不同富营养化评价方法在典型采煤沉陷积水区的应用

Application of Various Eutrophication Assessment Methods in Typical Coal-Mining Subsidence Water Areas

摘要: 水体富营养化评价一直是环境研究的热点问题，为找到适宜采煤沉陷积水区富营养化评价的方法，本研究选取淮南矿区潘集、谢桥采煤沉陷积水区作为研究对象，利用综合营养状态指数法(TLI)、卡尔森营养状态指数法(TSI)及BP神经网络法进行富营养化评价。结果表明：1) 潘集、谢桥沉陷积水区，丰水期Chl.a浓度显著高于枯水期(P < 0.05)，表现出显著的季节性差异，总氮(TN)、总磷(TP)、高锰酸盐指数(COD_Mn)和透明度(SD)等指标表现为丰水期高于枯水期；2) TLI及BP神经网络法富营养化评价结果具有高度一致性，即丰水期营养等级高于枯水期(P < 0.05)，TSI评价结果却与其相反，这与TSI构建机制、适用水体和沉陷积水区特殊水文特征有关；3) TLI及BP神经网络法更适合采煤沉陷积水区的富营养化评价。

Abstract: Eutrophication assessment of water bodies has long been a focal issue in environmental research. To establish an appropriate evaluation method for eutrophication in coal mining subsidence waterlogged areas, this study investigated the Panji and Xieqiao subsidence water accumulation zones within the Huainan mining area. Three methodologies were applied: the Comprehensive Trophic Level Index (TLI), Carlson’s Trophic State Index (TSI), and Backpropagation (BP) neural network. Key findings include: 1) Chlorophyll-a (Chl.a) concentrations in both Panji and Xieqiao areas were significantly higher during the wet season than in the dry season (P < 0.05), indicating pronounced seasonal variation. Other parameters—total nitrogen (TN), total phosphorus (TP), permanganate index (CODMn), and transparency (SD)—also exhibited elevated wet-season values. 2) TLI and BP neural network assessments demonstrated high consistency, both identifying higher trophic levels during the wet season (P < 0.05). In contrast, TSI yielded opposing results, likely attributable to its inherent structural limitations, applicability constraints for specific water bodies, and the unique hydrological dynamics of subsidence-induced water accumulation zones. 3) Comparative analysis confirmed the superior suitability of TLI and BP neural network methods for eutrophication evaluation in coal mining subsidence water environments.

1. 引言

煤炭开采作为能源供应的重要组成部分，在推动工业发展的同时，也产生了一系列环境问题[1]。在我国东部高潜水位煤矿区，由于井工煤炭开采导致土地沉陷并积水，显著改变了区域生态格局[2]。沉陷积水区客观增加区域可用淡水资源量，但是由于长期处于封闭或半封闭状态，水体的交换能力较弱，同时可能受到周边居民生活、农业活动以及工业生产等影响，水体容易受到污染[3]。近年来研究发现，沉陷积水区氮、磷超标严重，达到富营养化发生浓度，多个积水区域已经呈现中度或重度富营养化[4]-[6]。

水体富营养化现象主要是由于氮、磷等营养物质浓度过高，导致藻类大量繁殖而引起[7]。水体呈现富营养化状态以后，原有的生态系统遭到破坏，进而导致水体功能退化[8]。研究表明，总氮、总磷、氨氮、Chl.a等指标结合一些模型方法可以在一定程度上反映水体富营养化状态[9] [10]。目前，国内外研究学者主要采用的富营养化评价方法包括：主成分分析法[11]、BP神经网络分析法[12]、综合营养状态指数法[13]、遥感与模型综合法[14]、聚类分析法[15]、模糊综合评价[16]等，但是不同评价方法的指标描述、水体适用性及评价等级方面存在差异[17]。这可能导致不同方法对同一水体的评价结果不一致，并且不同方法对不同水体的评价结果没有可比性[17]。因此，研究富营养化评价方法对于不同水体的适用性及评价结果的准确性是水体富营养化控制的关键问题。

本研究选取淮南矿区中潘集、谢桥采煤沉陷积水区为研究对象，基于水样采集及指标分析，利用综合营养状态指数法(TLI)、卡尔森营养状态指数法(TSI)和BP神经网络法等3种富营养化评价方法，对研究区水体富营养化程度进行评价，揭示不同评价方法的差异性，探讨采煤沉陷积水区富营养化评价方法的适用性。

