应用人工神经网络确定沙河输沙量变化影响因素的权重

2016-03-13刘向楠

海河水利 2016年2期

关键词：输沙量人工神经网络权重

刘向楠

（河北省秦皇岛水文水资源勘测局，河北秦皇岛　066000）

应用人工神经网络
确定沙河输沙量变化影响因素的权重

刘向楠

（河北省秦皇岛水文水资源勘测局，河北秦皇岛066000）

摘要：流经迁安和滦县的沙河多年来输沙量呈减少趋势，通过对石佛口水文站历史资料的统计分析，确定影响其输沙量变化的主要因素为暴雨、洪水和下垫面变化。使用人工神经网络这种非线性方法，计算出各影响因素的权重，计算结果具有一定的实用性。

关键词：人工神经网络；输沙量；影响因素；权重

沙河发源于迁安市大石岭沟，流经滦县、唐山市古冶区至丰南区东尖坨村南流入草泊洼淀沙河新道，在黑沿子村与黑沿子排干交汇后入渤海，全长138 km，流域面积902 km2。沙河在京山铁路线以北属于山区，河床由粗砂组成；铁路线以南为平原区，河床多为细砂。在滦县石佛口村沙河干流上建有石佛口水文站，根据实测资料分析，自1959年以来，石佛口站发生的最大洪水为1962年，其洪峰流量为472 m3/s，相当于50年一遇。

沙河流域近年来受人类活动影响，下垫面发生很大变化，其输沙量呈下降趋势。因此，找出影响其输沙量变化的主要因素，对保护流域水资源、加强水土保持工作有重要的意义。

在一个评价体系中，各评价因素对描述对象的影响程度即权重。在实际的自然规律中，各因素对其的影响权重肯定是不同的，但是在以往的权重分析中模糊性很强，同时受评价者人为因素影响很大。笔者利用人工神经网络BP模型，通过对实际发生的已知样本的学习，建立一个非线性的学习机制，从而消除权重评价中的人为影响，保证权重计算的实用性。

1　人工神经网络BP模型

1.1模型简介

人工神经网络是对人脑或生物神经网络的抽象和建模，具有从环境学习的能力，以类似生物的交互方式适应环境。神经网络是智能科学和计算智能的重要部分，以脑科学和认知神经科学的研究成果为基础，拓展智能信息处理的方法，为解决复杂问题和实现自动控制提供有效的途径［1］。

BP（Back-Propagation）算法是人工神经网络中最重要的一种学习算法，又称为反转算法，是一种多层网络的误差传播学习法，其应用最为广泛。BP神经网络是一个包含输入层、隐含层和输出层的多层网络，上下层各个神经元之间实现权连接，即下层的每个单元都实现全连接，而每层各神经元之间无连接。人工神经网络BP模型实际上是一个多层感知器，即典型的前馈型神经网络的体系结构。其网络结构，如图1所示。

图1　　　　人工神经网络BP模型结构

由图1可见，在一个BP模型中包括输入层、输出层和隐含层，计算时对一组样本进行输入输出计算，得到各层间的连接权值和阈值修正量，通过与误差比较求得修正后的连接权值和阈值，反向重复进行各节点的计算，如此循环，直到满足误差要求［2］。

在BP模型中，每个神经元模型包括一个非线性激活函数，满足非线性要求的一个普遍应用形式是由logistic函数定义的Sigmoid非线性函数，其表达式为:

式中:x为神经元的激活值；f（x）为神经元的输出。

1.2评价权重的计算方法

笔者建立神经网络学习算法的目的是确定评价指标的权重，而神经网络训练得到的结果只是各神经网络神经元之间的关系。要想得到输入因素对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理，为此利用以下几项指标来描述输入因素和输出因素之间的关系。

（1）相关显著性系数，其表达式为:

（2）相关指数，其表达式为:

（3）绝对影响系数，其表达式为:式中:i为神经网络输入单元，i=1，…，m；j为神经网络输出单元，j=1，…，n；k为神经网络的隐含单元，k= 1，…，p；ωki为输入层神经元i和隐含层神经元k之间的权系数；ωjk为输入层神经元j和隐含层神经元k之间的权系数；绝对影响系数Sij是评价因素的权重［3］。

2　输沙量资料分析

石佛口水文站位于滦县雷庄镇石佛口村，是沙河上的控制站，自1956年开始有实测资料，至2010年已有55年资料系列，一致性较好且准确度较高。

分析石佛口站实测输沙量系列资料发现，输沙量的年内分配极不均匀，输沙量主要集中在汛期6—9月，汛期输沙量占全年输沙量的95%～99.9%。对其1956—2010年的天然来水量进行频率分析，选择保证率为25%（丰水年）、50%（平水年）和75%（枯水年）的年份为典型年，计算典型年实测输沙量的年内分配，结果见表1。

