环境科学学报  2021, Vol. 41 Issue (12): 5107-5116
靖江市某电镀集中区典型重金属迁移转化模型参数灵敏性分析    [PDF全文]
逄敏1, 谢蓉蓉2,3, 朱天依4, 陈志琦5,6, 逄勇5,6    
1. 南方科技大学环境科学与工程学院, 深圳 518055;
2. 福建师范大学环境科学与工程学院, 福州 350007;
3. 福建师范大学福建省污染控制与资源循环利用重点实验室, 福州 350007;
4. 上海勘测设计研究院有限公司, 上海 200335;
5. 河海大学环境学院, 南京 210098;
6. 河海大学环境学院, 河海大学浅水湖泊综合治理与资源开发教育部重点实验室, 南京 210098
摘要:伴随重金属污染风险的不断提高, 流域重金属迁移转化模型的构建和水体重金属的模拟预测受到广泛关注, 关键参数的甄选是模型优化的重点.本文构建了某电镀集中区Ni、Cu重金属迁移转化数学模型, 以Ni为例, 采用标准秩回归分析方法(SRRC法)和Sobol多元自适应回归样条算法(Mars-Sobol法)对7个重金属模型参数进行敏感性分析, 并针对确定的2个敏感性参数对Ni、Cu模型进行率定和验证.结果表明: 1SRRC法的Ni河沙分配系数的敏感性占比为96.1%~99.7%, 平均为99.2%, 泥沙沉降速率为0.1%~3.3%, 平均为0.5%.2Mars-Sobol法的Ni河沙分配系数的总敏感度占比为87.18%~93.44%, 平均为90.28%;泥沙沉降速率为5.68%~10.68%, 平均为8.21%;随水流运动方向, Ni河沙分配系数敏感性逐渐减低, 泥沙沉降速率参数敏感性逐渐增强.3相较于SRRC法, Mars-Sobol考虑了参数间的交互作用, 通过Ni、Cu迁移转化模型中敏感参数"河沙分配系数"和"泥沙沉降速率"的率定和验证, Ni、Cu模拟相对误差可控制在15.28%和14.46%, 实现了重金属模型的高效和高精度预测.
关键词敏感性分析    SRRC    Mars-Sobol    重金属    模型    参数    
Parametric sensitivity analysis for typical heavy metals migration and transformation model in electroplating industrial area of Jingjiang City
PANG Min1, XIE Rongrong2,3, ZHU Tianyi4, CHEN Zhiqi5,6, PANG Yong5,6    
1. College of Environmental Science and Engineering, Southern University of Science and Technology, Shenzhen 518055;
2. College of Environmental Science and Engineering, Fujian Normal University, Fuzhou 350007;
3. Key Laboratory of Pollution Control and Resource Recycling of Fujian Province, Fujian Normal University, Fuzhou 350007;
4. Shanghai Investigation, Design and Research Nstitute, Shanghai 200335;
5. College of Environment, Hohai University, Nanjing 210098;
6. Key Laboratory of Integrated Regulation and Resource Development on Shallow Lakes of Ministry of Education, Hohai University, Nanjing 210098
Received 6 July 2021; received in revised from 24 August 2021; accepted 24 August 2021
Abstract: With the increasing risk of potential heavy metal pollution, the development of heavy metal migration and transformation models as well as the prediction of their fate in aquatic environments have attracted extensive attention. Optimizing the model parameters becomes particularly important to promote the accuracy of the model. In this study, the heavy metals (Ni and Cu) simulation model for an electroplating industrial area was constructed. Taking Ni as an example, the parametric sensitivity analyses for model were performed using the Standardized Rank Regression Coefficient (SRRC) and the Mars-Sobol methods. Two sensitive parameters were applied for model calibration and verification to improve the accuracy and efficiency in simulations. Results suggested that the sensitivity of the water-sediment Ni distribution coefficients obtained using SRRC method was between 96.1% and 99.7% (99.2% in average), and the sediment deposition rate was identified from 0.1% to 3.3% (0.5% in average). By using Mars-Sobol method, the total sensitivity of the water-sediment Ni distrubution coefficients was determined in a range of 87.18% and 93.44% (90.28% in average), and the sediment deposition rate was in a range of 5.68% to 10.68% (8.21% in average). Our results revealed that the sensitivity of water-sediment Ni distribution coefficients decreased along the flow direction, while the sediment deposition rate displayed an increasing trend. Compared with SRRC method, Mars-Sobol model had an higher accuracy in predictions with the consideration of interactions between multiple parameters. By carefully calibrating and verifying two sensitive parameters (i.e. water-sediment distribution coefficient and sediment deposition rate), the maximum relative errors of Ni and Cu models were reduced within 15.28% and 14.46%, respectively. Our work suggests the prediction accuracy and efficiency of heavy metal model could be achieved by optimizing sensitive parameters.
Keywords: sensitivity analysis    SRRC    Mars-Sobol    heavy metal    model    parameter    
1 引言(Introduction)