2. 材料与方法

2.1. 研究区概况

潘集、谢桥采煤沉陷积水区位于淮南矿区(116˚03'~117˚12'E, 31˚54'~33˚00'N)，为暖温带半湿润季风气候，年平均降水量为926.3 mm，平均气温为15.2℃ [18]。根据调查数据显示，潘集沉陷积水区最大水深约为12 m，平均水深约为5~8 m [19]；谢桥沉陷积水区最大水深约为17 m，平均水深约为6~9 m [20]。潘集采煤沉陷积水区主要分为三个部分(潘一、潘二、潘三)，潘集、谢桥采煤沉陷积水区主要开发利用形式是水面光伏发电及水产养殖，周围土地利用形式主要是农田及居民区。

2.2. 样品采集与测试

在2023年9月(丰水期)、12月(枯水期)对潘集沉陷积水区和谢桥沉陷积水区进行了现场采样，采样点位图如图1所示，图1中P1~P10为潘集沉陷积水区采样点位，X1~X10为谢桥沉陷积水区采样点位。利用水样采集器采集水样，水温(T)、pH、溶解氧(DO)、透明度(SD)等指标利用便携式仪器现场测试；测试氮、磷指标的水样添加硫酸酸化至pH < 2临时保存，将样品尽快送至实验室检测。利用分光光度法测定总氮(TN)、总磷(TP)、氨氮(NH₃-N)、高锰酸盐指数(COD_Mn)及Chl.a，具体检测方法参考《水和废水监测分析方法》(第四版) [21]。

Figure 1. Sampling locations in subsidence-induced flooded areas ((a): Panji; (b): Xieqiao)

图1. 潘集(a)、谢桥(b)沉陷积水区采样点位图

2.3. 研究方法

2.3.1. 综合营养状态指数法(TLI)

综合营养状态指数法(TLI)是国内对湖泊水域进行富营养化评价常用的方法[22]，计算公式如下：

$\text{TLI}={\displaystyle \sum _{j=1}^m{W}_j\times \text{TLI}\left(j\right)}$

式中：W_j为第j种参数的营养状态指数的相关权重；TLI (j)为第j种参数的营养状态指数。

以Chl.a为基准，则第j种参数的相关权重计算公式为：

$W_j=\frac{r_{ij}^2}{{\displaystyle {\sum }_{j=1}^m{r}_{ij}^2}}$

式中：r_ij为第j种参数与基准参数Chl.a的相关系数；m为评价参数的个数。湖泊(水库)部分参数与Chl.a的相关关系[22]如下表1所示。

Table 1. Correlation matrix of limnological parameters versus chlorophyll-a concentrations: Pearson’s r_ij and coefficient of determination $r_{ij}^2$ values

表1. 湖泊部分参数与叶绿素的相关关系r_ij及$r_{ij}^2$ 值

参数	Chl.a	TP	TN	SD	CODMn
rij	1	0.84	0.82	−0.83	0.83
$r_{ij}^2$	1	0.7056	0.6724	0.6889	0.6889

营养状态指数计算公式如下：

$TLI\left(Chl.a\right)=10\times \left(2.500+1.086\ln Chl.a\right)$

$TLI\left(TP\right)=10\times \left(9.436+1.624\ln TP\right)$

$TLI\left(TN\right)=10\times \left(5.453+1.694\ln TN\right)$

$TLI\left(SD\right)=10\times \left(5.118+1.940\ln SD\right)$

$TLI\left(CO{D}_{Mn}\right)=10\times \left(0.109+2.661\ln CO{D}_{Mn}\right)$

式中，Chl.a单位为µg/L，TP、TN、COD_Mn单位均为mg/L，SD单位为m。

根据公式计算得出研究对象的综合营养指数值，并使用连续数字对沉陷积水区的营养程度进行分级(表2)，计算得出的TLI指数值越高，表示水体的营养化程度越高，水体的污染程度相对严重。