表1　石佛口站不同典型年多年平均悬移质输沙量年内分配

由表1可见，由于汛期洪水多发，洪水对河道及流域下垫面的冲刷加强，沙量主要随洪水下泄，丰水年输沙量明显大于枯水年。而暴雨则是引发洪水的最直接原因。对一个水文观测站来说，发生洪水次数是数以百计的，要研究场次洪水、泥沙的影响因素，其场次洪水对应的暴雨、洪水、泥沙资料的处理尤为关键。由于众多影响因素的存在，暴雨的时间和空间分布每一次都不同，故对典型暴雨洪水的挑选要坚持抓大放小的原则，首先根据实测资料，选取前期影响雨量与本次降水之和比较接近的场次或者发生洪峰接近的场次，计算该场降水的洪水总量及输沙量，通过对照可以发现流域出现转折点前后年份各特征参数的变化，还可统计各年代平均雨量、年代平均径流量、年代平均输沙量，采用年代均值比较法进行分析，分析结果见表2—3。

表2　石佛口站场次洪水特征参数统计

表3　各年代平均雨量、径流量、输沙量与均值比较

从表3可见，随着年代变化，各洪水特征值的变化很大。同样强度的暴雨，汇流历时变长，洪峰流量变小，输沙量也随之变小。石佛口站20世纪60年代的年均输沙量是2010年代的年均输沙量的39倍，2010年代的年均输沙量只是多年平均输沙量的6%。

3　输沙量变化影响因素的确定

河流泥沙的来源可以分为两大类:一类是来自流域内降雨形成的地面径流对地表的冲蚀，通常称为水土流失；另一类是从原河床沉积层冲刷起来的［4］。流域地表的侵蚀主要与气候、土壤、植被覆盖情况和地貌有关。

选取石佛口站20世纪60年代至21世纪初40年左右的降水量、径流量、输沙量资料，分析其变化曲线的趋势，雨量斜率为-0.005 5，径流量斜率为-0.012 2，输沙量斜率为-0.070 7。由此可以看出，近年来各要素都呈现减少的趋势，雨量减小趋势非常缓慢，径流量减小趋势次之，而输沙量减小幅度最大。降水对泥沙的影响相对径流对泥沙的影响更小，可知降雨减小不是输沙减少的主要因素。

2000年后，石佛口水文控制站以上流域内水利水保工程建设得到大力发展。如，岚龙山小流域治理工程治理总面积1 608.9 hm2，兴建谷坊坝226道、水池水窖25个、梯田10 hm2，种植经济林198 hm2、用材林200 hm2、水保林300.9 hm2，封育治理900 hm2，修筑护坝1 580 m；通过上述措施，减少土壤流失量0.687万t，增加降水有效利用量1.89万m3，增加经济收入20.7万元、粮食产量9.48万kg、林草植被面积85.9 hm2。这也就是石佛口站以上流域降雨基本相同时汇流历时增加，洪峰模数下降从而输沙量减少的主要原因。

通过以上分析，可以得到沙河流域输沙量变化的主要影响因素为暴雨、洪水、人为影响的下垫面变化，包括水库修建、绿化植树造林、水保工程建设等。

4　评价因素权重的确定

根据本次计算的实际情况，确定将最大1 d降水量、植被覆盖率、水土流失治理面积、次洪洪峰流量4个指标作为输入层输入因子来进行拟合计算，通过模型计算得出各评价因素对输沙量变化的影响权重，计算结果见表4。

表4　石佛口站人工神经网络BP模型权值计算结果

暴雨洪水对河道输沙量影响巨大，次洪对应最大24 h降雨量雨强的大小决定了降水的产流方式是超渗产流还是蓄满产流，当为超渗产流时携带的地表泥沙更多地进入河道，从而加大河道输沙量，故选取最大24 h降雨量和次洪洪峰流量作为山区河流洪水的特征值的影响因子。而植被覆盖率和水土流失治理面积可以直观地反映人类活动对下垫面变化的影响。

山区河流受暴雨影响的洪水暴涨暴落，降水产流模式多为超渗产流，地表径流冲刷土壤进入河道，导致洪峰夹带大量泥沙，而近年来的流域治理和水保工程建设起到了很好的水土保持作用。经计算得出，植被覆盖率对输沙量影响最大，达到41.6%；其次为最大1 d降水影响，占33.8%，结果符合沙河流域特性。

5结论

输沙量的影响因素很多，在以往的输沙量影响因素权重计算中，多使用简单的定量分析进行推求或在实验室中根据模型分析推求。笔者通过统计数据确定分析流域内影响输沙量的主要因素，进而使用人工神经网络BP模型计算各影响因素的权重，计算结果基本符合实际情况，为分析河流输沙量变化提供了另外一种思路。

参考文献

［1］史忠植.神经网络［M］.北京:高等教育出版社，2009.

［2］邹文安，刘宝，姜波，等.基于Excel技术平台人工神经网络BP模型及应用［J］.水文，2010，30（1）:44-46.

［3］孙会君，王新华.应用人工神经网络确定评价指标的权重［J］.山东科技大学学报（自然科学版），2001，20（3）: 84-86.

［4］孙东坡，李国庆，朱太顺，等.治河及泥沙工程［M］.郑州:黄河水利出版社，1999.

中图分类号：TV143+.4

文献标识码：A

文章编号：1004-7328（2016）02-0057-04

DOI:10.3969/j.issn.1004-7328.2016.02.019