近些年来, 我国各省市电镀行业均呈现迅猛发展态势, 高度发展的电镀行业导致水体重金属污染处于较高风险, 重金属是水体最持久的污染物之一, 聚集在沉积物和水生动植物中导致水生生物的毒性损伤和癌变(Turan et al., 2020)、造成河流水质下降(Yasar et al., 2019)并影响人类健康(Deak et al., 2019).重金属在水体中的迁移转化过程较为复杂, 几乎涵盖各种物理化学生物过程, 包括溶解态重金属随水流和沉积态重金属随底泥的迁移过程、悬浮物对溶解态重金属的吸附过程和沉积态重金属通过间隙水的再释放过程等(李然等, 1997).因此, 重金属在环境中的迁移、转化及累积已经成为国内外学者研究的热点(邴海健等, 2010).

在重金属理化性质和污染机理的研究中, 国内外学者主要通过室内动静态实验结合基本理论研究重金属迁移转化的动力学规律.目前已经通过室内吸附、溶出实验及物理模型实验, 建立了沉积物和上覆水之间的重金属传质过程以及沉积物铬、铅等重金属的再释放过程(林玉环, 1985Yan et al., 2021).王小静(2012)利用水淘洗装置研究了不同粒径颗粒物对重金属迁移转化的贡献.He等(2019)通过室内、现场试验及数值模拟相结合的方法, 研究了污水池中重金属的迁移规律及滞留特性.室内实验适用于特定重金属的单一转化机制, 对大型河流的迁移转化无法定量化, 因此构建重金属迁移转化模型对重金属含量进行模拟与预测成为重金属领域研究的新趋势(Liu et al., 2020), 通过综合考虑重金属生化反应、迁移转化过程, 直观的展示重金属在水环境的变化情况.申献辰等(1997)构建了考虑泥沙含量影响的重金属模型, 研究了黄河中游段不同水期、不同含沙量及不同流量条件下的重金属输送迁移情况;Rona和Horst(2002)在重金属模型中考虑了不同排放点和扩散路径, 模拟了莱茵河、易北河重金属的污染排放对河流重金属含量的影响;王志文(2004)利用MIKE11模型的Ecolab模块模拟了太仓市河网区重金属的吸附、沉降和再悬浮等过程;Žagar等(2006)利用GIS结合一维MeRiMod和PCFlow-3D研究了斯洛文尼溶解汞在河口区的分布;Yu等(2012)基于FVCOM模型研究了钢铁厂排放对罗源湾Pb的分布影响;武柯宏(2018)通过MIKE21模型预测了宗通卡水利枢纽工程丰、平、枯水年水库蓄水至正常水位过程的重金属变化;Torres-Bejarano等(2019)构建了墨西哥湾河流和海湾连通的重金属耦合模型;Dong等(2020)实现了垃圾填埋场重金属的土壤和地下水迁移数学模型.重金属种类繁多, 涉及的迁移转化模型机理参数较多, 因此构建相应的重金属迁移转化模型往往费时、费力.

为高效构建环境数学模型, 多年来模型学家提出了不同的参数敏感性分析方法来优化模型参数, 主要分为全局敏感性分析和局部敏感性分析方法(Werkhoven et al., 2009), 赵月等(2021)采用Morris局部敏感性分析和Glue全局敏感性分析两种方法, 对SWMM模型参数进行不确定性分析, 结果表明两种方法对SWMM模型的参数识别均具有参考性.局部敏感性分析方法考虑单一参数改变对最终结果的影响, 计算简单可操作性强, 但未考虑参数间的相互作用, 无法适用于“异参同效”明显的模型(孙飞飞等, 2014).全局敏感性分析方法同时考虑多个参数改变对模型结果的影响及各参数间的相互作用, 在参数敏感性分析中使用较为广泛(戚迎龙等, 2020陈再现等, 2021).敏感性分析方法还分为定性分析和定量分析(宋晓猛等, 2015), 定性分析包括Morris筛选法(Morris, 1991)、LH-OAT方法(Abbaspour et al., 2007)、多元回归分析法(李一平等, 2012)、Fast法(Li et al., 2019)等, 由于定性分析只给出各参数的敏感度排序, 无法量化参数的贡献率大小(孙飞飞等, 2014), 因此定量分析方法开始受到关注, 如Sobol法(Saltelli, 1995)、E-Fast法(Saltelli, 1999)、Glue法(Beven, 1992)、RSA法(Norton, 2015)等.随着机器学习法的提出(丁玲, 2019), Mars法、支持向量机等机器学习方法在参数研究中也得到了较为广泛的应用(江竹等, 2012).

