許亞東,張 萌,王心義,2,3,李潔祥,2,3

(1.河南理工大學 資源環(huán)境學院,河南 焦作 454000;2.中原經濟區(qū)煤層(頁巖)氣河南省協(xié)同創(chuàng)新中心,河南 焦作 454000;3.煤炭安全生產與清潔高效利用省部共建協(xié)同創(chuàng)新中心,河南 焦作 454000)

0 引言

降水是地面從大氣中獲得的水汽凝結物。受高度、溫度、氣流等其他因素的影響,降水有不同形態(tài),如雨、雪、雹等,其中降雨是降水最常見的形態(tài)。降水是影響地下水位的主導因素,影響著地下水資源的動態(tài)變化特征,強降水的輸入導致地下水產生變化[1-3]。地下水是理想的飲用水源,也是生活、工業(yè)和農業(yè)用水的重要供水水源。在我國,干旱、半干旱地區(qū),地下水成為必不可少的供水水源[4-7]。近年來,地下水被大規(guī)模地開發(fā)利用,地下水資源污染普遍呈現加重的趨勢,個別地區(qū)地下水水質與水量均發(fā)生了明顯變化[8-10]。地下水可能受到自然因素(例如巖石基質)和人類活動(例如農業(yè)、住宅、市政、商業(yè))的影響[11]。甚至由于各種工業(yè)廢料、農業(yè)殘留物的不合理、不規(guī)范排放滲入到地下水系統(tǒng),導致區(qū)域水質嚴重惡化,成為地下水流動的壓力源[12]。朱洪生等[13]建立模型,研究發(fā)現受強降水影響,地下水位埋深明顯減小,地下水水質超標率減小。Hartmut等[14]根據德國東北部兩個鄰近的計量站的數據,利用時間序列法得出強降雨條件下地下水位呈現出快速上升后停止的趨勢。張晨晨等[15]利用Kendall秩相關、交叉小波變換和小波相干方法,分析得出黃河三角洲地下水埋深時間序列與降水量時間序列呈負相關關系,空間差異性明顯。Linyan等[16]在2016-2018年對中大西洋地區(qū)采集的地表水進行了研究,發(fā)現強降水事件后檢測地表水中新興污染物濃度不降反升。

研究區(qū)既是南水北調渠保護區(qū)也是故文化遺址開發(fā)區(qū)同時也是焦作市著名的大沙河景區(qū)上游補給帶,開展淺層地下水水質變化特征及影響因素的研究對于環(huán)境生態(tài)保護和旅游環(huán)境質量提高均具有重要支持。本文收集的多年降水量資料及2019年自建雨量站實測的降水量數據,結合府城遺址2017年以來18個長觀點逐月監(jiān)測的地下水水位和水質信息,采用綜合性的方法研究了日降水量高于和低于25 mm/day閾值時的淺層地下水水質變化及其響應,其成果對于當地地表水和地下水資源合理利用、生態(tài)環(huán)境科學保護、旅游景觀可持續(xù)發(fā)展具有重要的意義[17-19]。

圖1 研究區(qū)位置示意圖

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)中心坐標位于東經113°09′3″,北緯35°14′30″。它處于焦作市區(qū)西部,太行山南麓,西北與山西晉城市澤州縣接壤,東北、東南與修武交界,東與解放區(qū)毗鄰,西與博愛隔河相望,是焦作市區(qū)地表水和地下水的徑流通道。南水北調渠(中線)自西南至東北流經本區(qū),北部和南部分別有白馬門河和大沙河穿過,西側有焦桐(焦作-桐柏)高速通過,區(qū)內分布有國家重點文物保護單位-府城遺址,見圖1。研究區(qū)屬暖溫帶大陸性季風氣候,四季分明,多年平均降雨量640 mm,降雨主要集中在6-8月,多年平均氣溫為14℃?？紫端a給來源有大氣降水入滲、農田灌溉水回滲和河流入滲等,流向基本上由西北向東南,水位標高在120～85 m,主要以蒸發(fā)和側向徑流、人工開采排泄為主。

