向家壩水電站泄洪霧化對氣溫影響程度研究

況 源 ,鄧榮耀 ,陳翠華 ,吳 浩 ,周小明

（1.四川省宜賓市氣象局，宜賓 644000；2.三峽水利樞紐梯級調度通信中心，成都 610000）

引言

向家壩水電站位于四川省宜賓市敘州區和云南省昭通市水富市交界的金沙江峽谷出口處，緊臨云南省水富市城區。壩址控制流域面積45.88 萬km2，水庫正常蓄水位380m，總庫容51.63 億m3，調節庫容9.03億m3，電站裝機容量6000MW[1]。水電站為調節庫容會進行泄洪，下泄水流通過特定的消能設施在泄洪的同時還會在一定空間范圍內以水霧或水滴的形式在空中形成霧流，這種霧流在氣流和地形的作用下，在局部地區產生密集雨霧現象，這一現象稱之為泄洪霧化，泄洪霧化將會對壩后的氣溫等氣象要素值產生一定的影響。向家壩水電站大壩采用了底流消能的設計，能夠有效減少水霧的產生，但由于壩區群山環抱，空間狹?。▓D1），泄洪時霧化現象不可避免，也必將對壩后區域的氣溫產生不同程度的影響。目前泄洪霧化對環境影響的研究主要集中在影響范圍的研究，對氣象要素的影響程度研究較少，對壩后區域氣溫影響程度的定量研究更是空白。本文使用向家壩壩區氣象站的觀測數據建立模型，研究泄洪霧化對壩后區域氣溫影響程度，對向家壩壩后區域的生活和生產具有參考意義[2?4]。

圖1 向家壩水電站壩區地形

1 數據資料

因向家壩蓄水前后局地氣候發生變化，為保證數據的可用性和一致性，收集了壩區氣象站蓄水后（2013～2019 年）逐時氣象監測數據和泄洪量數據，并根據數據時次是否在泄洪，劃分為泄洪時段樣本數據和非泄洪時段樣本數據。向家壩壩區自2005 年開始陸續建設有7 個氣象站，其中2 個氣象站在2018 年建設，資料年限太短不能作為樣本數據；其余5 個氣象站（圖2）陸續在2005～2006 年建設，積累了大量數據。

圖2 向家壩壩區氣象站分布

2 研究方法

向家壩壩區的5 個氣象站中，安邊氣象站距離泄洪孔口約4km，經過對安邊站歷史數據分析后，發現其受泄洪霧化影響非常小，將其氣溫視為不受到泄洪霧化的影響。首先使用非泄洪時段樣本數據建立安邊站氣象數據與其它各氣象站氣溫的關系模型，將泄洪時段的樣本數據輸入模型，預測出在泄洪時的非泄洪狀態下的理論氣溫，用公式1 計算出泄洪對壩區各氣象站（安邊站除外）氣溫的影響值，然后從空間變化、時間變化和影響程度三個維度對氣溫影響程度進行分析。技術路線流程見圖3。

圖3 技術路線流程

式中：△T表示在某一泄洪時次泄洪對氣溫的影響值（℃）；T0表示該時次氣象站監測到的實際氣溫（℃）；T1表示模型預測出的該時次氣象站在未泄洪狀態下的理論氣溫（℃）。

3 模型構建

機器學習是從數據中提取知識，它是統計學、人工智能和計算機科學交叉的研究領域，被廣泛用于預測分析和統計學習。機器學習中，監督學習是將成對的輸入和輸出提供給算法，算法會找到一種方法（模型），實現根據給定輸入計算出預期輸出。Scikitlearn 是一個開源的基于Python 語言的機器學習工具包，它通過NumPy、SciPy、Matplotlib 等庫實現高效的算法應用，并且涵蓋了幾乎所有主流機器學習算法。因此本文選用Scikit-learn 的機器學習算法開展氣溫建模[5?7]。

3.1 數據預處理

氣溫模型是為了預測氣象站在泄洪時的非泄洪狀態下的理論氣溫，則不能選擇受泄洪影響的因子作為輸入變量，因此將非泄洪時段安邊氣象站（兩要素氣象站）的氣溫、降雨量和數據時次所在月份作為建模輸入因子，將壩區某氣象站（安邊站除外）對應時次的氣溫作為建模輸出因子。在建模之前還需對建模數據集進行預處理，將數據集中有數據異常和缺失的數據組刪除；因月份的數值大小無特別含義，將其由數值型數據修改為文字型數據（如1 月、2 月、3 月等），但由于大多數機器學習算法都只能處理數值型數據，因此須對文字型的月份特征進行one-hot 編碼[8]處理；同理將降雨量也處理為無降雨、小雨、小雨以上三種情況，并進行one-hot 編碼。

3.2 訓練模型

為了找到表現最優的模型，本文使用Scikit-learn中K 近鄰回歸（K Neighbors Regressor）、線性回歸（Linear Regression）、決策樹回歸（Decision Tree Regressor）、線性SVR 回歸（Linear SVR）和人工神經網絡（MLP Regressor）五種典型算法分別訓練數據集。