现有的重金属模型模拟往往只针对特定区域的特定重金属, 不具备推广性, 此外重金属在河流中的迁移转化机理复杂, 涉及参数较多导致模型率定难度大.为解决这些问题, 本文构建了纳污支流重金属总镍(Ni)迁移转化全参数模型, 采用了标准秩回归分析方法(SRRC法)和Sobol多元自适应回归样条算法(Mars-Sobol法)进行模型参数敏感性分析, 识别出Ni迁移转化模型的敏感参数, 通过对敏感参数的率定验证构建了高效、高精度的Ni迁移转化模型.最后将率定验证敏感参数的方法成功应用于重金属总铜(Cu)迁移转化模型的构建中, 以期为实现不同种类重金属迁移转化模型的高效构建和预测提供技术支撑.

2 材料和方法(Materials and methodology) 2.1 研究区域

靖江市某电镀集中区是典型的重金属工业园区, 有39家电镀企业和100条电镀生产线, 产生的废水经园区污水处理设施(设计规模6000 t·d-1)集中处理达到《电镀污染物排放标准(GB 21900—2008)》后, 经专用排污管道进入纳污支流后汇入长江(图 1), 排污管道的排污口距离长江干流仅1 km.排污口上游750 m到调蓄闸的河宽为4.88~17.5 m, 水深为2.2~2.6 m, 平均流速为0.49~0.84 m·s-1, 流量为17.1~33.2 m3·s-1, 河床沉积物以粉砂和砂为主(韩丁等, 2020), 中值粒径为102.5~114.8 μm, SS、Ni、Cu监测均值分别为14.88、0.004和0.005 mg·L-1, 总氰化物、六价铬、总铬和总锌未检出.

图 1 研究区域纳污支流(插图)和长江干流监测点位、模型网格及地形示意图 Fig. 1 Monitoring sites, computational grid and topographical map of the model of discharge branch (small picture) and Yangtze River in research area
2.2 研究方法 2.2.1 模型构建

(1) 水文水质同步监测.2019-06-01—06-02对纳污支流和长江干流河段进行水文水质同步监测, 纳污支流布设有3个水文水质同步监测点位和3个水质同步监测点位, 在长江干流的支流入江口上、下游500 m各布设1个水质同步监测点位, 点位布设位置见图 1.每天9:00、11:00、14:30、16:30共采样4次, 监测因子包括水深、流量、流速、流向以及Ni和Cu含量等.

(2) 水动力模型构建.为研究纳污支流的重金属时空分布, 需构建两个模型, 一个为纳污支流模型, 自排污口上方750 m至入长江口约2 km的河段, 共划分738个网格;由于纳污支流模型长度较短, 下边界靠近闸门不具备监测条件, 因此需另外构建长江干流模型为纳污支流模型提供计算水位边界序列, 长江干流模型自支流入江口上游水文站镇江(二)站至下游水文站吴淞站和灵甸港站, 全长约220 km, 划分了3863个网格.两个模型的网格及地形图见图 1.

(3) 重金属迁移转化模型.研究采用EFDC的重金属迁移转化模块(季振刚, 2017), 共有7个模型参数(表 1).

表 1 模型参数及取值范围 Table 1 Model parameters and its ranges

(4) 模型运行条件.①初始条件: 两个模型的初始流速和水温均为0和20 ℃.长江干流模型初始水位采用水利部太湖流域管理局公布的各水文站的逐时水位平均值, 纳污支流模型的初始水位和Ni、Cu初始浓度取同步监测期各监测点平均值.②边界条件: 长江干流模型的水动力边界采用各水文站逐时水位.纳污支流模型的上游水动力边界采用该边界的实测流量, 下游水动力边界由长江干流水动力模型提供计算水位边界序列, 上、下游边界的Ni、Cu浓度采用实测值.③污染源条件: 采用排污口排放流量及Ni、Cu正常排放浓度.

