上游来水与下游潮位对河口含氯度的影响----以磨刀门河口为例

黄锐贞，陈晓宏，何艳虎, 于海霞

(1.中山大学水资源与环境研究中心，广州 510275；2.华南地区水循环和水安全广东普通高校重点实验室，广州 510275； 3. 中山市火炬高技术产业开发区水利所，广东 中山 528437)

河口位于海洋和河流的交接地带，受海洋动力和河流动力的双重影响，其区域通常交通便利，是人类生活、生产和贸易活动频繁的场所[1]。而咸潮上溯对于河口生态系统和河口地区的正常取水都会带来较大的影响。影响咸潮上溯的因素有很多，其中上游径流和海洋潮汐这两个因素尤为重要[2]。而政府间气候变化[3]专门委员会(IPCC)公布的第五次评估报告(AR5)中的第一工作组报告《气候变化2013：自然科学基础》指出，气候变暖十分明显，2003-2012年的平均温度比1850-1900年的平均温度上升了0.78 ℃。气温的上升使得冰川融化和海水温度升高，从而导致了海平面的上升，进而使得河口地区的潮位随之增高，从而加剧了咸潮上溯的严重性[4]。河口地区咸潮上溯一方面令地下水水质变坏，影响地下水的抽取利用，另一方面可能引起土地盐渍化，影响周边农业生产[5,6]；同时使得河水咸度增加，水质变坏，严重影响陆地淡水资源。因此，分析咸潮上溯的规律以及上游来水对河口含氯度的影响及其模拟预测对该地区的供水安全具有重要意义。

就河口区咸潮上溯问题，国内外已有较为丰富的研究成果。当前国内外主要采取一维或多维咸潮入侵数值模型模拟河口含氯度变化，并耦合河口水动力模型研究盐度输送的驱动机制[7-11]。咸潮上溯的影响因素复杂多变，主要包含上游来水、潮汐、地形、风以及海平面变化等[12-14]。在缺乏系统的实测含氯度数据及水文资料和大范围的河口地形下，采用一维或多维数值模型来研究咸潮上溯对河口饮用水源地和生态环境的影响较为困难。而人工神经网络因其具有能够捕获要素中有关的非线性关系的能力，可解决因数据缺失所带来的计算问题，因此可用于部分资料缺失情况下的河口区含氯度的模拟预测。

珠江三角洲地区是我国重要的经济中心区域，珠三角河口区是周边城市工农业生产和人民生活的重要水源地。磨刀门水道作为珠江的重要入海口之一，其盐度变化周期特征与潮汐周期特征基本一致，自有监测记录以来，最严重咸潮发生在2011年12月，受上游来水少和潮周期的影响，磨刀门水道取水口自12月4日起全线24 h含氯度超标，其中珠海的平岗泵站连续10 d含氯度超标，连续半月无法取水[15]，咸潮的发生严重影响到人类的基本生活和健康，也是学术界关注的热点[16]。为此，鉴于珠三角磨刀门河口地区部分实测含氯度及河口地形数据的缺失，本文将运用人工神经网络中的BP神经网络建立珠江磨刀门河口含氯度的预测模型，并分析模型的可靠性；利用训练好的含氯度预测模型模拟计算90%、97%上游来水频率与下游5年一遇、10年一遇潮位和20年一遇潮位不同组合下的河口含氯度变化，分析上游来水和下游潮位变化对河口含氯度的影响，进而为河口地区的供、取水安全以及为“压咸”而进行的上游水库水量调度提供参考价值。

1 研究区概况及数据来源

1.1 研究区概况

珠江口地区东起深圳、西迄台山、北至广州、南达万山群岛，包括珠江三角洲的大部分地区和内陆架水域。其中磨刀门水道(见图1)是珠江出海门口之一，是珠江口咸潮活跃的典型河段，其位于广东省珠海市洪湾企人石，是西江径流的主要出海口门。磨刀门水道全场33.35 km，县境内流域面积177.8 km2，过境流量523 亿m3，枯水期涨潮最大流量为9 370 m3/s潮最大，洪水期涨潮最大流量为1.0 万m3/s，年输沙量为2 700 万t。