Table 2. Classification of TLI trophic levels

表2. TLI营养状态等级划分

营养状态等级	TLI指数分区	定性评价
贫营养化	0 < TLI ≤ 30	优
中营养化	30 < TLI ≤ 50	良好
(轻度)富营养化	50 < TLI ≤ 60	轻度污染
(中度)富营养化	60 < TLI ≤ 70	中度污染
(重度)富营养化	70 < TLI ≤ 100	重度污染

2.3.2. 卡尔森营养状态指数法(TSI)

卡尔森营养状态指数法(TSI)是美国科学家卡尔森在1997年提出的，该方法以透明度作为基准，综合水质指标的各项参数，克服了单因子评价方法的片面性问题[23]。计算公式如下：

$TSI\left(Chl.a\right)=10\left(6-\frac{0.68\ln \left(Chl.a\right)}{\ln 2}\right)$

$TSI\left(TP\right)=10\left(6-\frac{\ln \left(\frac{48}{TP}\right)}{\ln 2}\right)$

$TSI\left(SD\right)=10\left(6-\frac{\ln SD}{\ln 2}\right)$

$TSI=\left[TSI\left(Chl.a\right)+TSI\left(SD\right)+TSI\left(TP\right)\right]/3$

式中：Chl.a单位为µg/L，SD单位为m，TP单位为mg/L。

TSI营养状态等级划分标准见下表3。

Table 3. Classification of TSI trophic levels

表3. TSI营养状态等级划分

TSI指数分区	营养状态等级
TSI < 38	贫营养化
38 ≤ TSI ≤ 53	中营养化
TSI > 53	富营养化

2.3.3. BP神经网络法

运用BP神经网络法对采煤沉陷积水区进行富营养化评价，其基本思想是：将与富营养化评价有关的指标限值作为学习样本，将富营养化等级设定为相应的期望输出值进行训练，然后以水质指标的实测值作为输入层单元，运用训练的网络进行仿真，最终根据输出的营养状态等级来确定沉陷积水区的营养状态。基于BP人工神经网络的营养状态模型[24]如下。

$\{\begin{array}{ll}�入�\left(\text{input}\right)\hfill & {\displaystyle \sum _{i=1}^m\text{input}\left(C_i\right)}\hfill \\ �含�\left(\text{hide}\right)\hfill & n_1=\sqrt{m+n}+a\hfill \\ �出�\left(\text{output}\right)\hfill & {\displaystyle \sum _{j=1}^n\text{output}\left(D_j\right)}\hfill \end{array}$

式中：$C_i\in C$ ，$C=\left\{C_1,C_2,C_3,\cdots ,C_m\right\}$ ；n₁为隐含层神经元个数；m为输入层神经元个数；C为输出神经元个数；n为1~10的常数；a，$D_i\in D$ ；$D=\left\{D\right\}$ 。

该模型中输入层对应的是富营养化评价指标，输出层为对应的营养状态等级，一般通过试错的方法来确定隐含层神经元个数。通过该模型进行计算时，输出层即为对应营养状态等级。运用MATLAB软件建立一个5-6-1的神经网络模型，应用该模型进行计算时，输出层即为对应的营养状态等级。

水体的富营养化程度主要是由水体中的氮、磷等营养元素含量的多少决定的。在参考了相琦宇弘[25]和郁根森[26]的2种评价标准，并结合本研究中潘集矿区和谢桥矿区的实际情况之后，建立如表4的评价标准。

Table 4. Eutrophication assessment criteria for coal mining subsidence waterlogged areas in Huainan mining area

表4. 淮南矿区采煤沉陷积水区富营养化评价标准

等级	Chl.a/(µg/L)	TP/(mg/L)	TN/(mg/L)	CODMn/(mg/L)	SD/m	营养状态等级
I	1.60	0.0046	0.079	0.48	8.00	贫营养
II	4.10	0.0100	0.160	0.96	4.40	贫–中营养
III	10.00	0.0230	0.310	1.80	2.40	中营养
IV	26.00	0.0500	0.650	3.60	1.30	中–富营养
V	64.00	0.1100	1.200	7.10	0.73	富营养

