貴州三岔河上游流域徑流演變特征與趨勢預測研究

李長江,付 杰,陳文斌

(1.貴州省水利科學研究院，貴州 貴陽 550002；2.西北農林科技大學，陜西 楊凌 712100)

1 流域概況

三岔河流域位于貴州省西北部，西部與金沙江支流橫江-牛欄江相鄰，以烏蒙山為分水嶺，分水嶺高程2000～2700m；南面有苗嶺，為珠江流域西江上源-北盤江的分水嶺。西、南兩面分水嶺高程介于1200～600m之間。北與烏江一級支流六沖河相鄰，東隔武陵山肋與洞庭湖沅江水系相鄰，分水嶺高程700～1000m之間。流域地勢由西南向東北逐漸傾斜，東西高差大，南北高差相對較小。

2 河流水系

三岔河屬烏江流域南源一級支流，自西北從威寧縣流入貴州省六盤水市鐘山區大灣鎮，后復入畢節市威寧縣，再從六盤水市鐘山區汪家寨鎮進入六盤水市，以上河流叫阿大河，至六盤水市水城縣青林鄉出境流入畢節市納雍縣，又經水城縣比德鎮，成為水城縣與納雍縣界河，隨后進入六盤水市六枝特區境內，成為六枝特區與納雍、織金縣界河，后再次轉入納雍縣，復在梭戛鄉流入六枝特區境內，于六枝特區龍場鄉東面出境進入安順市普定縣。而后在貴州省畢節市黔西縣水頭寨附近的東風水庫與另一支流六沖河匯合，稱鴨池河，成為烏江的上游，鴨池河以下稱烏江。三岔河干流全長325.6km，天然落差1397.9m，全流域面積7264km2。三岔河為典型山區河流，巖溶發育。流域水系發育，支流眾多，呈羽狀分布。

3 徑流演變特征分析

3.1 徑流年內變化特征

以陽長水文站1958—2008年實測資料為基礎，對多年平均徑流逐月分配比例進行計算[1]。計算結果見表1。

表1 陽長站徑流逐月分配比例

從表1可知，三岔河上游流域徑流主要集中在5—10月，徑流占全年總徑流的77.6%。全年徑流比例以7月份的21.3%為最大，以3月份的1.9%為最小，其中將連續最大4個月的流量進行加和后得出，6—9月的徑流占到了全年總徑流的66.8%，連續最小4個月徑流僅占全年總徑流的9.6%，徑流的年內分配十分不均勻。

3.2 徑流年際變化特征

徑流的年際變化采用極值比KM和變差系數CV來表示。通過對陽長站年徑流極值的統計分析可知：1989年出現最小年平均流量為22.1m3/s，1997年出現最大年平均流量為62.3m3/s，徑流的極值比KM和變差系數CV計算成果[2- 3]見表2。

表2 徑流多年變化特征參數

年徑流的趨勢分析主要是研究水文序列隨時間的變化過程。受氣候變化和人類活動的影響，多年徑流序列會呈現出一定規律的變化趨勢。若全過程都出現某種趨勢，稱這種趨勢為整體趨勢[4]；若只在某一段時期出現了某種規律，則稱為局部趨勢。采用滑動平均方法、Mann-Kendall檢驗法和Spearman秩次相關檢驗法對流域的年徑流變化趨勢進行分析[5]。

3.2.1 滑動平均法

水文序列x1,x2,…，xn(n為樣本數)，若逐個滑動，按一定步長取原序列中樣本進行平均計算，可得到一個新序列yt，新序列使原序列更加光滑，易看出原序列的變化趨勢。滑動平均法，其具體函數表達為：

(1)

式中，2k+1(k=1,2,…)為步長，即幾年平均，k=1時為3年滑動平均。

用滑動平均法對陽長站的徑流序列進行滑動平均處理，分析成果如圖1所示。

圖1 徑流演變特征曲線

從圖1可知，陽長站年徑流分時段趨勢比較明顯，即：1974—1986年呈上升趨勢；1991—2001年上升趨勢明顯；1986—1991年、2001—2007年呈下降趨勢。

