秦皇岛市沿海地区海水入侵影响因素权重分析

王 晔

（河北省廊坊水文水资源勘测局，河北 廊坊 065000）

1 概况

秦皇岛市位于河北省东北部，处于东经118°33"～119°51"、北纬39°24"～40°37"，东北接辽宁省绥中县，西北临河北省承德市，西靠唐山市的滦县、迁安，南临渤海[1]。总面积7 802 km2，其中山区面积5 648 km2、平原面积2 154 km2。海岸线东起山海关金丝河口，西止昌黎县滦河口，总长162.7 km，所辖海区20 m等深线以内总面积2 114 km2[2]。

本次分析区范围为秦皇岛市沿海平原地区，涉及山海关区、海港区、北戴河区、抚宁区及昌黎县平原区，面积为1 750.4 km2，海岸线东起山海关金丝河口，西止昌黎县滦河口，总长162.7 km[3]。分析计算区分为4个分区，即汤石平原、北戴河新河平原、洋戴平原和滦东平原。

2 海水入侵分布特征

秦皇岛海（咸）水入侵区东起山海关，西至昌黎滦河，形成东西长约125 km的入侵带。本次分析将本区划定为3处海水入侵区和1处海（咸）水入侵区，即汤石平原海水入侵区、北戴河新河海水入侵区、洋戴平原海水入侵区和滦东平原海（咸）水入侵区。

2.1 汤石平原海水入侵区

汤石平原海水入侵区自白塔岭村南，穿越汤河，基本沿河北大街向东经金源折向北至建设大街、首钢板材有限公司，继续向东经东里庄、王庄村、卸粮口，穿沙河后向北至晓营再折向东南经唐子寨至石河东岸的老龙头南海村结束，地下水位埋深一般为2 m左右，部分地段3～5 m，Cl-浓度在271～985 mg/L，2011—2016年入侵面积为9.95～43.1 km2。

2.2 北戴河新河海水入侵区

北戴河新河海水入侵区南靠赤土山，北邻海滨林场，地势低平，海拔标高仅1.5 m左右，地下水位埋深一般小于 3 m，Cl-浓度在 319.1～638.2 mg/L，2011—2016年入侵面积为4.21～4.79 km2。

2.3 洋戴平原海水入侵区

洋戴平原海水入侵区自卜家营村西向东北方向经南李庄、前朱建坨、西河南东，向北过洋河，后向东约1.8 km再折向东北经蒋营村东、小王庄西、南新庄东至戴河左岸，地下水位埋深一般小于6 m，Cl-浓度在254～4 679 mg/L，2011—2016年入侵面积为28.4～55.9 km2。

2.4 滦东平原海（咸）水入侵区

滦东平原海（咸）水入侵区分界线大体由卜家营村西向西南方向至王家庄东，折向东南方向至薛营村，向西南方向经丘营、茂道庄、牛官营东、瓦子坨东、潮河、聂庄、大韩庄、候里、西河南、后七里庄西、前高坨、大葛庄东、茹荷至滦河尼龙坝，与海岸平行的北东方向呈长条形分布，浅层地下水埋深一般大于2 m，最大处达到28 m，位于潮河以东约2 km处。滦东平原地下水位埋深大，是因为该地区大量的渔业、畜禽养殖及种植水稻等用水量大。Cl-浓度在252～15 020 mg/L，2011—2016年入侵面积为164.1～232.6 km2。

3 分析方法及数据调查

3.1 分析方法

分析区对海水入侵面积变化产生影响的主要因素为降水量、河道径流量、地下水开采量和潮汐。由于秦皇岛沿海地区潮位多年变化不大，所以本次计算认为潮水对分析区海水入侵的影响是一贯的，主要考虑前3个因素对入侵区面积变化的影响[4]。

为了确定这3个影响因素在不同时间段对海水入侵区入侵面积变化的影响程度，本次采用人工神经网络BP模型对试验井地下水中Cl-含量进行拟合计算[5]，将3个影响因素作为输入因子加入模型中，在拟合误差达到设定精度后，根据计算的结果确定各个因素的影响程度。

3.2 数据调查

本次数据调查共收集10 a（2005—2015年）统计数据，涉及降雨量、河道径流量、地下水开采量3个影响因素，统计周期均精确到月。其中，汤石平原72组数据，北戴河新河平原100组数据，洋戴平原108组数据，滦东平原108组数据。

为方便神经网络进行数据训练拟合和测试预测，拟定降雨量、径流量以及地下水开采量作为输入值，作为期望值的Cl-浓度每年包含1个（8、9、10月）或者2个（4、5、6月和8、9、10月）时段的统计数据。先按照每年12个月有相同的Cl-浓度进行训练和测试，4个分析区共计150组数据。

