人工神經(jīng)網(wǎng)絡(luò)結(jié)合SWAT模型在河道徑流量預(yù)測(cè)中的應(yīng)用

王福振

(錦州市義縣水利局， 遼寧 錦州 121100)

人工神經(jīng)網(wǎng)絡(luò)結(jié)合SWAT模型在河道徑流量預(yù)測(cè)中的應(yīng)用

王福振

(錦州市義縣水利局， 遼寧 錦州 121100)

徑流量預(yù)測(cè)的常用方法具有不確定性大、未考慮大氣變化及人類活動(dòng)等因素影響的缺點(diǎn)，因此提出人工神經(jīng)網(wǎng)絡(luò)結(jié)合SWAT模型的預(yù)測(cè)方法來(lái)對(duì)其進(jìn)行優(yōu)化。應(yīng)用該方法對(duì)遼寧省哈巴氣水文站的降雨量及徑流量進(jìn)行模擬，預(yù)測(cè)結(jié)果與實(shí)測(cè)值吻合度較高，證明了該方法的合理性。此外，應(yīng)用該方法對(duì)該站未來(lái)15年的徑流量變化情況進(jìn)行了預(yù)測(cè)，為該地區(qū)的水資源規(guī)劃提供基礎(chǔ)資料。

人工神經(jīng)網(wǎng)絡(luò)； SWAT模型； 徑流量； 預(yù)測(cè)

1 概 述

河道徑流量的預(yù)測(cè)是水土保持以及水資源管理與規(guī)劃的重要參考標(biāo)準(zhǔn)，也是研究水環(huán)境與水生態(tài)演變規(guī)律的主要指標(biāo)之一[1]，但其預(yù)測(cè)卻沒(méi)有統(tǒng)一且認(rèn)可度較高的方法。徑流量的常用預(yù)測(cè)方法為經(jīng)驗(yàn)法與數(shù)理統(tǒng)計(jì)法，但經(jīng)驗(yàn)法不確定性較大，而數(shù)理統(tǒng)計(jì)法難以考慮到氣候變化以及人類活動(dòng)的影響[2]。近些年發(fā)展起來(lái)的水文模擬法可改正以上兩項(xiàng)缺點(diǎn)，且正得到越來(lái)越廣泛的應(yīng)用。目前，國(guó)際上最流行的水文模型之一為SWAT模型[3]，它基于實(shí)際的物理原理，因此需要對(duì)其提供降水量、風(fēng)速、氣溫等輸入數(shù)據(jù)[4]。由此可知，輸入數(shù)據(jù)的預(yù)測(cè)是河道徑流量預(yù)測(cè)的基礎(chǔ)，而在所有的基本輸入數(shù)據(jù)中，降雨量的變化幅度較大且其對(duì)徑流量的影響較強(qiáng)，因此是徑流量預(yù)測(cè)是否成功的關(guān)鍵。本文采用人工神經(jīng)網(wǎng)絡(luò)法對(duì)降雨量進(jìn)行預(yù)測(cè)，該方法可準(zhǔn)確考慮到降雨量的內(nèi)部與外部影響因素，以及這些因素之間的相互關(guān)系，因此其預(yù)測(cè)精確度相對(duì)于傳統(tǒng)方法更強(qiáng)[5]。以遼寧省哈巴氣水文站為例，選用該水文站1958—2015年的降雨量及徑流量數(shù)據(jù)對(duì)人工神經(jīng)網(wǎng)絡(luò)模型和SWAT模型進(jìn)行訓(xùn)練與驗(yàn)證，證明將以上兩種模型耦合利用的方法精確度較高。此外，應(yīng)用該耦合方法對(duì)該站點(diǎn)未來(lái)15年的徑流量變化情況進(jìn)行了預(yù)測(cè)，為該地區(qū)的水資源管理提供參考。

2 方 法

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)法是一種多元線性回歸分析與建模工具，主要由輸入層、隱藏層和輸出層3層神經(jīng)元結(jié)構(gòu)構(gòu)成。本案例中的人工神經(jīng)網(wǎng)絡(luò)分析在NeuroSolution平臺(tái)中進(jìn)行，用于降雨量的預(yù)測(cè)，為SWAT模擬提供基礎(chǔ)資料。該方法可同時(shí)考慮到降雨量的內(nèi)部與外部影響因素，以及這些因素之間的相互關(guān)系，因此其預(yù)測(cè)能力較強(qiáng)。該系統(tǒng)主要是利用一系列權(quán)重系數(shù)以及轉(zhuǎn)移函數(shù)來(lái)表示神經(jīng)元之間的非線性特性，首要步驟是將輸入數(shù)據(jù)與權(quán)重系數(shù)相乘，其次根據(jù)反向傳播算法對(duì)其乘積進(jìn)行相加，最后再根據(jù)轉(zhuǎn)移函數(shù)將相加結(jié)果轉(zhuǎn)化為輸出值。輸出神經(jīng)元的計(jì)算過(guò)程可表達(dá)為[6]