2.2.2 SRRC参数敏感性分析

SRRC参数敏感性分析是利用拉丁超立方抽样方法(LHS)(李一平等, 2012)对选取的参数在取值范围内进行抽样并代入模型计算, 输入参数和输出结果归一化转化为相关秩系数, 然后采用最小二乘法进行回归分析得到不同参数的标准回归系数(SRRC值)和拟合优度R2.SRRC值表征各参数的敏感性大小, 值越大表示该参数对输出结果影响越大;R2代表回归模型的可靠性, 一般大于0.7说明该回归模型合理可行(Pan et al., 2011).计算公式见式(1).

(1)

式中, i=1, 2, 3…m, m为总的样本数;y为输出结果的均值;ŷ为输出结果的标准偏差;j=1, 2, 3…k, k为参数个数;xj该输入参数的均值;为该输入参数的标准偏差;对不同数据进行归一化;bj为参数的回归系数, 采用最小二乘法对处理后数据进行回归分析获得.

2.2.3 Mars-Sobol参数敏感性分析

Mars法是1991年由美国统计学家Jerome Friedman提出的一种针对多维变量非线性回归拟合方法.包括3个步骤: ①向前迭代, 模型开始时只含1个常数项, 考虑变量相互作用后不断增加基函数数量, 直到模型的残差平方和(GCV)达到最小或者基函数个数达到设定的最大值;②向后剪枝, 得到模型后根据算法自动删除贡献较低的基函数;③模型后处理, 比较向后剪枝过程中多个模型的GCV, 选取最优模型.GCV越小说明模型拟合度越好, 精确度越高(初众, 2011).

(2)
(3)

式中, M为基函数个数;n为输入样本个数;ŷiyi的预测值;trace[B(BTB)-1BT]为模型有效系数个数, 通常与基函数个数相同;d为惩罚因子, 为2~4, 一般取3.

Sobol法通过LHS法构建AB两个矩阵, 行数为LHS抽样次数, 列数为参数个数, 对A, B两个矩阵进行换列(B第一列替换A第一列)构造矩阵AB1, 将B第二列替换A第二列构造矩阵AB2, 以此类推;同时, 将矩阵A第一列替换B第一列构造矩阵A1B, ……, 最终构造N×2个矩阵.Sobol法的样本数为M×N×2个, 将其代入Mars法构造的代理模型计算, 可解决单一Sobol法所需样本量大、计算时间长的问题(孔凡哲等, 2011), 计算公式见式(4)~(9).

(4)
(5)
(6)
(7)
(8)
(9)

式中, Y为以AB两个矩阵构造的新矩阵;Var(Y)为方差.

3 结果与讨论(Results and discussion) 3.1 水动力模型率定验证

长江干流模型利用水利部太湖流域管理局2019年6月1日徐六泾、杨林断面、营船港闸和崇西闸站逐时实测水位进行率定(图 2以徐六泾和杨林断面水位为例), 率定得到长江干流糙率系数为0.01~0.02, 水位绝对误差最大为22.51 cm.采用2019年6月2日实测水位进行验证, 验证水位绝对误差最大为29.01 cm, 可见该模型可以为纳污支流模型提供可信度较高的水位边界条件.

图 2 长江干流模型主要断面水位率定和验证结果图 (a、b分别为2019年6月1日徐六泾和杨林断面的水位率定结果图, c、d分别为2019年6月2日徐六泾和杨林断面的水位验证结果图) Fig. 2 Calibration and validation of the hydrodynamic model of the Yangtze River. Calibration and validation results in (a, c) Xuliujing and (b, d) Yanglin cross-sections on June 1 and June 2, 2019, respectively

纳污支流模型水动力率定采用排污口2019年6月1日的同步监测值进行率定(图 3a), 率定纳污支流糙率系数为0.02~0.03, 水位绝对误差最大为28.27 cm, 与杭嘉湖河网区域的参数相当(谢蓉蓉等, 2012).采用2019年6月2日排污口实测水位进行验证, 验证水位绝对误差最大为23.23 cm, 可见构建的模型可以较好适用于研究区域水动力模拟.

图 3 纳污支流模型水位率定和验证结果图 (a.2019年6月1日排口处的水位率定结果图, b.2019年6月2日排口处的水位验证结果图) Fig. 3 Calibration and validation of sewage tributary model (a. calibration result in the outlet position on June 1, 2019, b. validation result in the outlet position on June 2, 2019)
3.2 Ni迁移转化模型的敏感参数识别 3.2.1 SRRC方法

利用LHS抽样法对7个模型参数抽取400组样本, 代入已率定验证水动力的纳污支流重金属模型进行计算, 计算稳定后3.5 d的Ni浓度作为因变量, 得到5%、95%百分位值和平均值3种情况下的纳污支流Ni浓度场图(图 4a~4c), 根据不同网格400次模型运行结果, 计算其标准差(见图 4d).