图1 磨刀门水道示意图Fig.1 Schematic diagram of the Modaomen waterway

1999年之前，咸潮主要对中山市西江出海口的坦洲镇造成影响；1999年以后，咸潮大幅上溯，开始对城区及周边地区造成影响[17]；到了2005年咸潮是近30年来最严重的，在中山市24个镇区中，供水受咸潮不同程度影响的镇区已达到18个[18]；而到了2011年，下游咸潮凶猛，平岗泵站已破2005年的咸情记录[15]。

1.2 数据及来源

本文采用磨刀门水道中三水站+马口站的前一天日平均径流量、灯笼山站日平均潮位和平岗泵站日平均含氯度作为研究数据。数据均在2005年1、2、3、9、10、11和12月的实测资料中选取，总样本个数为173个，用于神经网络模型的训练和验证。其中1、2、3、9、10月的数据(某些天数的数据有缺失)作为第1组数据，样本个数为134个，其用于模型的训练；而11和12月的数据(某些天数的数据有缺失)则作为第2组数据，样本个数为39个，其用于模型的验证。

以上述三水站+马口站的前一天日平均径流量和灯笼山日平均潮位作为本文神经网络模型中的输入，平岗泵站日平均含氯度作为模型的输出。而由于各输入输出数据之间所属范围差别较大，直接使用观测数据是网络收敛缓慢甚至无法收敛，造成模型无法模拟，因此，为了使程序运行时加快收敛，对数据中的平均径流量数据和含氯度数据均除以1 000，而后使用premnmx函数对所有数据进行归一化处理；模型训练和验证后，对输出数据运用postmnmx函数进行反归一化处理[19]。

2 BP神经网络方法

近年来人工神经网络(ANN)在水文分析和水文预测中的应用越发广泛[20]，而且取得良好效果。而在这些应用中，BP神经网络是较为有效的方法，且大部分采用三层网络结构以解决水文研究中的问题[21]。本文采用的3层神经网络结构如图2所示，该网络结构带有1个输入层、1个带非线性转换函数的隐含层和1个带线性转换函数的输出层。本文对单隐含层的BP神经网络进行说明[22]，假设BP神经网络的输入矢量x∈Rn，其中x=(x0,x1,…,xn-1)T；设隐含层有n1个神经元，其输出为x′∈Rn1，其中x′=(x′0,x′1,…,x′n1-1)T；输出矢量y∈Rm，其中y=(y0,y1,…,ym-1)T。从输入层到隐含层，其权值为wij，阈值为θj；从隐含层到输出层，其权值为w′jk，阈值为θ′k。各层神经元的输出为：

(1)

图2 三层BP神经网络Fig.2 Three layers of BP neural network

训练中神经网络会随机指定每个神经元的初始权值和阀值，然后把随机权重下得到的模型模拟值与目标值作比较，通过不断调整各层的权值和阀值，使得网络输出的模拟值与目标值之间的均方误差达到所给定的期望值。

3 结果分析

3.1 BP神经网络的模拟与验证

运用MATLAB软件对模型进行编程，模型中的一层隐含层采用双曲正切S形传输函数，输出层则使用线性传输函数，其中训练函数为traingdm算法。在模型训练阶段，根据第1组数据的输入，运用BP神经网络模型计算的平岗泵站日平均含氯度与实测值进行比较，在未达到理想的结果前不断调整模型中的各个参数，直到计算值与实测值之间的均方误差达到所设定的期望值。之后采用第2组数据对模型进行验证。

设定模型的训练步数为50 000步，期望训练精度为0.05。经过多次的参数调整，最后确定隐含层的节点数为16，模型训练后在第48 562步时就达到所设计的最小均方差(0.05)，可见隐含层节点数在这个设定下有利于网络的收敛。