3. 结果与分析

3.1. 采煤沉陷积水区水质特征

潘集、谢桥沉陷积水区丰、枯水期水质指标如表5所示。Chl.a浓度值整体表现为丰水期大于枯水期，且丰、枯水期各点位间均无显著差异；TP浓度为0.03~2.36 mg/L，在丰水期的P5点位达到最大值(低于V类标准)，枯水期P4点位为最小值(II类)，整体表现为丰水期大于枯水期。TN浓度为0.59~4.74 mg/L，整体表现为丰水期大于枯水期；COD_Mn浓度为3.2~18.1 mg/L，在丰水期的P3点位达到最大值(低于V类标准值)，枯水期的X2点位最小(II类标准)，整体表现为丰水期大于枯水期。值得注意的是，SD表现为枯水期低于丰水期，这可能与采煤沉陷积水区特殊的水文条件有关，采煤沉陷积水区因普遍存在煤矸石回填现象[27]，导致水体悬浮颗粒物浓度升高；另外，沉陷积水区周边存在农田，地表径流也会使水体颗粒物浓度升高，同时沉陷积水区深度较浅，枯水期间的较强的风力扰动和温跃层的消失都会使水体悬浮物浓度升高，造成枯水期的SD低于丰水期。

Table 5. Characteristics of indicators in the Panji and Xieqiao subsidence-induced waterlogged areas during high and low water periods

表5. 潘集、谢桥沉陷积水区丰、枯水期指标特征

区域	点位	Chl.a/(µg/L)		TP/(mg/L)		TN/(mg/L)		CODMn/(mg/L)		SD/m
		丰水期	枯水期	丰水期	枯水期	丰水期	枯水期	丰水期	枯水期	丰水期	枯水期
潘集沉陷积水区	P1	22	16	0.21	0.06	1.34	0.94	13.6	5.6	0.52	0.49
	P2	26	18	2.08	1.63	4.74	1.86	14.5	12.1	0.54	0.48
	P3	28	14	1.77	1.58	4.73	1.04	18.1	12.4	0.51	0.45
	P4	34	16	1.84	0.03	3.46	1.12	5.6	13.6	0.49	0.43
	P5	27	15	2.36	0.16	1.95	1.26	6.8	5.6	0.50	0.43
	P6	23	13	0.29	0.26	2.29	1.76	10.1	5.8	0.45	0.42
	P7	26	17	0.35	0.20	1.91	2.08	7.8	5.6	0.60	0.54
	P8	28	15	0.35	0.29	1.79	1.34	8.8	5.7	0.58	0.55
	P9	28	15	0.24	0.22	1.36	2.50	9.5	5.8	0.56	0.53
	P10	23	12	0.25	0.17	1.31	1.19	7.2	5.6	0.62	0.57
谢桥沉陷积水区	X1	26	14	0.13	0.27	3.08	1.53	5.9	4.4	0.52	0.49
	X2	23	18	0.12	0.09	1.55	1.03	3.8	3.2	0.58	0.51
	X3	26	14	0.14	0.41	2.78	1.56	4.6	3.9	0.51	0.45
	X4	25	16	0.10	0.15	2.04	1.20	4.8	3.4	0.60	0.46
	X5	23	15	0.12	0.06	1.63	0.59	4.8	4.2	0.54	0.43
	X6	25	16	0.12	0.04	1.39	0.67	4.3	4.1	0.59	0.52
	X7	22	12	0.13	0.07	1.97	2.63	5.8	4.0	0.65	0.54
	X8	23	15	0.11	0.06	2.92	1.20	5.1	3.5	0.54	0.50
	X9	24	16	0.10	0.05	2.54	1.62	4.8	3.8	0.55	0.49
	X10	24	14	0.11	0.05	2.94	0.76	4.8	3.6	0.62	0.55

3.2. 采煤沉陷积水区富营养化评价结果

3.2.1. TLI评价结果

TLI评价结果如图2所示，潘集、谢桥沉陷积水区丰水期水体营养等级整体处于中营养化以上(P7点位除外)。枯水期30%点位水体营养等级处于中营养化，其它点位均处于贫营养化。丰水期水体的营养等级显著高于枯水期(P < 0.05)，这可能是因为丰水期间径流增加导致氮、磷等营养物质输入到水体中，加剧了水体的富营养化程度[28]。

(a) (b)

Figure 2. TLI assessment in coal mining subsidence waterlogged areas during high-water and low-water periods: (a) Panji coal field, (b) Xieqiao coal field