1.2 數據來源

在小麥芽農業(yè)氣象大數據[20]上收集了1982-2021年研究區(qū)的逐月降水資料,同時對比結合研究區(qū)雨量計測得結果。采樣時間為2017年1月-2021年12月,地下水和地表水的采樣工作同時進行,每月采集1次水樣。研究區(qū)采樣點共18個,其中地表水6個,地下水12個。根據《地下水質量標準》(GB/T 14848-2017)[21]要求并結合研究區(qū)實際及水質資料監(jiān)測情況,研究中選取空間分布差異大、時間變化顯著且數據易獲得的F-、Cl-、SO42-、NO3-、Na+、TDS等6個指標因子作為參考指標。在分析研究區(qū)強降水的過程中,選取了分辨率0.5×0.5的縣級精度再分析數據,僅考慮日降水量大于1 mm的樣本進行研究。在2017-2021年間共得到167個研究區(qū)夏季降水樣本,其分布如圖2所示。在所有降水日中,大約三分之一的樣本降水量低于10 mm/day,其中10%的樣本降水量大于25 mm/day。因此,本文選取日降水量大于25 mm/day作為研究區(qū)強降水的閾值。

圖2 研究區(qū)夏季日降水分布柱狀圖

1.3 BP神經網絡模型

BP神經網絡通過反向傳播來不斷調整網絡的權值和閾值,使用最速下降法讓網絡的誤差平方和最小,其學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成(圖3)。BP神經網絡模型的設計包括輸入層、隱含層和輸出層,另外還有傳輸函數、訓練方法、訓練參數的設置等方面[22-28]。

圖3 BP神經網絡模型圖

本文中的模型采用三層神經網絡:輸入層選取F-、Cl-、SO42-、NO3-、Na+、TDS等6個指標因子作為BP神經網絡的輸入,所以輸入層節(jié)點數為6。

隱含層是反向傳播神經網絡最重要的特征,它允許處理更復雜的問題,并提高模型的學習能力。BP神經網絡的網絡參數設置主要來源經驗,隱含層的層數設置根據經驗公式(1)計算。

p=sqrt(m+n)+a

(1)

式中:p表示隱含層的層數;m表示輸入層的層數;n表示輸出層的層數;a為[0,10]之間的一個常數。

因此,隱含層層數的設置是一個不確定的值,根據研究區(qū)的水質指標計算,本文所構建的BP神經網絡水質評價模型的隱含層層數的取值在[3,13]之間。相關研究表明增加隱含層層數可以提高網絡輸出精度,縮小誤差,但對于已有的訓練樣本來說過于復雜化的網絡結構會使訓練結果出現“過擬合”的現象。通過不斷的調整隱含層神經元個數進行訓練,水質評價模型中網絡學習率參數設置見表2。

網絡的輸出層即為網絡模型的輸出結果,根據《地下水質量標準》(GB/T 14848-2017),確定輸出層節(jié)點個數為5,分級標準分別用Ⅰ類為(0.1)T,Ⅱ類為(0.3)T,Ⅲ類為(0.5)T,Ⅳ類為(0.7)T,Ⅴ類為(0.9)T表示。水質評價指標的期望輸出值如表1。

表1 水質評價指標的期望輸出值

1.3.1 參數設置

使用newff函數創(chuàng)建一個新的BP網絡,命名為net默認傳輸函數為‘tansig’,訓練函數為‘trainlm’。創(chuàng)建完成后,設置BP神經網絡的參數見表2。

表2 BP神經網絡的參數設置

1.3.2 模型訓練與測試

基于BP神經網絡模型進行水質評價本質上屬于一種模糊識別系統(tǒng),對實測數據處理無法明確的歸到相對應的標準等級。因此,按照《地下水質量標準》(GB/T 14848-2017)中規(guī)定的評價等級,利用隨機函數在各等級上下限之間取400個隨機值,生成400×5組數據,將2 000組數據順序打亂。按照75%和25%分為訓練數據和測試數據,其中,1 500組和500組分別作為訓練樣本和測試樣本。

由于不同指標之間的數據存在較大的量級差異,需要進行歸一化處理,使得數據散布在[-1,1]之間。本模型歸一化采用mapminmax函數,計算公式如下式(2)所示:

y=(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin

(2)