(1)

o=f(net)

(2)

式中netj——凈值；n——輸入神經(jīng)元數(shù)；x——輸入神經(jīng)元矩陣；w——權(quán)重矩陣；b——偏移值矩陣；o——輸出神經(jīng)元值；f——轉(zhuǎn)移函數(shù)。

轉(zhuǎn)移函數(shù)的表達(dá)式為

(3)

因此，輸出神經(jīng)元也可表示為

(4)

權(quán)重系數(shù)的確定采用迭代優(yōu)化法，其目標(biāo)是使誤差函數(shù)取最小值，其思路可表達(dá)為

(5)

其中

(6)

式中η——模型學(xué)習(xí)率;

E——誤差函數(shù)：

PT——訓(xùn)練類型數(shù);

NO——輸出神經(jīng)元數(shù);

Rpre——預(yù)測(cè)值;

RM——實(shí)測(cè)值。

2.2 SWAT模型

SWAT模型是當(dāng)前國(guó)際最為流行的水文模型之一，它基于物理原理，可用于模擬徑流量、蒸散發(fā)量、入滲量、營(yíng)養(yǎng)物質(zhì)的擴(kuò)散與遷移等。該模型中水文循環(huán)的計(jì)算主要基于水量平衡方程，其表達(dá)式為

(7)

式中SWt——最終的土壤含水量;

SWo——初始含水量;

t——時(shí)間;

Rday——降雨量;

Qsurf——地表徑流量;

Ea——蒸散發(fā)量;

wseep——滲流量;

Qgw——回流量。

本案例采用SWAT模型中的ArcSWAT版本，其中主要參數(shù)值的確定采用經(jīng)驗(yàn)系數(shù)法，具體數(shù)值如下：土壤有效含水率系數(shù)為0.22，河道曼寧系數(shù)為0.05，土壤剖面最大根系深度為500mm，土壤水力導(dǎo)水率為460mm/h，徑流延遲系數(shù)為4，土壤蒸發(fā)補(bǔ)償因子為0.95，地下水遲滯時(shí)間系數(shù)為50。

2.3 實(shí)際案例

以遼寧省哈巴氣水文站資料為例對(duì)以上兩種模型進(jìn)行驗(yàn)證與應(yīng)用。該水文站位于遼寧省西部山區(qū)大凌河西支主干流、朝陽(yáng)市凌源市下游約15km處[7]，具有1958年至今的完整水文監(jiān)測(cè)資料。案例研究共分為四步：首先，隨機(jī)選取其中40年的降雨量資料對(duì)人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；其次，在數(shù)據(jù)庫(kù)中加入未被選用的降雨量資料對(duì)模擬結(jié)果進(jìn)行驗(yàn)證；第三，采用該模型對(duì)未來(lái)15年內(nèi)的降雨量進(jìn)行預(yù)測(cè)；最后，將預(yù)測(cè)的降雨量值應(yīng)用于SWAT模型的模擬中，從而預(yù)測(cè)出該站點(diǎn)未來(lái)15年內(nèi)的徑流量變化情況。

3 結(jié) 果

3.1 降雨量模擬與分析

采用人工神經(jīng)網(wǎng)絡(luò)法對(duì)哈巴氣站的降雨量進(jìn)行分析，首先隨機(jī)選取該站點(diǎn)40年的降雨量資料對(duì)模型進(jìn)行訓(xùn)練，并計(jì)算得到該站1955—2015年的平均降雨量時(shí)間序列，結(jié)果如圖1所示。其中最小值出現(xiàn)于1987年，為284mm；最大值出現(xiàn)于2000年，為768mm。該地區(qū)降雨量整體呈下降趨勢(shì)，在研究時(shí)間區(qū)間內(nèi)的年均降水量下降值約為0.59mm，這說(shuō)明降雨量的變化是該地區(qū)水資源短缺問(wèn)題日益嚴(yán)重的原因之一。

