上海市寶山區(qū)練祁水文站多年潮流量變動特征分析

上海臨瀾環(huán)境科技有限公司 孫智斌，李印秋，馬英杰

一、引言

寶山區(qū)位于上海市北部，全區(qū)被橫貫中部的蕰藻浜分成南北兩部。地處長江、黃浦江、東吳淞江三江交匯處，南與楊浦、虹口、靜安、普陀4區(qū)毗連，西與嘉定區(qū)交界，西北隅與江蘇省太倉市為鄰。作為上海重要的鋼鐵、物流、港口和工業(yè)基地，寶山區(qū)堪稱上海的“水路門戶”。寶山區(qū)練祁水文站位于練祁河?xùn)|部，練祁河位于寶山區(qū)與嘉定區(qū)中部，西起顧浦，東經(jīng)山羅店、月浦后匯入長江口，全長28.87km。通過對練祁水文站的監(jiān)測數(shù)據(jù)進(jìn)行分析，有利于重點(diǎn)河道水情信息的收集、整理、編制,為開展防汛、水文等方面的科學(xué)研究提供可靠的第一手資料，為區(qū)防汛指揮機(jī)構(gòu)提供及時、可靠、科學(xué)的決策依據(jù)。

二、理論基礎(chǔ)

（一）Mann-Kendall趨勢檢驗(yàn)法

因 為 最 初 是 由H.B.Mann和M.G.Kendall提出并發(fā)展了這一方法，故該趨勢檢驗(yàn)法被稱為Mann-Kendall法。Mann-Kendall的檢驗(yàn)方法屬于非參數(shù)方法，亦稱無分布檢驗(yàn)，優(yōu)點(diǎn)是計(jì)算簡便，對樣本的限制較少，少數(shù)異常值不影響結(jié)果，更適用于類型變量和順序變量。Mann—Kendall檢驗(yàn)法在分析降水、徑流、氣溫和水質(zhì)等領(lǐng)域序列的變化趨勢檢驗(yàn)中應(yīng)用廣泛。

（二）重標(biāo)極差分析法

重標(biāo)極差分析法(R/S分析法)是一種異值時刻預(yù)測方法，用于時間序列長期記憶過程，可用于河流徑流量的研究。R/S分析法是H.E.Hurst在研究尼羅河水庫水流量和貯存能力的關(guān)系時提出的，隨后Hurst在20世紀(jì)40年代發(fā)現(xiàn)了“有偏隨機(jī)游走”現(xiàn)象，并在此基礎(chǔ)上進(jìn)行了大量的實(shí)證實(shí)驗(yàn)，提出了赫斯特指數(shù)，并由此發(fā)展了R/S分析法。

（三）距平指數(shù)

距平指的是在一系列數(shù)據(jù)中，單個數(shù)據(jù)值與系列數(shù)據(jù)平均值的差，距平可以分為正距平和負(fù)距平兩類。在實(shí)際研究中，距平指數(shù)可用于研究系列數(shù)據(jù)中某個數(shù)據(jù)或某段數(shù)據(jù)的平均值相較于該系列數(shù)據(jù)平均值的差異情況。

（四）變差系數(shù)

變差系數(shù)在水文數(shù)據(jù)的處理與分析中常常用來說明相關(guān)水文變量的波動情況，一般來說，值越大，說明相關(guān)水文變量的變化越劇烈；反之，值越小，則表示相關(guān)水文變量的變化較為平緩。

三、分析結(jié)果

分析數(shù)據(jù)來源自練祁測站歷年實(shí)測潮流量成果計(jì)算表，數(shù)據(jù)涵蓋練祁測站自2018年1月起至2019年11月止合計(jì)23個月潮流量數(shù)據(jù)，數(shù)據(jù)期內(nèi)合計(jì)涉及潮次994次，其中2018年共計(jì)505次，2019年共計(jì)489次。

（一）趨勢性分析

基于日均流量的M-K趨勢檢驗(yàn)計(jì)算結(jié)果（見表1），我們認(rèn)為練祁測站在2018年到2019年的日均流量存在一定的上升趨勢，并且這種趨勢較為顯著。