图 4 Ni浓度值5%(a)、95%(b)、平均值(c)及标准差(d)的空间分布图 Fig. 4 Spatial distribution of the Ni concentration of 5%, 95%, average and standard variance condition

图 4a~4c可知, 重金属排放对排污口下游水体有明显影响;图 4d可知排污口下游Ni标准差最小, 入江口最大达0.0448, 说明入江口浓度受参数变化的敏感性最大, 主要是由于入江口流场变化较大, 受流场影响泥沙推移、悬浮和沉降等运动较为剧烈.

分别计算7个模型参数的敏感性在所有参数中的敏感性占比, 河沙分配系数和泥沙沉降速率为SRRC法得到的主导参数, 其他参数的敏感性均小于0.1%.图 5为主导参数敏感性占比的空间分布图, 由图 5可知, 排口下游区域重金属河沙分配系数的敏感性为96.1%~99.7%, 泥沙沉降速率的敏感性为0.1%~3.3%.

图 5 河沙分配系数(a)及泥沙沉降速率(b)敏感性占比空间分布图 Fig. 5 Spatial distribution of the sensitivity magnitude of sand distribution parameter(a) and sedimentation rate(b)
3.2.2 Mars-Sobol法

Mars法构造代理模型利用SRRC法的400组样本, 选取排污口和入江口的Ni浓度作为机器学习的输出参数, 运行300次输入参数样本及计算结果作为训练样本, 运行100次输入参数及计算结果作为测试样本, 检验构造代理模型计算值与实际值的误差.通过比较不同最大基函数个数情况下代理模型的均方误差(MSE)和拟合优度R2选取最优基函数个数(图 6).由图 6可知, 排污口处最大基函数个数为10时, 构造代理模型的MSE最小为1.99×10-8, R2最大为0.993;入江口处最大基函数个数为6时, MSE最小为2.86×10-5, R2最大为0.986.本文采用的Mars法构造代理模型耗费时间均不超过2 s.

图 6 不同最大基函数个数下代理模型的拟合情况 Fig. 6 Fitting situation of the proxy model under different number conditions of maximum basic functions

Sobol法采用LHS对7个参数抽取3000个样本, 其中1500个样本构造矩阵A, 剩余样本构造矩阵B.将所有样本代入Mars法的构造代理模型, 得到各参数的一阶敏感度及总敏感度(表 2).由表 2可知, Ni河沙分配系数以及泥沙沉降速率是影响模型的重要参数, 随水流运动方向, Ni河沙分配系数影响逐渐减低, 泥沙沉降速率影响逐渐增强.排污口河沙分配系数和泥沙沉降速率的一阶敏感度分别为1.064、0.010, 占比分别为98.43%、0.93%, 总敏感度分别为0.954、0.058, 占比分别为93.44%、5.68%;入江口的一阶敏感度分别为0.862、0.116, 占比分别为79.74%、10.73%, 总敏感度为0.906、0.111, 占比分别为87.18%、10.68%.

表 2 排口处和入江口处各参数一阶敏感度及总敏感度计算结果表 Table 2 First-order sensitivity and total sensitivity of parameters in the outlet position and the entrance of Yangtze River
3.2.3 SRRC法与Mars-Sobol法比较

采用SRRC法与Mars-Sobol法对重金属模型参数进行敏感性分析均发现重金属河沙分配系数以及泥沙沉降速率是主要影响参数, 统计这两个参数在两种方法下的平均敏感性占比见表 3, 两种方法的重金属河沙分配系数贡献率均显著大于泥沙沉降速率, 但Mars-Sobol法的重金属河沙分配系数平均敏感性占比小于SRRC法(99.20% v.s. 90.28%), 泥沙沉降速率平均敏感性占比大于SRRC法(0.50% v.s. 8.21%), 主要原因是SRRC方法适用于参数交互作用不明显的敏感性分析(宋晓猛等, 2015), 若单一使用SRRC法, 泥沙沉降速率的敏感性可能会被忽略, 导致分析可能会存在误差.