2 結果與分析

2.1 地下水位時空響應

為直觀分析研究區(qū)地下水位時空分布及其變異特征,選取2017、2019、2021年為代表年份,埋深較大的G4和埋深較小的G10采樣點為典型點進行繪圖。其中,2021年8月、9月由于疫情的原因導致未取到樣。繪制2017、2019、2021年G4和G10采樣點淺層地下水位年內趨勢,見圖4。

圖4 G4和G10采樣點地下水位年動態(tài)變化曲線

由圖4可知,G4與G10采樣點變化趨勢基本一致。年內地下水位變化曲線呈山谷狀,大體上先下降再上升,水位下降時間較長,高水位保持時間較短。地下水位動態(tài)變化曲線反映出,不管水位埋深的大小,在強降水作用下,各采樣點水位迅速提升,而后開始進入下降期,基本不存在滯后性。因為研究區(qū)位于山前沖洪積平原區(qū),地勢平坦,包氣帶巖性多為礫石、砂及粉質黏土等,滲透性好,大氣降水容易下滲補給孔隙地下水。

繪制2017-2021年G4和G8采樣點地下水位逐年變化情況,見圖5。

圖5 G4和G10采樣點地下水位逐年變化曲線

由圖5可知,采樣點地下水位隨著時間推移,先緩慢下降后顯著上升。在降水量較大的2021年,水位波動明顯,年內水位降幅差值最大。從年際看,大氣降水呈現周期性波動,豐枯水期交替出現,地下水位也隨之呈現周期性變化。特別在強降水作用下,地下水響應迅速。

2.2 地下水水質時空響應

2.2.1 典型離子變化特征

為研究典型離子濃度的年際年內變化特性,對研究區(qū)2017-2021年典型離子濃度進行了變化趨勢圖繪制,見圖6。

(a)Cl- (b)SO42- (c)NO3- (d)F- (e)Na+ (f)TDS圖6 2017-2021年典型離子含量變化曲線圖

由圖6(a)可知,隨著時間的推移,Cl-含量始終在50～300 mg/L之間波動,最終呈現緩慢增加的趨勢。發(fā)生強降水事件,Cl-含量達到最低值。由圖(b)可以看出,SO42-含量變化趨勢為震蕩緩慢升高趨勢。其中,豐水期SO42-含量普遍低于枯水期,最大值出現在12月份或1月份。由圖(c)可知,各采樣點NO3-含量波動幅度較大,整體呈現震蕩上升趨勢。在進入豐水期后,NO3-含量顯著下降。隨著降水量的減少,離子含量開始升高。由圖(d)可得,各采樣點F-含量大多沒有超出Ⅲ類標準,整體呈現震蕩緩慢增加趨勢。豐水期降水量增加,F-含量開始降低。由圖(e)和(f)可知,各采樣點Na+含量呈現震蕩變化,當降水量增加時,離子含量出現下降趨勢。2017-2019年,各采樣點TDS含量大多超出Ⅲ類標準,2020-2021年開始下降。

通過分析研究區(qū)典型離子含量變化特征,發(fā)現年內變化表現為淺層地下水中的離子濃度豐水期好于枯水期,降水過后,離子含量被稀釋,濃度變低。強降水作用下,降水補給增加迅速,離子含量快速降低。當降水量減小,離子濃度出現緩慢升高趨勢。年際變化總體上呈震蕩變化趨勢,不同離子的增減趨勢不一致;由于研究區(qū)地層入滲補給能力強且地下水埋深淺,淺層地下水對大氣降水響應靈敏。

2.2.2 強降水下的水質響應

1)方法應用

將1 500組訓練樣本和500組測試樣本進行標準化后,對訓練樣本進行訓練使得網絡模型具有識別分類能力,當Validation Check達到20次時,表明訓練誤差無法降低,則結束訓練,模型訓練完成時,界面如圖7。

隱含層節(jié)點數為7時的誤差結果如下:平均絕對誤差MAE為:0.010 716;均方誤差MSE為:0.000 301 02;均方根誤差RMSE為:0.017 35。