圖1 哈巴氣站1955—2015年平均降雨量

采用加權(quán)平均法[8]對(duì)降雨量的預(yù)測(cè)值進(jìn)行分析，得到各時(shí)間段內(nèi)的多年平均降雨量，并與實(shí)測(cè)值[9]進(jìn)行比較，結(jié)果見(jiàn)表1。

表1 哈巴氣站多年平均降雨量預(yù)測(cè)的誤差分析

由表1可知，人工神經(jīng)網(wǎng)絡(luò)的模擬結(jié)果誤差值較小，小于10mm標(biāo)準(zhǔn)，其中誤差最大的為7mm，絕對(duì)平均誤差值為4.4mm，平均誤差值僅為0.8mm；誤差率均低于5%，其中誤差率最高的為1.52%，絕對(duì)平均誤差率為0.90%，而平均誤差率僅為0.13%。以上誤差的產(chǎn)生主要是由于模型輸入量不足，例如在模型訓(xùn)練中只隨機(jī)選擇了40年的降雨量以保證有足夠的剩余數(shù)據(jù)來(lái)對(duì)模型進(jìn)行驗(yàn)證。但總體而言，該方法的模擬結(jié)果十分精確，可用于未來(lái)降雨量的預(yù)測(cè)中。

3.2 徑流量模擬與分析

采用SWAT模型對(duì)哈巴氣站的徑流量進(jìn)行模擬，得到該站1955—2015年的徑流量時(shí)間序列，結(jié)果如圖2所示。其中最小值出現(xiàn)于1998年，為0.205億m3；最大值出現(xiàn)于1962年，為3.815億m3。

圖2 哈巴氣站1955—2015年徑流量

該地區(qū)徑流量呈明顯的下降趨勢(shì)，在研究時(shí)間區(qū)間內(nèi)的年均徑流量下降值約為0.018億m3，這一方面是由于降雨量下降、蒸發(fā)量增加等自然條件的變化，另一方面也是因?yàn)楣I(yè)及城市化發(fā)展使該流域的水資源開(kāi)發(fā)量大幅增加。

采用加權(quán)平均法對(duì)徑流量的預(yù)測(cè)值進(jìn)行分析，得到各時(shí)間段內(nèi)的多年平均徑流量，并與實(shí)測(cè)值[10]進(jìn)行比較，結(jié)果見(jiàn)表2。SWAT模型的預(yù)測(cè)結(jié)果誤差值均小于0.1億m3，其中誤差最大的為0.058億m3，絕對(duì)平均誤差值為0.027億m3，平均誤差值僅為-0.025億m3；誤差率均低于5%，其中誤差率最高的為-4.70%，絕對(duì)平均誤差率為3.05%，而平均誤差率為-2.93%。以上誤差的產(chǎn)生主要是由于模型參數(shù)不完全符合實(shí)際情況，例如現(xiàn)實(shí)中的河道糙率具有空間變異性，因此采用單一的曼寧系數(shù)無(wú)法完全精確地表達(dá)出河道糙率的具體情況。但該方法的模擬結(jié)果已經(jīng)十分準(zhǔn)確，因此可用于對(duì)該地區(qū)的河道徑流量進(jìn)行預(yù)測(cè)。

表2 哈巴氣站年徑流量預(yù)測(cè)的誤差分析

3.3 徑流量預(yù)測(cè)與分析

采用以上已經(jīng)驗(yàn)證的人工神經(jīng)網(wǎng)絡(luò)模型及SWAT模型對(duì)哈巴氣站未來(lái)15年內(nèi)的降雨量及徑流量進(jìn)行預(yù)測(cè)，所得結(jié)果如圖3所示。根據(jù)預(yù)測(cè)結(jié)果可知，降雨量與徑流量的增高與下降趨勢(shì)較為相似，說(shuō)明徑流量與降雨量基本保持正相關(guān)關(guān)系。在2016—2030年，哈巴氣站的最小降雨量將出現(xiàn)于2028年，為323mm；最大降雨量將出現(xiàn)于2025年，為252mm，總體呈下降趨勢(shì)，年均下降值為4.57mm。該站最小徑流量將出現(xiàn)于2018年，為0.289億m3；最大徑流量將出現(xiàn)于2027年，為1.396億m3，總體同樣呈下降趨勢(shì)，年均下降值為0.011億m3。