图2. 潘集(a)、谢桥(b)沉陷积水区丰、枯水期TLI评价结果

3.2.2. TSI评价结果

TSI评价结果如图3所示，潘集、谢桥沉陷积水区丰水期水体营养等级整体处于贫营养化。枯水期水体营养等级处于中营养化，其中X3点位达到中营养化等级以上。值得注意的是，枯水期水体营养等级显著高于丰水期(P < 0.05)，与TLI评价结果相反。这可能是TSI指数计算时各指标权重变化，导致TSI评价丰、枯水期营养等级改变[29]。

3.2.3. BP神经网络法评价结果

BP神经网络法评价结果见表6。丰水期潘集沉陷积水区各点位除P1~P4点位处于中–富营养化等级，其它点位均处于中营养等级，枯水期间各点位均处于贫–中营养等级。谢桥矿区沉陷积水区各点位丰水期均处于中营养等级，枯水期间均处于贫–中营养等级。潘集和谢桥沉陷积水区各点位丰水期营养等级均高于枯水期。

(a) (b)

Figure 3. TSI assessment in coal mining subsidence waterlogged areas during high-water and low-water periods: (a) Panji coal field, (b) Xieqiao coal field

图3. 潘集(a)、谢桥(b)沉陷积水区丰、枯水期TSI评价结果

Table 6. Performance evaluation of Backpropagation Neural Network (BPNN) algorithm

表6. BP神经网络评价结果

点位	丰水期	枯水期	点位	丰水期	枯水期
P1	中–富营养	贫–中营养	X1	中营养	贫–中营养
P2	中–富营养	贫–中营养	X2	中营养	贫–中营养
P3	中–富营养	贫–中营养	X3	中营养	贫–中营养
P4	中–富营养	贫–中营养	X4	中营养	贫–中营养
P5	中营养	贫–中营养	X5	中营养	贫–中营养
P6	中营养	贫–中营养	X6	中营养	贫–中营养
P7	中营养	贫–中营养	X7	中营养	贫–中营养
P8	中营养	贫–中营养	X8	中营养	贫–中营养
P9	中营养	贫–中营养	X9	中营养	贫–中营养
P10	中营养	贫–中营养	X10	中营养	贫–中营养

4. 讨论

本研究运用TLI、TSI和BP神经网络法对淮南矿区潘集、谢桥采煤沉陷积水区进行富营养化评价。结果表明，TLI和BP神经网络法得到的评价结果具有一致性，均显示丰水期营养状态等级显著高于枯水期(P < 0.05)，但TSI评价结果却呈现相反趋势。一般来说，Chl.a浓度可以直接表征藻类数量，可以作为富营养化评价的代表性指标[30]。而TLI是以Chl.a为基本参数并赋予最大权重，其余参数权重则依据其与Chl.a相关性大小来确定，因此Chl.a浓度对TLI评价结果至关重要[29]。

环境因子分析表明，水温是影响藻类等浮游生物生长的重要限制因子，温度升高会显著增加浮游动植物生物量，进而导致Chl.a浓度增加[31]。潘集、谢桥采煤沉陷积水区丰水期(9月)水温显著高于枯水期(12月)，这种温度差异直接导致Chl.a浓度丰水期高于枯水期。由此可见，温度的季节性变化引起Chl.a浓度变化，两者的相互影响显著影响水体的富营养化程度。因此，TLI评价结果表明潘集、谢桥采煤沉陷积水区丰水期水体的营养等级显著高于枯水期(P < 0.05)。陈聪聪[32]等通过对九龙江多个水库研究也发现，温度较高的季节藻类的丰度也相对较高，加剧了水体的富营养化程度。