表 3 SRRC法与Mars-Sobol法的平均敏感性占比对比 Table 3 Comparation of the sensitive parameters using SRRC method and Mars-Sobol method

综合比较SRRC法和Mars-Sobol法, SRRC法可得到参数敏感性的空间分布, 计算公式简单, 计算成本较低, 但样本的计算时间较长.Mars-Sobol法的机器学习可有效降低样本的计算时间, 并考虑参数间的相互作用, 其敏感性结果更为精确, 该结果也与试验结论基本一致(王靖宇等, 2014).

3.3 重金属敏感参数的率定及验证 3.3.1 Ni迁移转化模型

采用2019年6月1日电镀集中区排口处及调蓄闸下游300 m的Ni实测值仅对敏感参数(Ni河沙分配系数和泥沙沉降速率)进行率定(图 7a7b表 4), 得到Ni河沙分配系数为0.008, 泥沙沉降速率为1×10-6, Ni浓度相对误差最大为15.28%.对比胡冬舒(2017)在湘江构建的镉、砷迁移转化模型最大误差为13.33%和14.29%, 茆峰(2012)在矿区镉迁移转化模型最大误差达71.79%, 这里仅对敏感参数率定的Ni迁移转化模型的模拟精度可满足模型预测的需求.

图 7 纳污支流Ni迁移转化模型的率定和验证结果图 (a、b分别为2019年6月1日排污口及调蓄闸下游300 m的Ni率定结果, c、d分别为2019年6月2日的Ni验证结果) Fig. 7 Calibration and validation of Ni in the sewage tributary model (a and b are Ni calibration results in the outlet position and 300m downstream of the regulating gate on June 1, 2019. c and d are Ni validation results on June 2, 2019.)

表 4 纳污支流重金属模型主要参数初始值和率定值 Table 4 Initial and calibrated value of parameters in the heavy metal model

采用2019年6月2日实测值对Ni迁移转化模型进行验证(图 7c7d), 验证得到Ni平均相对误差最大为8.54%.表明通过对Mars-Sobol法确定的敏感参数率定, 可以达到模型模拟的精度要求.敏感性分析提供参数调整的优先级, 优化参数对减小模型的不确定性和提高模型精度有重要意义(姜龙等, 2018程月等, 2020).

3.3.2 Cu迁移转化模型的应用

为验证Ni迁移转化模型的敏感性参数具有推广性, 采用2019年6月1日电镀集中区排口处及调蓄闸下游300 m的Cu监测数据仅对敏感参数Cu河沙分配系数进行率定(另一敏感参数泥沙沉降速率直接采用Ni模型结果1×10-6), 率定参数见表 4图 8, Cu河沙分配系数为0.013, Cu浓度相对误差最大为14.46%.

图 8 纳污支流Cu迁移转化模型的率定和验证结果图 (a、b分别为2019年6月1日排污口及调蓄闸下游300 m的Cu率定结果, c、d分别为2019年6月2日的Cu验证结果) Fig. 8 Calibration and validation of Ni in the sewage tributary heavy metal model (a and b are Cu calibration results in the outlet position and 300 m downstream of the regulating gate on June 1, respectively. c and d are Cu validation results on June 2.)

采用2019年6月2日实测值对Cu迁移转化模型进行验证(图 8), 验证得到Cu的平均相对误差最大为12.62%, 表明仅对敏感参数率定的Cu迁移转化模型的模拟精度可满足模型预测的需求.通过对Cu模型敏感性参数率定验证的成功应用, 表明重金属河沙分配系数和泥沙沉降速率可作为不同种类重金属迁移转化模型的敏感参数推广.

4 结论(Conclusions)

1) SRRC法的Ni河沙分配系数的敏感性占比为96.1%~99.7%, 泥沙沉降速率为0.1%~3.3%.Mars-Sobol法的Ni河沙分配系数的总敏感度占比为87.18%~93.44%, 泥沙沉降速率为5.68%~10.68%.两种方法均可识别重金属模型的敏感参数.

2) Mars-Sobol法考虑了参数间的交互作用使得敏感性结果更为精确, 此外, 该方法获取敏感性参数的计算时间较SRRC法更少.

3) 通过将Mars-Sobol法确定的Ni敏感参数“重金属河沙分配系数”和“泥沙沉降速率参数”直接应用到Cu迁移转化模型中, Ni、Cu模拟的相对误差最大仅为15.28%和14.46%, 说明“河沙分配系数”和“泥沙沉降速率参数”可作为敏感参数, 应用于不同种类重金属迁移转化模型的构建和预测中.

