎng)殖。芙蓉溪仙魚橋斷面位于綿陽市經濟較為發(fā)達、人口較為密集的游仙區(qū)，區(qū)內工廠企業(yè)數量僅次于涪城區(qū)，工業(yè)廢水排放總量較大并且該斷面附近支流多，水系密集，是導致水質相對較差的重要原因，且NH3-N 為主要超標項目，主要來源于以城鎮(zhèn)生活污水及工業(yè)廢水為主的點源污染（胡開明等，2015）。對此綿陽市加強了沿岸主要污染源排查及治理，對沿河的大污染工廠企業(yè)實行關、停、并、轉，并采取了嚴禁規(guī)模養(yǎng)殖戶將廢污水直接排入河道等措施。

圖3 2014－2022 年各監(jiān)測斷面水質指標變化對比圖Figure 3 Comparison of water quality indexes of different monitoring sections from 2014 to 2022

在水質評價方面，采用模糊綜合評價法對2014－2022 年12 個監(jiān)測斷面進行水質評價及分析，以此反映綜合水質污染狀況。對于水質指標的年平均值而言（表4），梓潼垢家渡斷面2016 年的水質級別為Ⅲ級；芙蓉溪仙魚橋斷面在2015 年、2016 年水質級別分別為Ⅲ級、Ⅱ級，這一水質級別評價結果也與2016 年綿陽市環(huán)境質量狀況年報中芙蓉溪仙魚橋斷面水質有所好轉相符；總體上2014－2022年水質級別達標斷面占比為100%，梓潼垢家渡和芙蓉溪仙魚橋斷面年均水質水平總體上與其他斷面相比較低，但兩個斷面均達到了水環(huán)境功能類別劃分（Ⅲ級）的要求，水質級別較差的斷面主要出現在2014－2018 年之間，而2019－2022 年水質較好，整體水質呈現向好趨勢，這與2018 年7 月起施行的《綿陽市水污染防治條例》密切相關。在枯水期，2015 年的芙蓉溪仙魚橋斷面與2016 年的梓潼垢家渡斷面的水質級別均為Ⅳ級，超過了其水環(huán)境功能劃定類別Ⅲ級，凱江老南橋在2016 年水質級別波動較大，從Ⅰ級降至Ⅲ級，水質為輕度污染，其余斷面水質情況均較好，總體水質級別達標斷面占比92%（表5）。在平水期，僅芙蓉溪仙魚橋斷面在2017 年水質級別為Ⅲ級，水質較差，其余斷面水質情況較好，水質級別達標斷面占比為100%（表6）。在豐水期，水質級別較低的斷面出現在2014－2016 年之間，分別為芙蓉溪仙魚橋、梓潼垢家渡、凱江老南橋與豐谷，其余斷面的水質級別在2014－2022 年均為Ⅰ級，總體水質級別達標率為100%（表7）。

表4 2014－2022 年各監(jiān)測斷面水質級別Table 4 Water quality levels of each monitored section from 2014 to 2022

表5 2014－2022 年枯水期各監(jiān)測斷面水質級別Table 5 Water quality levels of each monitored section during the low water period from 2014 to 2022

表6 2014－2022 年平水期各監(jiān)測斷面水質級別Table 6 Water quality levels of each monitored section during the normal water period from 2014 to 2022

表7 2014－2022 年豐水期各監(jiān)測斷面水質級別Table 7 Water quality levels of each monitored section during the high water period from 2014 to 2022

3.2 水質污染程度變化結果及分析

為探究水質指標之間的相關性對于水質污染的影響，本研究首先采用主成分分析法對研究范圍內水質指標的年平均值進行Pearson 相關性分析，Pearson 相關性是分析不同指標之間同源性的常用方法，相關性高的指標之間具有相似的污染源或遷移特征（王磊等，2020）。由各水質指標的相關性系數可知（表8），CODMn與BOD5在3 個水期內均呈極顯著正相關關系，表明兩個水質指標存在同源性，推測水體中的CODMn與BOD5主要來源于工業(yè)及生活污染源，并且在理論上BOD5還與水體中的COD 具備一定的比例關系，可通過判斷其比例關系來識別水體污染類型，若COD 與BOD5的比值越大，則還原性無機物為水體主要污染物，若比值越小，則水體遭受到的有機物污染較為嚴重，同時CODMn與BOD5測定值的范圍還可由COD 進行推測（張野等，2012），利用水質指標之間的關聯性去預測或估算其他指標，從而實現對監(jiān)測數據的預判和數據合理性的審核并確保水質數據監(jiān)測的準確有效；DO 與NH3-N 在枯水期、平水期為顯著負相關，與CODMn在平水期、豐水期分別為顯著與極顯著負相關，DO 與NH3-N、CODMn呈負相關這一結果與宋曉霄等（2012）對水質指標進行數據統(tǒng)計和相關性分析后的結果相符，CODMn與NH3-N同屬耗氧有機物，當水質DO 濃度降低時，有機物降解速率減緩，CODMn與NH3-N 濃度反而呈升高趨勢，通過分析DO 與其相關性，可合理判別好氧有機物的變化趨勢并識別水質主要污染物類型。