使用網格搜索法[9?10]對K 近鄰回歸的K 值進行0～20 取值的調參；對決策樹回歸的樹深度進行0～10取值的調參；對線性SVR 回歸調整參數loss（損失函數，參數取值有epsilon_insensitive 和squared_epsilon_insensitive）、對參數epsilon 進行0～3 取值（步長為0.1）的調參；對人工神經網絡調整參數activation（激活函數，參數取值有identity、logistic、tanh、relu）。

交叉驗證[11?12]是一種評估模型泛化性能的統計學方法，它比單次劃分訓練集和測試集的方法更加穩定、全面，能夠更有效評估模型的質量和選擇在數據集上表現最好的模型，被廣泛用于模型選擇，因此使用交叉驗證方法對五種算法訓練出的模型進行評估，得到了模型評估表（表1）。可以看出，用人工神經網絡算法訓練的模型在各氣象站均表現最優，所以本文最終選用人工神經網絡算法訓練出的模型開展氣溫預測。

表1 五種機器學習算法建立的模型評估參數

4 模型驗證

為了驗證模型在樣本外數據中的泛化能力，將2020 年1～9 月非泄洪時段安邊氣象站的氣溫、降雨量和數據時次所在月份輸入各氣象站的最優模型，預測出理論氣溫，再與實際觀測氣溫求平均絕對誤差[13]，見表2。從表中看出，除馬延坡站以外，各氣象站模型驗證的平均絕對誤差在0.5℃以內，模型表現較好；其誤差值與前面測試集的誤差值相當，表明模型的泛化能力較穩定。

表2 各氣象站模型驗證誤差

5 影響程度分析

將泄洪時段安邊氣象站的逐時氣溫、降雨量和數據時次所在月份作為特征值（同樣需進行數據預處理）輸入為壩區各氣象站（安邊站除外）建立的最優模型，由模型預測出壩區各氣象站（安邊站除外）在泄洪時的非泄洪時段狀態下的理論氣溫T1，再使用公式1 計算出泄洪對氣溫的影響值△T。通過△T值可以發現，泄洪霧化對壩后區域氣溫的影響主要表現為使氣溫降低。

從空間分布來看，將各氣象站的△T值在空間上進行插值，可繪制出泄洪霧化對壩后區域氣溫的影響程度分布圖[14]。圖4 為向家壩水電站6～9 月泄洪霧化對壩后區域氣溫影響平均值分布。壩后區域的平均氣溫受向家壩水電站泄洪影響較小，且影響程度隨著與泄洪孔口的距離增加而迅速減小。

圖4 向家壩水電站6～9 月泄洪霧化對壩后區域氣溫影響平均值分布（a.6 月，b.7 月，c.8 月，d.9 月，單位：°C）

從江邊氣象站即日氣溫影響程度的逐時變化（圖5）來看，因受泄洪霧化的影響最為顯著，其氣溫影響平均值分布呈峰值特征，即在每日12～18 時受泄洪霧化的影響程度最大，且在13 時達到頂峰。其它站點在時間上的峰值特征不明顯。

圖5 江邊氣象站氣溫影響平均值的逐時變化

從影響程度來分析，泄洪霧化狀態下，壩區各氣象站（安邊站除外）的各氣溫影響值出現頻次見圖6。其中距離泄洪孔口最近的江邊站的氣溫受泄洪霧化的影響程度最大，氣溫影響值主要在?2.0℃以內，占比81.1%；云天化站、馬延坡站和蓮花池站的氣溫影響程度較小，氣溫影響值分別主要在?0.7℃、?0.8℃、?0.6℃以內，占比分別為80.3%、83.4%、82.4%。

圖6 壩區各氣象站不同氣溫影響值的出現頻次（a.江邊站、b.云天化站、c.馬延坡站、d.蓮花池站）

6 結論

本文使用Scikit-learn 中五種機器學習算法對向家壩蓄水后非泄洪時段的樣本數據進行訓練，交叉驗證后訓練出壩區各氣象站（安邊站除外）的最佳氣溫預測模型，應用該模型從時空變化和影響程度等方面定量分析泄洪霧化對壩后區域氣溫的影響，得到以下結論：

（1）從空間變化來看，壩后區域的氣溫受向家壩水電站泄洪影響較小，且影響程度隨著與泄洪孔口的距離增加而迅速減小。

（2）從時間變化來看，距離泄洪孔口最近的江邊氣象站在每日12～18 時受泄洪霧化的影響程度最大，且在13 時達到頂峰，其它站點在時間上的峰值特征不明顯。

（3）從影響程度來看，距離泄洪孔口最近的江邊站的氣溫受泄洪霧化的影響程度最大，氣溫影響值主要在?2.0℃以內；云天化站、馬延坡站和蓮花池站的氣溫影響程度較小，氣溫影響值分別主要在?0.7℃、?0.8℃、?0.6℃以內。