4 Matlab模型的建立

使用Matlab计算软件实现人工神经网络BP模型主要用到newff、train和sim这3个神经网络函数。

4.1 newff函数

newff函数为BP神经网络参数设置函数，其功能为构建一个神经网络。函数形式为：

式中：net为训练好的网络；P为输入数据矩阵；T为输出数据矩阵；S为隐含层节点数；TF为节点传递函数；BTF为训练函数；BLF为网络学习函数；PF为性能分析函数；IPF为输入处理函数；OPF为输出处理函数；DDF为验证数据划分函数。一般使用过程中，设置前6个参数，后面4个参数采用系统默认参数。

4.2 train函数

train函数为BP神经网络训练函数，其功能为用数据训练BP神经网络。函数形式为：

式中：NET为待训练网络；Pi为初始化输入层条件；Ai为初始化输出层条件；tr为训练过程记录；其余变量含义同前。一般使用过程中，设置前3个参数，后面2个参数采用系统默认参数。

4.3 sim函数

sim函数为BP神经网络预测函数，其功能为用训练好的BP网络预测函数输出。函数形式为：

式中：x为输入测试数据；y为网络预测数据；其余变量含义同前。

经归一化处理、剔除缺失信息后，取整个数据的前60%作为训练集、后40%作为测试集，训练迭代次数设计为5 000，具体训练过程包括以下7个步骤。

（1）网络初始化。根据系统输入输出序列（X，Y）确定网络输入层节点数n、隐含层节点数m、输出层节点数l、输入层连接权值Wij、隐含层连接权值Wjk、初始化隐含层阈值a和输出层阈值b，给定学习速率和神经元激励函数。

（2）隐含层输出。根据输入向量X、输入层连接权值Wij和隐含层阈值a，计算隐含层输出H。其计算公式为：

式中：i为隐含层节点数；f为隐含层激活函数，本实验中使用sigmoid函数 f(x

（3）输出层输出。根据隐含层输出H、隐含层连接权值Wjk和输出层阈值b，计算BP神经网络预测输出O。其计算公式为：

（4）误差计算。根据输出层输出O和期望输出Y，计算网络预测误差e。其计算公式为：

（5）权值更新。根据网络预测误差e，更新输入层连接权值Wij、隐含层连接权值Wjk。其计算公式分别为：

式中：η为学习速率；其余变量含义同前。

（6）阈值更新。根据网络预测误差e，更新隐含层阈值a和输出层阈值b。其计算公式分别为：

（7）判断迭代是否结束，如果没有，返回步骤（2）。

定义误差率为（实际输出-期望输出）/期望输出，经统计，整个训练过程小于20%和40%的比例如图1所示。

图1 训练拟合成果

结合图1，经过统计分析可知，整个数据训练拟合成果中，误差率小于20%的数据占总统计数据的52%；小于40%的数据达到81%，由此判断数据训练成果是基本可靠的。

5 影响因素权重分析

5.1 权重分析

为得到降雨量、河道径流量、地下水开采量对于海水入侵程度的影响，前人曾根据径流形成机制做过很多的模型分析，本次则直接应用人工神经网络BP模型对它们进行非线性的分析计算，从而计算出各因素的影响权重。其计算方法如下。

（1）相关显著性系数。其计算公式为：

（2）相关指数。其计算公式为：

（3）绝对影响系数。其计算公式为：

经计算，各指标权值结果见表1。

表1 各指标权值计算结果

由表1可以看出，降雨量对地下水中Cl-影响权重最大，高达62.37%；其次是地下水开采量，为20.31%；最后是河道径流量，影响权重为17.32%。

5.2 模型验证

根据调查统计资料分析可知，2006年秦皇岛市海水入侵范围面积最大，自2010年开始逐渐减小，2016年达到最小。海水入侵范围的年际变化与其间年降水量的年际变化基本一致，秦皇岛市降水量2000—2004年达到研究系列最枯后开始逐渐增多，在2010年后达到最大值，而同期的河道径流量和地下水开采量年际变化则相对较小。

通过降雨量变化趋势与海水入侵范围变化趋势对比可以发现，21世纪10年代前分析区降雨量达到最低值，此时海水入侵范围达到最大值；10年代后降雨量逐渐增大，海水入侵范围则逐年减少，而河流径流量和地下水开采量变化趋势相较降雨量变化平缓，可见降雨量是影响海水入侵程度的最主要因素，由此也验证了模型计算结果是符合实际的。