表8 2014－2022 年不同水期各水質指標的相關性系數Table 8 Correlation coefficients of water quality indexes in different water periods from 2014 to 2022

然后，根據所選監(jiān)測斷面除DO 以外的水質數據分水期計算綜合主成分值，從而評價各監(jiān)測斷面的水質污染程度（圖4），并對水質較好與較差的斷面在2014－2022 年之間的主成分得分進行綜合評價比較（表9）。結果表明，在3 個水期之間，芙蓉溪仙魚橋斷面水質污染均較差，而平武水文站斷面水質均較好，凱江老南橋、梓潼垢家渡及天仙鎮(zhèn)大佛寺斷面受水期影響較大且水質得分排序情況在斷面之間不穩(wěn)定，其余斷面在各水期間排序結果無變化，受水期影響較小。與其他斷面相比，芙蓉溪仙魚橋、平武水文站斷面分別在2015、2016 年水質污染較重，但2020－2022 年兩個斷面的整體水質狀況有所改善，而這也得益于2020 年四川省印發(fā)了《2020 年全省河湖管理保護工作要點》以及各地方加強了河道采砂綜合整治以及河湖管理基礎工作的力度等一系列舉措。

圖4 2014－2022 年不同水期各監(jiān)測斷面水質平均主成分得分Figure 4 Average principal component scores of water quality in different sections during different water periods from 2014 to 2022

表9 2014－2022 年監(jiān)測斷面水質主成分得分及排序結果Table 9 Principal component scores and ranking results of water quality in monitored sections from 2014 to 2022

3.3 水質變化趨勢預測及分析

在水質預測方面，本研究選用NARX 神經網絡模型并對2014－2022 年12 個斷面水質數據分季度進行歸一化與反歸一化，為了驗證模型的性能，根據算法準則（宋新山，2008；Ayodele et al.，2021；包志家等，2021），將數據集隨機劃分為36 個目標時間步，用于訓練、驗證和測試。指定隱藏層中有10 個神經元，時延為2、4，采用Levenberg-Marquardt算法（Salami et al.，2015）對網絡進行訓練，選用均方誤差（MSE）和相關系數（r）值指標對訓練后的模型進行定量評價（表10）。模型預測結果表明，4 種水質指標的r均大于0.7，MSE 均小于0.05，說明模型對水質的預測精度良好，具有較強的可靠性和預測性能。為了使NARX 模型具有較高實用性，預測對象選取水質評價結果中具代表性的芙蓉溪仙魚橋斷面為例進行預測結果的進一步分析。DO、CODMn、BOD5以及NH3-N 的平均相對誤差分別為5.914%、-0.190%、21.491%以及25.366%（圖5），總體上的平均相對誤差均在可接受范圍內。由模型對芙蓉溪仙魚橋斷面2014－2022 年的NH3-N水質指標的預測值結果與實測值進行對比可知（圖6），芙蓉溪仙魚橋斷面NH3-N 的相關系數在訓練、驗證、測試以及整體上分別為0.963、0.415、0.561以及0.868，模型預測結果與實測水質數據的相關系數整體上達到了0.8 以上。通過NARX 神經網絡模型模擬結果的誤差及相關系數分析，模型的預測性能良好，再次證實了該模型可用于進行水質預測，故基于此預測了芙蓉溪仙魚橋斷面2023－2030年水質指標的變化情況（圖7）。結果表明，2023－2030 年DO 與CODMn平均濃度均高于2014－2022 年對應指標的平均濃度值，而BOD5與NH3-N平均濃度均低于2014－2022 年對應指標的平均濃度值，說明水體總體改善，但受到有機物污染的程度有所提高。預測的水質指標中，DO 濃度值年際變化不大，較為穩(wěn)定，CODMn濃度值在2024 年及2027 年存在小幅度的波谷，整體上呈波浪形變化，BOD5濃度值呈先上升后下降再回升的變化趨勢，而NH3-N 濃度值整體上呈現逐年下降趨勢，表明NH3-N 對未來水質污染的貢獻度有所降低。