图3为设定好的网络模型计算的日平均含氯度与实测数据之间的比较，可以看出计算值与实测值符合良好，其相关系数为0.867 8。

图3 BP神经网络模型训练后的结果Fig.3 Curves of observed chlorinity and its calibration results

而后运用第2组数据对训练后的模型进行仿真验证，结果如图4所示。可以看出模型的验证效果良好，其相关系数达到0.84。为进一步验证模型的适用性，利用训练好的模型对2009年10-12月的含氯度进行模拟，实测值与模拟值之间的相关系数为0.82，说明了模型较好的适用性。

图4 BP神经网络模型计算与实测数据的比较Fig.4 Curves of observed chlorinity and its validation results

利用BP神经网络训练和验证的河口含氯度计算结果与实际含氯度之间的相关系数均在0.82以上， BP神经网络能够较好地反映出上游径流量、河口咸潮期潮位与含氯度三者之间的非线性关系。因此，根据径流量和潮位数据，即能够较准确地模拟计算出相应的含氯度。

3.2 径流量的变化对含氯度的影响

运用上述基于BP神经网络的珠江河口含氯度预测模型研究受调节的上游水电站的径流量变化对河口含氯度的影响。对上游径流量分别按升序和降序进行排列，由于潮汐变化具有显著的周期性，不同潮周期间潮位过程相近，因此计算时仍将潮位作为下游边界条件[21]。利用上述训练好的BP神经网络模型进行模拟计算，结果如图5所示。

图5 上游径流量升序与降序时含氯度的变化Fig.5 Chlorinity changes under upstream runoff sequences of ascending and descending

由图5可以看出，上游径流量与河口含氯度呈负相关关系：当径流量按升序排列时，含氯度呈下降趋势；当径流量按降序排列时，含氯度呈上升趋势。这反映了上游径流量越大，河口含氯度越小，体现出上游径流量的“压咸”作用，与Liu[12]的研究成果一致，印证了咸潮入侵时期上游来水对减轻河口含氯度确保供水安全具有至关重要作用。表1为上游径流量的原始值、升序、降序排列对河口含氯度影响的对比。

表1 不同排序的径流量对含氯度的影响Tab.1 Effects of different sort of runoff to chlorinity

由表1可知，当径流量以降序排列时，最大含氯度为1 225 mg/L，有34 d的浓度是低于250 mg/L，即水质达标[12]，这比原始径流量下的达标天数多了8 d，也低于其最大含氯度2 029 mg/L。

对第2组数据(验证数据，共39 d)的上游径流量分别按升序和降序进行排列，下游潮位不变，运用上述训练好的BP神经网络进行计算。可以看出，对上游径流量进行排序泄水时，其水质达标情况均比实际径流量好；当上游径流量以降序形式进行泄水时，其结果最好，径流量降序时水质达标的天数比实际情况的要多8 d，其最大含氯度为1 225 mg/L，也比实际情况的最大含氯度2 029 mg/L要小，这可能是因为对于受咸潮入侵影响的河口区，前期径流量较大时，会使河口段本底含氯度相对较小，这在一定程度上会减轻前期含量度对后期的影响。

3.3 不同来水频率和潮位设计方案下的含氯度模拟预测

基于1989-2005年上游三水站+马口站前一天径流序列和1971-2004年灯笼山逐时潮位数据，设计以下6种边界条件情形：90%来水频率、5年一遇潮位；90%来水频率、10年一遇潮位；90%来水频率、20年一遇潮位；97%来水频率、5年一遇潮位；97%来水频率、10年一遇潮位；97%来水频率、20年一遇潮位。运用训练好的BP神经网络模型对平岗泵站日平均含氯度进行模拟计算，以分析不同来水频率和潮位边界情形下的含氯度变化，结果如表2所示。