参考文献
Abbaspour K C, Jing Y, Maximov I, et al. 2007. Modeling hydrology and water quality in the pre-alpin Thur watershed using SWAT[J]. Journal of Hydrology, 333(2/4): 413-430.
Beven K, Binley A. 1992. The future of distributed models: Model calibration and uncertainty prediction[J]. Hydrological Processes, 6(3): 279-298. DOI:10.1002/hyp.3360060305
邴海健, 吴艳宏, 刘恩峰, 等. 2010. 长江中下游不同湖泊沉积物中重金属污染物的累积及其潜在生态风险评价[J]. 湖泊科学, 22(5): 675-683.
陈再现, 钟炜彭. 2021. 基于全局敏感性的模型更新混合模拟方法[J]. 建筑结构学报, 42(2): 231-238.
程月, 李一平, 施媛媛, 等. 2020. 大型浅水湖泊沉积成岩模型不确定性与敏感性分析-以氮为例[J]. 湖泊科学, 32(6): 1646-1656.
初众. 2011. 基于MARS的响应面建模方法研究[D]. 武汉: 华中科技大学
Deak G, Dumitr F D, Moncea M A, et al. 2019. Assessing The Heavy Metals Concentrations in The Dambovita River [C]. AIP Conference Proceedings, 2129(1): 020067
丁玲. 2019. 量子机器学习算法综述[J]. 电子世界, (12): 24-26.
Dong J X, Chen Z, Wang K, et al. 2020. Examining fate and transport of heavy metal in landfill site through numerical environmental multimedia modeling approach[J]. Journal of Environmental Engineering, 146(5): 04020026. DOI:10.1061/(ASCE)EE.1943-7870.0001684
韩丁, 黎睿, 汤显强, 等. 2020. 长江中下游江段泥沙对Pb2+的吸附特征[J]. 长江科学院院报, 37(5): 15-22.
He Y, Li B B, Zhang K N, et al. 2019. Experimental and numerical study on heavy metal contaminant migration and retention behavior of engineered barrier in tailings pond[J]. Environmental Pollution, 252(2019): 1010-1018.
胡冬舒. 2019. 基于WASP的湘江长株潭段重金属水质模型研究[D]. 湘潭: 湘潭大学
霍文毅, 陈静生. 1997. 我国部分河流重金属水-固分配系数及在河流质量基准研究中的应用[J]. 环境科学, 18(4): 11-14+91.
季振刚. 2017. 水动力学和水质-河流、湖泊及河口数值模拟[M]. 北京: 海洋出版社, 292-293.
江晨曦. 2017. 强潮流河口环境泥沙沉降特征数值模拟研究[D]. 杭州: 浙江大学
姜龙, 李一平, 章双双, 等. 2018. 大型浅水湖泊藻类模型参数敏感性分析[J]. 湖泊科学, 30(3): 693-700.
江竹, 宋文武. 2012. 机器学习在河流流量参数估计中的应用[J]. 西华大学学报(自然科学版), 31(2): 73-76+80. DOI:10.3969/j.issn.1673-159X.2012.02.018
孔凡哲, 宋晓猛, 占车生, 等. 2011. 水文模型参数敏感性快速定量评估的RSMSobol方法[J]. 地理学报, 66(9): 1270-1280.
李然, 李嘉, 赵文谦. 1997. 水环境中重金属污染研究概述[J]. 四川环境, (1): 19-23.
李一平, 唐春燕, 余钟波, 等. 2012. 大型浅水湖泊水动力模型不确定性和敏感性分析[J]. 水科学进展, 23(2): 271-277.
Li Z H, Jin X L, Liu H L, et al. 2019. Global sensitivity analysis of wheat grain yield and quality and the related process variables from the DSSAT-CERES model based on the extended Fourier Amplitude Sensitivity Test method[J]. Journal of Integrative Agriculture, 18(7): 1547-1561. DOI:10.1016/S2095-3119(18)62046-5
林玉环. 1985. 汞污染河流底质迁移模式研究[J]. 环境科学学报, 5(3): 276-285.
Liu C, Ma X Y, Huang X, et al. 2020. Research progress on migration and transformation model of heavy metal pollutants [C]. IOP Conference Series: Earth and Environmental Science, 467(1): 012157
茆峰. 2012. 矿区特征污染物在河流中的迁移转化数学模型研究[D]. 合肥: 合肥工业大学
Morris M D. 1991. Factorial sampling plans for preliminary computational experiments[J]. Technometrics, 33(2): 161-174. DOI:10.1080/00401706.1991.10484804
Norton J. 2015. An introduction to sensitivity assessment of simulation models[J]. Environmental Modelling and Software, 69: 166-174. DOI:10.1016/j.envsoft.2015.03.020