表10 NARX 神經網絡模型預測的相關系數與均方誤差Table 10 Correlation coefficient and mean square error predicted by NARX neural network model

圖5 2014－2022 年芙蓉溪仙魚橋斷面水質指標實測值與模擬值結果對比圖Figure 5 Comparison of measured and simulated water quality indexes in Xianyuqiao section of Furong stream from 2014 to 2022

圖6 芙蓉溪仙魚橋斷面NH3-N 水質指標的相關性回歸圖Figure 6 Correlation regression diagram of NH3-N water quality index in Xianyuqiao section of Furong stream

圖7 2023－2030 年芙蓉溪仙魚橋斷面水質指標變化情況Figure 7 Changes of water quality indexes in Xianyuqiao section of Furong stream from 2023 to 2030

為驗證模型預測的準確性，基于水質預測結果對所選斷面的水質再次進行水質評價。首先，對于2025 及2030 年各監(jiān)測斷面的水質指標變化情況而言（圖8），豐谷及魯班島斷面2030 年的4 項水質指標的年均濃度值均高于2025 年，百頃及北川通口斷面2030 年除NH3-N 年均濃度值低于2025 年外，其余3 項水質指標年均濃度值高于2025 年；梓潼垢家渡及飲馬橋斷面2030 年的DO 及NH3-N年均濃度值高于2025 年，CODMn及BOD5年均濃度值低于2025 年。然后，由所選斷面在2025 及2030年的水質指標預測值的主成分得分及排序結果可知（表11），芙蓉溪仙魚橋斷面的水質在所選斷面中仍較差，與其他斷面相比，平武水文站、福田壩斷面的水質分別在2025 年、2030 年較好，預測結果與歷史時期斷面總體水質狀況相符。最后，對所選的12 個斷面的2023－2030 年的水質指標預測值進行模糊綜合評價，得出各斷面在2023－2030 年的水質級別（表12）。結果表明，天仙鎮(zhèn)大佛寺斷面在2028－2030 年的水質級別由2023－2027 年的Ⅰ級降為Ⅱ級，水質有所下降；芙蓉溪仙魚橋斷面在2025及2030 年的水質級別分別為Ⅱ級與Ⅲ級，其余斷面在未來八年總體水質級別均較好，為Ⅰ級，水質預測結果客觀反映了綿陽市未來的水質變化趨勢，有利于識別及掌控區(qū)域水質污染程度，可為河流污染預警及水環(huán)境管理規(guī)劃工作提供參考價值。

表11 2025 及2030 年各監(jiān)測斷面水質平均主成分得分及排序結果Table 11 Average principal component scores and ranking results of water quality in each monitored section in 2025 and 2030

表12 2023－2030 年監(jiān)測斷面水質評價結果Table 12 Water quality evaluation results of monitored sections during 2023-2030

3.4 水環(huán)境管理及規(guī)劃啟示

分析水體是否受到污染、污染程度、污染原因以及發(fā)展趨勢，對于水污染的控制及預防、合理規(guī)劃水資源的開發(fā)利用至關重要。本研究通過對綿陽市2014－2022 年主要水質監(jiān)測斷面的水質及其指標分水期進行綜合評價與分析，從水質指標的權重分析了各水期的主要污染物，從水質指標的相關性分析了各指標對水質狀況的影響，計算了各斷面在各水期內的水質級別及得分，從而較為全面客觀地掌握歷史水質狀況。由評價結果可知，從時間上來看，2014－2018 年水質相對較差，2019－2022 年水質有所好轉，枯水期的水質斷面達標率低于平水期和豐水期，應加強此階段未達標水質監(jiān)測斷面周圍水域的監(jiān)管及治理；從空間上來看，平武水文站及北川通口斷面水質整體較好，均位于北川縣，污染較嚴重的區(qū)域集中在綿陽市中部水系交匯處（游仙區(qū)的芙蓉溪仙魚橋斷面）及南部（三臺縣的凱江老南橋斷面、梓潼縣的垢家渡斷面以及鹽亭縣的天仙鎮(zhèn)大佛寺斷面）。因此，芙蓉溪、凱江以及梓江內這些區(qū)域可以作為未來重點治理對象，并對其附近工廠及沿岸企業(yè)污水排放情況實行嚴格監(jiān)查。