表2 模型计算结果 mg/L

由表2可知，以上游90%来水频率为例，在5年一遇潮位情形下，方案设计的结果(366.1 mg/L)较2005年实际河口含氯度(140.25 mg/L)[15]大，这是因为实际数据的潮位(-0.215 m)比方案预测中的低，海水入侵程度较低，所以其含氯度比方案设计计算的结果要小；在十年一遇潮位(0.11 m)情形下，在2005年的实测数据中找出与其接近的数据，得到某天的平均潮位为0.112 m，平均径流量为2 412 m3/s，河口含氯度362.17 mg/L，这组实测数据与方案90%来水频率+10年一遇潮位的数据与计算结果(366.1 mg/L)相似，说明本文神经网络模型的模拟效果较好。可以看出，河口设计潮位越高，上游来水越小，河口含氯度越大。

当上游来水频率为90%时，5年一遇潮位下的含氯度与10年一遇的含氯度相差10 mg/L左右；而当上游来水频率为97%时，5年一遇潮位下的含氯度与10年一遇的含氯度相差15 mg/L。由此可以看出当上游径流量较小时，下游潮位对河口含氯度的影响会比径流量较大的影响要大。10年一遇潮位与20年一遇潮位亦是如此，表明当上游径流量较小时，下游潮位对于河口含氯度的影响程度较大。章文[14]等的研究也指出，磨刀门水道的含氯度在极端枯水期很大程度上受下游潮位变化幅度的影响。

同一设计潮位方案下，特枯来水年份(97%来水频率)平岗泵站日平均含氯度较正常来水年份(90%来水频率)平均增幅达到3.3倍。尤其是特枯来水年份，平岗泵站10年一遇潮位下日平均含氯度达到了1 500 mg/L。说明枯水期上游来水的减少较大增加了咸潮上溯的风险，进而造成了河口地区正常供取水的困难。

4 结 语

(1)本文建立的基于BP神经网络的含氯度模拟模型对平岗泵站的日平均含氯度模拟训练和验证的结果与实际含氯度之间的相关系数均在0.82以上，模型体现了较好的适用性，可用于磨刀门河口区含氯度的模拟预测。

(2)不同流量过程条件下日平均含氯度的模拟表明，采用水库泄水来抑制潮汐河口水源地咸潮上溯，在泄水总量不变的情况下，按照径流量降序来泄水更能有效地缓解咸潮上溯对水源地的影响。这对于河口地区的供水和取水安全及水库泄水调度均具有重要的意义。

(3)不同来水频率和潮位设计方案下的含氯度预测模拟结果表明：上游径流量较小时，下游潮位对河口含氯度的影响会比径流量较大的影响要大；同一设计潮位方案下，特枯来水年份(97%来水频率)平岗泵站日平均含氯度较正常来水年份(90%来水频率)平均增幅达到3.3倍。

值得指出的是，本文仅选取了影响河口含氯度的两个主要因素：上游来水和下游潮位，以分析上游来水变化及其与不同潮位的组合对网河区河口含氯度的影响。实际上，除了上游来水和下游潮位，河口含氯度还受到风向，河道地形变化，下游支流的交互作用以及其他因素的影响。例如，磨刀门水道下游的洪湾和贺洲水道关闭可导致20%咸潮入侵的减少[23]；在小潮或是落潮阶段，更多咸潮由洪湾水道涌向磨刀门水道，这是此阶段磨刀门水道上游咸潮入侵达到最大化的内在动力机制[24]。因此，河口含氯度的变化呈现出高度的非线性[12]，咸潮入侵的动力机制及其对河口含氯度的影响机理较为复杂，仍需进一步深入研究。

□

[1] 杨莉玲. 河口盐水入侵的数值模拟研究[D]. 上海：上海交通大学,2007.

[2] Lian JJ, He W, Ma C, et al. Guarantee rate of freshwater in a river mouth intruded by saltwater with respect to the joint impact of runoff and tide [J]. Journal of Hydroinformatics, 2015,17(6):917-929.