圖7 BP神經網絡訓練性能分析圖

由圖7(a)可知,在訓練到第361次后,神經網絡的誤差達到0.001 7,滿足精度要求。圖7(b)為訓練階段參數變化情況,由圖可知,模型梯度在訓練到361次時為0.000 8,trainlm算法的誤差精度為e-7。由圖7(c)可知,相關性分析R值分別為0.998 5、0.998 1、0.998 5和0.998 4,均在0.92以上,說明模型訓練較好。同時,將輸出結果四舍五入得到的結果與測試樣本進行對比,誤差在[-0.2,0.2]之間波動,說明BP神經網絡預測結果符合期望結果,因此可以將訓練好的BP神經網絡應用于實測數據的水質評價中。

2)評價結果

2017-2021年,BP神經網絡模型評價的淺層地下水水質結果中,Ⅱ類水占比4.86%,Ⅲ類水占比34.03%,Ⅳ類水占比29.86%,Ⅴ類水占比31.25%。在2017-2021年中分別選定豐水期和枯水期的典型月份,基于BP神經網絡模型分別評價淺層地下水水質,其結果見表3。

表3 2017-2021年水質評價結果統(tǒng)計

由表3可以看出,2017年8月和12月淺層地下水質Ⅱ級以下個數分別為2個和1個、2018年9月和12月Ⅱ級以下個數分別為1個和0個、2020年7月和12月Ⅱ級以下個數分別為3個和2個、2021年7月和12月Ⅱ級以下個數分別為1個和0個。顯然,豐水期優(yōu)質水質(Ⅱ級以下)出現的頻次高于枯水期。2019年8月和2020年1月Ⅱ級以下個數分別為1個和2個,雖然后者大于前者,但前者為Ⅰ級水質、后者全部為Ⅱ級水質,顯示了強降水對淺層地下水質的有利影響。

圖8 2017-2021年豐枯水期均值對比圖

表4 2017-2021年水質等級賦值

如Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ級水質分別賦分1、2、3、4、5,不同時間水質積分及均值見表4,積分均值柱狀對比見圖8。

由表4和圖8可以看出,2017年12月和8月淺層地下水等級積分均值分別為3.92和3.67、2018年12月和9月積分均值分別為3.75和3.50、2020年1月和2019年8月積分均值分別為3.92和3.75、2020年12月和7月積分均值分別為3.45和3.36、2021年12月和7月積分均值分別為4.73和3.82。同年度枯水期淺層地下水質評價等級均高于豐水期,亦即枯水期淺層地下水水質比豐水期差,降水量越大淺層地下水水質越好。

3 結語

本文以焦作市中站區(qū)朱村鎮(zhèn)府城遺址為研究對象,以1982-2021年480個大氣降水數據、地下水水位,水化學特征監(jiān)測數據為基礎,對強降水條件下的淺層地下水水質響應進行了分析。主要結論如下:

(1)在強降水作用下,各采樣點地下水位迅速提升,而后開始進入下降期,基本不存在滯后性。年內地下水位變化曲線呈山谷形狀,先下降再上升。水位下降時間較長,高水位保持時間較短。年際變化趨勢為先緩慢下降后急劇上升。

(2)基于BP神經網絡法的評價結果,淺層地下水等級主要為Ⅲ級、Ⅳ級和Ⅴ級,占比分別為34.03%、29.86%和31.25%。分析表明,評價結果與實際情況接近,具有較高的可信度和準確度。

(3)典型離子F-、Cl-、SO42-、NO3-、Na+、TDS年際變化總體上呈震蕩變化趨勢,不同離子的增減趨勢不一致;由于研究區(qū)地層入滲補給能力強且地下水埋深淺,淺層地下水對大氣降水響應靈敏,水質年內變化表現為豐水期遠好于枯水期。

(4)2017年12月和8月淺層地下水等級積分均值分別為3.92和3.67、2018年12月和9月積分均值分別為3.75和3.50、2020年1月和2019年8月積分均值分別為3.92和3.75、2020年12月和7月積分均值分別為3.45和3.36、2021年12月和7月積分均值分別為4.73和3.82。同年度枯水期淺層地下水質評價等級均高于豐水期,亦即枯水期淺層地下水水質比豐水期差,降水量越大淺層地下水水質越好。