在此基礎上，本研究基于歷史實測水質數據采用了NARX 神經網絡模型對河流水質監(jiān)測斷面各項水質指標進行2023－2030 年的水質預測，在滿足水質預測精度要求的前提下，同樣對水質監(jiān)測斷面各水質指標未來的水質狀況變化、主成分得分以及水質級別進行了計算分析，以了解未來水質狀況的發(fā)展趨勢及規(guī)律。由水質預測結果可知，鹽亭縣的天仙鎮(zhèn)大佛寺斷面在2028 年、游仙區(qū)的芙蓉溪仙魚橋斷面在2025 及2030 年均有水質下降趨勢?？傊狙芯刻岢龅幕谀：C合評價法-主成分分析法-NARX 神經網絡模型研究框架，能夠在一定程度上客觀真實地反映區(qū)域水環(huán)境的水質歷史狀況及未來趨勢。

然而，鑒于本研究受一些客觀因素的限制，如水質數據、水文水利參數、社會經濟統(tǒng)計數據等的可獲取性，在水質評價方面，目前僅對該區(qū)域主要水質監(jiān)測斷面，分別采用模糊綜合評價法和主成分分析法進行水質等級評定和水質優(yōu)劣排序，在未來的研究中，應該對水質波動較大和水質較差的區(qū)域的水質監(jiān)測站點進行加密，實行更加精細密集地布控，識別出水質污染重點區(qū)域及擴散區(qū)域，進行空間上由點到面的研究和具有針對性的管控，從而得到區(qū)域整體水環(huán)境更加全面準確的水質評價結果。在水質預測方面，NARX 神經網絡模型使用單一的水質指標點數據作為輸入預測了水質整個條件分布，但目前尚未清楚這些預測如何及時向前傳播，且存在單步和單因素預測的局限性，以及對網絡時延、隱藏神經元數量和激活函數的考慮仍有優(yōu)化的余地。因此，后續(xù)研究可將水質及其影響水質變化的驅動因素作為神經網絡模型的多輸入指標，以及考慮將NARX 人工神經網絡與混合動態(tài)神經網絡、遺傳算法和其他機器學習模型進行聯合調用，進一步構建更加完整科學的水質預測模型，提高水質指標模擬精度，賦予水環(huán)境指標物理涵義。

綜上所述，本研究結果對于區(qū)域水環(huán)境管理及規(guī)劃工作的啟示如下：一是針對易受水期影響，枯水期水質不達標的區(qū)域，應通過優(yōu)化超標區(qū)域內外的水資源配置，提升河流連通性和水環(huán)境容量，從而改善枯水期水質狀況；二是針對易受工業(yè)、農業(yè)污染等影響的區(qū)域，應調整產業(yè)結構，加快產業(yè)轉型升級，加大對污染源的控制，從源頭上減少污染物入河量；三是針對水質變化復雜的區(qū)域，應建立全過程的水環(huán)境監(jiān)控預警系統(tǒng)及長效管理機制，提高污染防治水平。

4 結論

通過對綿陽市主要河流及湖庫水質監(jiān)測斷面的水質監(jiān)測數據進行整理分析，利用模糊綜合評價方法及主成分分析法進行水質評價，并根據評價結果，建立NARX 神經網絡模型對未來水質變化狀況進行預測，結論如下：

1）通過對監(jiān)測斷面各水期污染指標平均值進行權重歸一化及模糊綜合評價可知，NH3-N 和BOD5為枯水期主要污染物，平水期和豐水期的主要污染物為BOD5和CODMn；除枯水期外，水質監(jiān)測斷面在平水期、豐水期以及年平均狀態(tài)下的達標率均為100%，說明枯水期河流水質更易受到污染并超標。

2）根據主成分分析可知，CODMn與BOD5在3個水期內均呈極顯著正相關關系，DO 與NH3-N 之間在枯水期、平水期為顯著負相關，在豐水期則無顯著關系，DO 與CODMn在平水期、豐水期分別為顯著與極顯著負相關，應基于不同水期各污染指標的相關性對河流水質污染進行科學高效地管控。

3）由NARX 神經網絡模型預測結果可知，DO、CODMn、BOD5以及NH3-N 濃度的均方誤差均小于0.05，相關系數均大于0.7，構建的預測模型能夠客觀反映未來水質變化趨勢。

因此，本研究提出的基于模糊綜合評價法-主成分分析法-NARX 神經網絡模型研究框架，水質綜合評價結果客觀準確，可為水環(huán)境功能區(qū)劃及水質目標的確定提供依據，根據水質評價結果并結合歷史水質數據采用神經網絡模型進行水質預測，預測結果科學有效，有利于類似河流的水污染控制規(guī)劃及水環(huán)境綜合管理工作的開展。