Pan F, Zhu J T, Ye M, et al. 2011. Sensitivity analysis of unsaturated flow and contaminant transport with correlated parameters[J]. Journal of Hydrology, 397(3/4): 238-249.
戚迎龙, 赵举, 史海滨, 等. 2020. 覆土浅埋滴灌玉米田双作物系数模型参数全局敏感性分析[J]. 农业工程学报, 36(7): 99-108.
Rona V, Horst B. 2002. Heavy metal transport in large river systems: heavy metal emissions and loads in the Rhine and Elbe river basins[J]. Hydrological Processes, 16(16): 1-18.
Saltelli A, Sobol' I M. 1995. Sensitivity analysis for nonlinear mathematical models: Numerical experience[J]. Institute for Mathematical Modelling, 7(11): 16-28.
Saltelli A, Tarantola S, Chan P S. 1999. A Quantitative Model-Independent Method for Global Sensitivity Analysis of Model Output[J]. Technometrics, 41(1): 39-56. DOI:10.1080/00401706.1999.10485594
申献辰, 冯惠华, 王凤荣, 等. 1997. 重金属在黄河中游输送和迁移的水质模拟研究[J]. 水利学报, (1): 50-56.
宋晓猛, 张建云, 占车生, 等. 2015. 水文模型参数敏感性分析方法评述[J]. 水利水电科技进展, 35(6): 105-112.
孙飞飞, 许钦, 任立良, 等. 2014. 水文模型参数敏感性分析概述[J]. 中国农村水利水电, (3): 92-95. DOI:10.3969/j.issn.1007-2284.2014.03.026
Torres-Bejarano F M, Castaeda C C, Ramirez-Leon H, et al. 2019. Numerical Modelling of Heavy Metal Dynamics in a River-Lagoon System[J]. Mathematical Problems in Engineering, 2019(1): 8485031.
Turan F, Eken M D, Ozyilmaz G, et al. 2020. Heavy metal bioaccumulation, oxidative stress and genotoxicity in African catfishClarias gariepinusfrom Orontes river[J]. Ecotoxicology, 29(3): 1522-1537.
王靖宇, 方红卫, 黄磊, 等. 2014. 重金属随泥沙迁移过程的数学模型[J]. 水科学进展, 25(2): 225-232.
王小静. 2012. 不同粒径颗粒物对长江、黄河输送重金属的贡献研究[D]. 青岛: 中国海洋大学
王志文. 2004. 感潮河网地区重金属数学模型研究[D]. 南京: 河海大学
Werkhoven K V, Wagener T, Reed P, et al. 2009. Sensitivity-guided reduction of parametric dimensionality for multi-objective calibration of watershed models[J]. Advances in Water Resources, 32(8): 1154-1169. DOI:10.1016/j.advwatres.2009.03.002
吴宇帆. 2016. 长江河口细颗粒泥沙沉降速度研究[D]. 上海: 华东师范大学
武柯宏. 2018. 基于MIKE21模型的水库重金属迁移特性数值模拟研究[D]. 武汉: 长江科学院
谢蓉蓉, 逄勇, 张倩, 等. 2012. 嘉善地区水环境敏感点水质影响权重分析及风险等级判定[J]. 环境科学, 33(7): 2244-2250.
Yan H J, Zhang H Y, Shi Y J, et al. 2021. Simulation on release of heavy metals Cd and Pb in sediments[J]. Transactions of nonferrous metals society of china, 31(1): 277-287. DOI:10.1016/S1003-6326(21)65494-8
Yasar A, Sohail M T, Tabinda A, et al. 2019. Macrophytes as potential indicator of heavy metals in river water[J]. Desalination and water treatment, 142: 272-278. DOI:10.5004/dwt.2019.23433
Yu D, Zhang M S, Lin J G, et al. 2014. Heavy metal concentration site monitor and numerical simulation in Luoyuan Bay[J]. Marine Environmental Science, 33(2): 248-252.
Žagar D, Knap A, Warwick J, et al. 2006. Modelling of mercury transport and transformation processes in the Idrijca and Soča river system[J]. Science of the Total Environment, 368(1): 149-163. DOI:10.1016/j.scitotenv.2005.09.068
赵月, 张建丰, 李涛, 等. 2021. 降雨径流模型的参数敏感性分析与方法比较[J]. 中国给水排水, 37(7): 114-120.