[3] IPCC: Climate Change 2013. The Physical Science Basis[Z].

[4] Ketabchi H, Mahmoodzadeh D, Ataie-Ashtiani B et al. Sea-level rise impacts on seawater intrusion in coastal aquifers: review and integration[J]. Journal of Hydrology, 2016,535:235-255.

[5] Colon-Rivera RJ, Feagin RA, West JB et al. Hydrological modification, saltwater intrusion, and tree water use of a Pterocarpus officinalis swamp in Puerto Rico [J]. Estuarine Coastal and Shelf Science, 2014,147:156-167.

[6] Vijay R, Mohapatra PK. Hydrodynamic assessment of coastal aquifer against saltwater intrusion for city water supply of Puri, India [J]. Environmental Earth Sciences, 2016,75:588.

[7] 孔 兰,陈晓宏,杜 建,等. 基于数学模型的海平面上升对咸潮上溯的影响[J]. 自然资源学报,2010,(7):1 097-1 104.

[8] 史英标,李若华,姚凯华. 钱塘江河口一维盐度动床预报模型及应用[J]. 水科学进展,2015,(2):212-220.

[9] Kernell G R. Selected streamflow statistics for stream gaging stations in Northeastern Maryland[R]. U.S. Department of the Interior. U.S. Geological Survey, Open-file Report, 2006.

[10] Kernell G R. The national streamflow statisics program: a computer program for estimating streamflow stistics for ungaged sites[M]. U.S. Geological Survey, 2007.

[11] BMJ Langland, JP Raffensperger, DL Moyer, et al. Changes in streamflow and water quality in Selected Nontidal basins in the Chesapeake Bay Watershed, 1985-2004[R]. U.S. Geological Survey Scientific Investigations Report, 2006.

[12] Liu BJ, Yan SL, Chen XH, et al. Wavelet analysis of the dynamic characteristics of saltwater intrusion - a case study in the Pearl River Estuary of China[J]. Ocean & Coastal Management, 2014,95:81-92.

[13] Yuan R, Zhu JR. The effects of dredging on tidal range and saltwater intrusion in the Pearl River Estuary [J]. Journal of Coastal Research, 2015,31(6):1 357-1 362.

[14] 章 文,刘丙军,辛彦博，等. 珠江河口区盐度变化周期特征分析----以磨刀门水道为例[J]. 热带地理,2013,33(1):28-33.

[15] 黄建华,黄庭辉,陈治家. 中山珠海咸潮凶猛[N]. 广州日报,2011-12-20(A14).

[16] 林伟波. 瓯江口盐水入侵预测模式研究[J]. 中国农村水利水电,2013,(3): 24-33.

[17] 胡 溪. 珠江口磨刀门水道咸潮入侵数值模拟研究[D]. 北京：清华大学, 2010.

[18] 周 琳,汪 进,万 飞,等. 面对咸潮----市供水有限公司努力抗咸保供水[N]. 中山日报画刊,2006-12-01(第6期27版).

[19] 朱 凯. 精通MATLAB神经网络[M]. 北京:电子工业出版社,2010.

[20] 胡铁松,袁 鹏,丁 晶. 人工神经网络在水文水资源中的应用[J]. 水科学进展,1995,(1): 76-82.

[21] 刘国东,丁 晶. BP网络用于水文预测的几个问题探讨[J]. 水利学报,1999,(1): 66 -71.

[22] 黄 丽. BP神经网络算法改进及应用研究[D]. 重庆：重庆师范大学,2008.

[23] 胡 溪,毛献忠. 珠江口磨刀门水道咸潮入侵规律研究[J]. 水利学报,2012,(5): 529 -536.

[24] Gong WP, Wang YP, Jia JJ. The effect of interacting downstream branches on saltwater intrusion in the Modaomen Estuary, China[J]. Journal of Asian Earth Sciences， 2012,45:223-238.