表1 MK趨勢分析計(jì)算結(jié)果

基于以上日均流量的重標(biāo)極差分析計(jì)算結(jié)果（見表2），我們認(rèn)為由于練祁測站在2018年到2019年的日均流量的Hurst指數(shù)大于0.5，因此練祁測站的日均流量數(shù)據(jù)特征應(yīng)該具有較為顯著的記憶性；也就是說，練祁測站的日均流量數(shù)據(jù)未來仍然極有可能繼續(xù)保持2018年到2019年的變化趨勢。

表2 重標(biāo)極差分析計(jì)算結(jié)果

（二）穩(wěn)定性分析

基于所使用的2018年與2019年練祁測站的逐月平均流量（見圖1），我們將相關(guān)數(shù)據(jù)代入距平指數(shù)計(jì)算公式，計(jì)算得到了2018年與2019年練祁測站的流量距平指數(shù)。由以上距平指數(shù)分析結(jié)果，我們認(rèn)為練祁測站的汛期流量是顯著大于非汛期流量?；谒褂玫?018年與2019年練祁測站的逐月平均流量，我們將相關(guān)數(shù)據(jù)代入變差系數(shù)計(jì)算公式，計(jì)算得到了2018年與2019年練祁測站的流量變差系數(shù)（圖2）。通過對逐月變差系數(shù)的計(jì)算可以看到，在月份變差系數(shù)方面，2018年和2019年練祁測站汛期與非汛期之間沒有明顯的差異性，說明2019年相比2018年逐月的流量波動幅度基本類似；此外，還可以看到2019年變差系數(shù)小于2018年變差系數(shù)，說明2019年練祁測站各月份流量波動情況更小。

圖1 練祁測站逐月距平指數(shù)

圖2 練祁測站逐月變差系數(shù)

（三）相關(guān)性分析

根據(jù)水文學(xué)相關(guān)知識，一般認(rèn)為相鄰年份的流量應(yīng)該具有一定的相關(guān)性。因此，我們考慮基于2018年至2019年近兩年的測驗(yàn)數(shù)據(jù)，通過Stata統(tǒng)計(jì)分析軟件對測試數(shù)據(jù)進(jìn)行相關(guān)回歸分析，并由此對相鄰年份之間的流量測驗(yàn)數(shù)據(jù)建立一定的相關(guān)回歸關(guān)系。在建立相關(guān)回歸關(guān)系的過程中，我們將不同年份的逐日流量數(shù)據(jù)按照農(nóng)歷日期進(jìn)行匹配，作為回歸方程的（x，y）變量進(jìn)行回歸分析。因此，本文所建立的回歸模型如下所示：

在以上回歸模型中，表示y1年（2019年）的農(nóng)歷日期為d日的流量值，表示y2年（2018年）的農(nóng)歷日期為d日的流量值，以上流量值均采用當(dāng)年當(dāng)日全潮流量的平均值，為flowy1,d。

和flowy2,d之間的回歸系數(shù)值，為常數(shù)項(xiàng)，為隨機(jī)誤差。

基于以上回歸分析結(jié)果（見表3），可以看到：相鄰年份間的全潮流量之間分別存在著極為明確的相關(guān)性關(guān)系，同時這種相關(guān)性在99%的水平上是顯著的；此外，回歸模型中的各變量均為正相關(guān)，表明相同農(nóng)歷日期、不同年份的練祁水文站的全潮流量漲落情況之間正相關(guān)。

表3 相關(guān)性估計(jì)結(jié)果

（四）分析小結(jié)

通過對歷年潮流量數(shù)據(jù)進(jìn)行擬合分析，發(fā)現(xiàn)歷年潮流量之間存在著顯著的相關(guān)性關(guān)系，同時對潮流量的穩(wěn)定性分析發(fā)現(xiàn)在一般情況下，同一河道的潮流量存在穩(wěn)定性，因而可以通過往年同一農(nóng)歷日期的潮流量數(shù)據(jù)對今年潮流量數(shù)據(jù)進(jìn)行推算。同時考慮可以在擬合模型中加入雨情、相關(guān)河道潮流量等相關(guān)的水文信息，進(jìn)一步提升擬合模型的精度和可信性。