TSI是以Chl.a、TP、SD作为核心参数，且各参数权重相同[30]。其计算模型显示，Chl.a、SD与TSI呈负相关关系，即Chl.a、SD两者数值降低会导致TSI值升高[23]。研究表明，水体中悬浮颗粒物是影响水体透明度的主要因素[33]。在采煤沉陷积水区中，煤矸石回填和降雨径流共同作用，导致水体悬浮颗粒物浓度显著增加，从而降低水体透明度。丰水期间，降雨量增加导致水位上升使透明度增加；同时，由于温跃层的存在，有效阻止了底部悬浮物与上层水体的混合[34]，这也是导致丰水期透明度高于枯水期的另一重要原因。相比之下，枯水期间，温度降低导致温跃层消失，加之降雨量减小，水位下降，同时由于风力扰动增强等因素，都会造成水中悬浮颗粒物浓度增加，使水体透明度降低，这是TSI评价结果显示枯水期营养等级高于丰水期的重要原因。此外，TSI的构建主要针对的是深水湖泊[30]。相关研究表明，潘集采煤沉陷积水区平均深度约5~8 m [19]；谢桥采煤沉陷积水区最大水深约17 m，平均水深为6~9 m [20]。研究区水深远低于深水湖泊的平均深度(不低于30 m)，可以说明TSI并不适合水深较浅的采煤沉陷积水区的水体富营养化评价。宋子豪[30]等通过对我国湖泊营养状态指数的研究中也发现，不同的营养状态指数法所选取的基准要素和适用水体范围略有不同，得到的评价结果也会有所差异。

综合比较三种评价方法，TLI对水体进行富营养化评价时，会选取多个评价指标，且对每个评价指标会赋予不同的权重，评价结果可能会过于突出某些指标对水质的影响。TSI虽然对每个评价指标赋予相同的权重，但TSI的构建是基于深水湖泊，对采煤沉陷积水区等浅水湖泊并不适合。相比之下，BP神经网络法在水质富营养化评价中克服了TLI和TSI的不足。通过自适应权重、非线性建模及动态优化，BP神经网络在复杂水体富营养化评价中更具优势，尤其适用于指标多样、关系非线性的场景，能够对各种水体、水质状况进行准确评价，包括河流、湖库、地下水和海水等水体[35]-[40]。研究表明，BP神经网络模型的评价结果要优于单因子评价结果，能够更加客观展现水质的实际情况，不会过分突出污染最严重因子的权重，可对水质状况进行综合评价[39]。这种综合评价方式有助于避免因单一指标的过度强调而导致的评价偏差，使水质评价结果更具科学性和合理性，所以BP神经网络法评价结果较为可信。袁瑞强[41]等运用BP神经网络法对洞庭湖上游进行水质评价时，评价结果相对合理，更接近实际情况。采煤沉陷积水区因其特殊的形成过程不同于一般地表水体，在进行水体富营养化评价时需要综合考虑水质变化特征、水体本身特征。本文中，BP神经网络和TLI评价结果具有一致性，可以说明BP神经网络和TLI适用于采煤沉陷积水区富营养化评价。

5. 结论

本文以潘集、谢桥采煤沉陷积水区为研究对象，在水质分析的基础上，采用TLI、TSI和BP神经网络法对沉陷积水区进行富营养化评价，结果表明：

1) 潘集、谢桥沉陷积水区，Chl.a浓度丰水期显著高于枯水期(P < 0.05)，表现出显著的季节性差异，TN、TP、COD_Mn和SD在丰、枯水期均无显著差异，但整体仍表现为丰水期略高于枯水期。

2) 沉陷积水区富营养化评价结果表明，综合营养状态指数法与BP神经网络法评价结果具有一致性，均表现为丰水期富营养化程度大于枯水期，与水体实际营养状态相符，证实两种方法适用于采煤沉陷积水区富营养化评价。

3) TSI评价结果与其他两种方法相反，究其原因是其构建机制是基于深水湖泊，选取SD作为基准参数，采煤沉陷积水区因存在大量煤矸石回填等现象，造成枯水期水体SD相对较低，故对采煤沉陷积水区等浅水湖泊并不适合，综上所述TSI并不适宜采煤沉陷积水区富营养化评价。

6. 建议

根据采煤沉陷积水区特殊的水文特征，建议对沉陷积水区各水质指标加强监控，尤其是水体透明度指标的变化对水体富营养化的影响，可采取TLI和BP神经网络项结合的方法对水体富营养化程度进行综合评价，同时建议当地政府加强对沉陷水域的治理及煤矸石的综合运用，对沉陷水域加强修复治理，如物理化学治理和生态治理相结合的方式，以期为沉陷水域的治理提供可行性建议。