3.2.2 Mann-Kendall檢驗

對時間序列x1,x2,…，xn(n為樣本數)，對應觀測值(xi,xj,j>i)中xi

(2)

假設原序列無明顯的變化趨勢，給定顯著化水平α(α=0.05)，在正態分布臨界值表中查出臨界值Uα/2(U0.05/2=1.96)，當|U|Uα/2，拒絕原假設，即序列趨勢顯著，且當U>0時序列呈上升趨勢，U<0時序列呈下降趨勢。分析得到統計量|U|=|0.35

3.2.3 Spearman秩次相關檢驗

分析徑流序列xt與時間t的相關關系，建模時序列xt用其秩次Rt(即把序列xt從大到小排列后，xt所對應的序號)表示，t仍為時序(t=1,2,…，n)。秩次相關系數表達為：

(3)

式中，n—樣本長度，dt=Rt-t。秩次Rt與時序t越相近，dt小，秩次相關系數越大，原序列的趨勢越顯著。假設原序列無趨勢，當給定顯著水平α(α=0.05)后，在t分布表中查臨界值tα/2，當|T|tα/2時，拒絕原假設，序列呈現出一定變化趨勢，如果T<0，則呈現上升趨勢，如果T>0，則呈現下降趨勢。秩次相關檢驗統計量|T|=|-0.34|

4 徑流趨勢預測

以陽長站資料為基礎，采用最近鄰抽樣回歸模型和人工神經網絡模型，分別從統計和人工智能的角度，對流域年徑流分別進行預測[6- 7]。

4.1 最近鄰回歸(NNBR)模型

(4)

(5)

4.2 人工神經網絡(ANN)模型

神經網絡模型模擬生物大腦的信息處理系統。在生物大腦中，神經元是信息處理的基本結構和功能單元，人工神經網絡模型把節點模擬為神經元，通過節點連接輸入層和輸出層，通過比較輸出層輸出與期望輸出的誤差來調節各層之間的連接權重，通過反復迭代確定誤差最小的連接權[8]。使用多層前饋網絡的誤差反向傳播(Error Back Prorogation，簡稱BP)算法進行年徑流預測。三層BP網絡拓撲結構，如圖2所示。

圖2 三層BP網絡結構圖

4.3 預測結果分析

采用最近鄰回歸(NNBR)和人工神經網絡(ANN)對三岔河陽長水文站1958—2008年的年平均流量進行預測，并與實測數據進行對比，其趨勢預測結果如圖3所示。

圖3 年平均流量預測模擬結果

從圖3可知，在進行年徑流預測時，最近鄰回歸模型的擬合合格率、檢驗合格率分別為87.5%和60%，人工神經網絡模型為75.6%和60%；最近鄰回歸模型擬合平均誤差和檢驗平均誤差分別為9.61%和27.3%，人工神經網絡模型為14.02%和38.87%。

5 結論

通過對流域徑流演變趨勢的分析，以及采用最近鄰回歸(NNBR)和人工神經網絡(ANN)算法，對三岔河陽長水文站1958—2008年的年平均流量進行多時間尺度演變趨勢預測，主要研究結論為：

(1)流域內徑流年內變化大，徑流主要集中在5月到10月，約占全年總徑流的77.6%；長系列實測資料表明，流域內年際變化趨勢呈不顯著趨勢。

(2)最近鄰回歸(NNBR)徑流預測模型，其擬合合格率、檢驗合格率及準確率較ANN神經網絡模型高，預測結果相對貼近實際。

(3)三岔河流域屬中小流域，影響徑流預測的因素較多，為更好開發利用好流域水資源，尚需對預測模型的權限約束條件及特征參數設置進行深入研究。