圖3 哈巴氣站未來(lái)15年內(nèi)的降雨量與徑流量預(yù)測(cè)值

綜上，哈巴氣站的徑流量在未來(lái)總體呈下降趨勢(shì)，說(shuō)明該地區(qū)水資源短缺壓力將進(jìn)一步加劇，因此應(yīng)根據(jù)分析結(jié)果合理安排水資源開(kāi)采量，控制工業(yè)與城市化建設(shè)的速度與規(guī)模，并提高用水效率。

4 結(jié) 論

采用人工神經(jīng)網(wǎng)絡(luò)結(jié)合SWAT模型法對(duì)哈巴氣的降雨量與徑流量進(jìn)行了模擬，證明該方法精確度較高。采用人工神經(jīng)網(wǎng)絡(luò)法對(duì)該站未來(lái)15年內(nèi)的降雨量進(jìn)行了預(yù)測(cè)，并將該預(yù)測(cè)值應(yīng)用于SWAT模擬中，從而預(yù)測(cè)了該站未來(lái)15年內(nèi)的徑流量變化情況。結(jié)果表明，該河道徑流量將呈下降趨勢(shì)，年均下降值為0.011億m3，說(shuō)明該地區(qū)水資源短缺狀況將進(jìn)一步惡化，因此有必要根據(jù)該變化趨勢(shì)采取合理的防治措施。該方法也可應(yīng)用于其他地區(qū)的徑流量預(yù)測(cè)中，并為水資源規(guī)劃與管理提供基礎(chǔ)資料；此外，也可以根據(jù)大量的實(shí)測(cè)數(shù)據(jù)對(duì)模型中的經(jīng)驗(yàn)參數(shù)進(jìn)行修正，從而進(jìn)一步提高預(yù)測(cè)精確度。

[1] 唐道來(lái).水利工程建設(shè)與生態(tài)環(huán)境可持續(xù)發(fā)展的相關(guān)性[J].水利技術(shù)監(jiān)督,2015,23(5):36-37.

[2] 陳滋月.氣候變化情景模式對(duì)流域水土流失影響的定量分析[J].水利規(guī)劃與設(shè)計(jì),2016(6):32-35.

[3] 崔杰石.基于SWAT模型的湯河流域面源污染時(shí)空分布研究[J].水利規(guī)劃與設(shè)計(jì),2016(2),4-6.

[4] 徐飛.沈陽(yáng)地區(qū)水資源短缺原因分析及對(duì)策研究[J].水資源開(kāi)發(fā)與管理，2015(1)：24-26.

[5] 李純良,李銳.基于一種新型人工神經(jīng)網(wǎng)絡(luò)的水流挾沙力模型研究[J].水利規(guī)劃與設(shè)計(jì),2009(1): 22-24.

[6] Akiner,M.E.,Akkoyunlu, A.Modeling and forecasting river flow rate from the Melen Watershed,Turkey[J].Journal of hydrology,2012(456):121-129.

[7] 段佩華.朝陽(yáng)市哈巴氣水文站以上流域的水源分析[J].現(xiàn)代農(nóng)業(yè)科技,2013(4):195-195.

[8] 汪躍軍.淮河干流蚌埠水文站年徑流系列多時(shí)間尺度分析[J].水利技術(shù)監(jiān)督,2007,15(1):37-40.

[9] 李曉光,李菲.朝陽(yáng)地區(qū)多年降雨特性分析[J].水土保持應(yīng)用技術(shù),2016(2):21.

[10] 董婷婷.遼寧省市際以上界河信息調(diào)查與成果分析[J].中國(guó)水能及電氣化,2016(5):30-32.

Application of artificial neural network combined SWAT model in prediction of river channel runoff volume

WANG Fuzhen

(JinzhouYixianWaterConservancyBureau,Jinzhou121100,China)

Common methods of runoff volume prediction has defects of large uncertainty, none consideration of climate change and influence of human activities and similar factors. Therefore, the method is optimized through the prediction method of artificial neural network combined with SWAT model. The method is applied to stimulating the precipitation and runoff volume in Liaoning Habaqi Hydrological Station. The prediction results are highly fit with measured value. The rationality of the method is proved. In addition, the method is applied for predicting the runoff volume change condition of the station within 15 years in the future, thereby providing basic information for water resources planning in the area.

artificial neural network; SWAT model; runoff volume; prediction

10.16616/j.cnki.10-1326/TV.2017.08.019

TV214

A

2096-0131(2017)08- 0067- 04