贵州三岔河上游流域径流演变特征与趋势预测研究

李长江,付 杰,陈文斌

(1.贵州省水利科学研究院，贵州 贵阳 550002；2.西北农林科技大学，陕西 杨凌 712100)

1 流域概况

三岔河流域位于贵州省西北部，西部与金沙江支流横江-牛栏江相邻，以乌蒙山为分水岭，分水岭高程2000～2700m；南面有苗岭，为珠江流域西江上源-北盘江的分水岭。西、南两面分水岭高程介于1200～600m之间。北与乌江一级支流六冲河相邻，东隔武陵山肋与洞庭湖沅江水系相邻，分水岭高程700～1000m之间。流域地势由西南向东北逐渐倾斜，东西高差大，南北高差相对较小。

2 河流水系

三岔河属乌江流域南源一级支流，自西北从威宁县流入贵州省六盘水市钟山区大湾镇，后复入毕节市威宁县，再从六盘水市钟山区汪家寨镇进入六盘水市，以上河流叫阿大河，至六盘水市水城县青林乡出境流入毕节市纳雍县，又经水城县比德镇，成为水城县与纳雍县界河，随后进入六盘水市六枝特区境内，成为六枝特区与纳雍、织金县界河，后再次转入纳雍县，复在梭戛乡流入六枝特区境内，于六枝特区龙场乡东面出境进入安顺市普定县。而后在贵州省毕节市黔西县水头寨附近的东风水库与另一支流六冲河汇合，称鸭池河，成为乌江的上游，鸭池河以下称乌江。三岔河干流全长325.6km，天然落差1397.9m，全流域面积7264km2。三岔河为典型山区河流，岩溶发育。流域水系发育，支流众多，呈羽状分布。

3 径流演变特征分析

3.1 径流年内变化特征

以阳长水文站1958—2008年实测资料为基础，对多年平均径流逐月分配比例进行计算[1]。计算结果见表1。

表1 阳长站径流逐月分配比例

从表1可知，三岔河上游流域径流主要集中在5—10月，径流占全年总径流的77.6%。全年径流比例以7月份的21.3%为最大，以3月份的1.9%为最小，其中将连续最大4个月的流量进行加和后得出，6—9月的径流占到了全年总径流的66.8%，连续最小4个月径流仅占全年总径流的9.6%，径流的年内分配十分不均匀。

3.2 径流年际变化特征

径流的年际变化采用极值比KM和变差系数CV来表示。通过对阳长站年径流极值的统计分析可知：1989年出现最小年平均流量为22.1m3/s，1997年出现最大年平均流量为62.3m3/s，径流的极值比KM和变差系数CV计算成果[2- 3]见表2。

表2 径流多年变化特征参数

年径流的趋势分析主要是研究水文序列随时间的变化过程。受气候变化和人类活动的影响，多年径流序列会呈现出一定规律的变化趋势。若全过程都出现某种趋势，称这种趋势为整体趋势[4]；若只在某一段时期出现了某种规律，则称为局部趋势。采用滑动平均方法、Mann-Kendall检验法和Spearman秩次相关检验法对流域的年径流变化趋势进行分析[5]。

3.2.1 滑动平均法

水文序列x1,x2,…，xn(n为样本数)，若逐个滑动，按一定步长取原序列中样本进行平均计算，可得到一个新序列yt，新序列使原序列更加光滑，易看出原序列的变化趋势。滑动平均法，其具体函数表达为：

(1)

式中，2k+1(k=1,2,…)为步长，即几年平均，k=1时为3年滑动平均。

用滑动平均法对阳长站的径流序列进行滑动平均处理，分析成果如图1所示。

图1 径流演变特征曲线

从图1可知，阳长站年径流分时段趋势比较明显，即：1974—1986年呈上升趋势；1991—2001年上升趋势明显；1986—1991年、2001—2007年呈下降趋势。

3.2.2 Mann-Kendall检验

对时间序列x1,x2,…，xn(n为样本数)，对应观测值(xi,xj,j>i)中xi

(2)

假设原序列无明显的变化趋势，给定显著化水平α(α=0.05)，在正态分布临界值表中查出临界值Uα/2(U0.05/2=1.96)，当|U|Uα/2，拒绝原假设，即序列趋势显著，且当U>0时序列呈上升趋势，U<0时序列呈下降趋势。分析得到统计量|U|=|0.35

3.2.3 Spearman秩次相关检验

分析径流序列xt与时间t的相关关系，建模时序列xt用其秩次Rt(即把序列xt从大到小排列后，xt所对应的序号)表示，t仍为时序(t=1,2,…，n)。秩次相关系数表达为：

(3)

式中，n—样本长度，dt=Rt-t。秩次Rt与时序t越相近，dt小，秩次相关系数越大，原序列的趋势越显著。假设原序列无趋势，当给定显著水平α(α=0.05)后，在t分布表中查临界值tα/2，当|T|tα/2时，拒绝原假设，序列呈现出一定变化趋势，如果T<0，则呈现上升趋势，如果T>0，则呈现下降趋势。秩次相关检验统计量|T|=|-0.34|

4 径流趋势预测

以阳长站资料为基础，采用最近邻抽样回归模型和人工神经网络模型，分别从统计和人工智能的角度，对流域年径流分别进行预测[6- 7]。

4.1 最近邻回归(NNBR)模型

(4)

(5)

4.2 人工神经网络(ANN)模型

神经网络模型模拟生物大脑的信息处理系统。在生物大脑中，神经元是信息处理的基本结构和功能单元，人工神经网络模型把节点模拟为神经元，通过节点连接输入层和输出层，通过比较输出层输出与期望输出的误差来调节各层之间的连接权重，通过反复迭代确定误差最小的连接权[8]。使用多层前馈网络的误差反向传播(Error Back Prorogation，简称BP)算法进行年径流预测。三层BP网络拓扑结构，如图2所示。

图2 三层BP网络结构图

4.3 预测结果分析

采用最近邻回归(NNBR)和人工神经网络(ANN)对三岔河阳长水文站1958—2008年的年平均流量进行预测，并与实测数据进行对比，其趋势预测结果如图3所示。

图3 年平均流量预测模拟结果

从图3可知，在进行年径流预测时，最近邻回归模型的拟合合格率、检验合格率分别为87.5%和60%，人工神经网络模型为75.6%和60%；最近邻回归模型拟合平均误差和检验平均误差分别为9.61%和27.3%，人工神经网络模型为14.02%和38.87%。

5 结论

通过对流域径流演变趋势的分析，以及采用最近邻回归(NNBR)和人工神经网络(ANN)算法，对三岔河阳长水文站1958—2008年的年平均流量进行多时间尺度演变趋势预测，主要研究结论为：

(1)流域内径流年内变化大，径流主要集中在5月到10月，约占全年总径流的77.6%；长系列实测资料表明，流域内年际变化趋势呈不显著趋势。

(2)最近邻回归(NNBR)径流预测模型，其拟合合格率、检验合格率及准确率较ANN神经网络模型高，预测结果相对贴近实际。

(3)三岔河流域属中小流域，影响径流预测的因素较多，为更好开发利用好流域水资源，尚需对预测模型的权限约束条件及特征参数设置进行深入研究。