沙河徑流量、輸沙量變化影響因素探析

尤金國

（河北省唐山水文水資源勘測局，河北唐山063000）

沙河徑流量、輸沙量變化影響因素探析

尤金國

（河北省唐山水文水資源勘測局，河北唐山063000）

通過分析沙河水平口實測水文資料，得出沙河流域徑流量、輸沙量整體呈減小趨勢，將流域產水、產沙分為3個不同時段。根據水量平衡原理及產沙機制，在分析影響沙河水沙變化幾個主要因素的基礎上，建立BP人工網絡模型分析相關因素對徑流、泥沙在不同時期的影響程度。

水利水保工程；徑流量；輸沙量

1 前言

近年來，伴隨著經濟快速發(fā)展，各類礦產資源大量開采，導致土壤侵蝕加劇，增加了流域水土流失，環(huán)境和植被遭到了一定程度破壞。為了踐行科學發(fā)展觀和實現本地區(qū)的經濟和生態(tài)環(huán)境的和諧發(fā)展，各級政府及有關部門對水利、水土保持工作越來越重視，按照“治山治水相結合、工程措施與生態(tài)措施相配套、經濟林與生態(tài)林相搭配”的思路，狠抓水土保持生態(tài)建設，提高水土流失治理水平。

筆者通過分析沙河流域實測水文資料，結合水利水保工程建設前后的水文要素變化研究，得出沙河水利水保工程發(fā)揮的作用，為以后水保工作改進提供可參考的基礎數據和理論依據，為涵養(yǎng)水資源及水資源可持續(xù)利用打好基礎，為保障經濟社會可持續(xù)發(fā)展提供技術支撐。

2 流域概況

沙河屬薊運河水系，源于河北省承德市興隆縣大青山，流域面積866 km2（其中，興隆縣298 km2，遵化市568 km2）。該河沿程接納老爪河、清水河、冷咀頭河、北嶺河、魏進河、馬蘭河等大小支流，構成較典型的扇狀水系。該河呈現季節(jié)性河流特征，上半支在汛期外基本呈斷流狀態(tài)，下半支常年有水。該河上游有2座中型水庫（上官水庫、般若院水庫）和1座小（1）型水庫（大河局水庫），3座水庫總控制面積為305 km2，占總流域面積的35.2%。該河干流自遵化市東北斜貫西南直入于橋水庫，占水庫總流域面積的42.0%，為于橋水庫3條支流（淋河、沙河、黎河）中流域面積最大、水源最為豐富的支流。該河下游設有水平口水文站，控制面積799 km2，占沙河總流域面積的92.3%[1]，為沙河控制站。

3 水文特征值演變趨勢分析

3.1 降雨量變化趨勢分析

本流域洪水、泥沙主要由汛期暴雨形成，故選取年降水量、汛期（6—9月）降水量、連續(xù)最大3 d、最大1 d降水量來分析沙河流域降水量變化趨勢［2］。選取沙河流域6處雨量站1956—2010年資料系列分析流域年均降水量及汛期平均降水量變化趨勢，選取遵化站1956—2010年最大1 d、最大3 d降水資料分析暴雨變化趨勢，并點繪逐年雨量特征參數圖。由圖1可知，沙河流域逐年降雨量特征參數整體呈減少趨勢。

圖1 沙河流域逐年降雨量參數變化

分析不同年代降水量變化趨勢，分不同的時間段統(tǒng)計降水量參數，見表1。由表1可以看出，流域降雨量20世紀80年代之前持續(xù)減小，20世紀90年代有所增加，2000年后又減少；20世紀70年代前后呈現明顯變化，20世紀70年代之前明顯大于20世紀70年代之后，且20世紀70年代之前都高于多年平均值；最大值為20世紀50年代，其中2000—2009年各參數較20世紀50年代分別下降了31.0%、42.5%、55.9%、54.8%，較整個系列平均值分別下降了17.5%、25.4%、32.1%、29.5%。由此可以看出，近10年沙河流域降雨量減少較大，成為整個系列的最小值，是整個研究系列的最枯時段。

表1 沙河流域年代降雨量參數統(tǒng)計mm

3.2 徑流量變化趨勢分析

統(tǒng)計沙河流域水平口站1961—2010年實測年徑流量資料，點繪逐年徑流量過程線，從中可以看出流域徑流量整體呈明顯減少趨勢，如圖2所示。結合流域年均降雨量資料，點繪年降雨量、年徑流量雙累積曲線，如圖3所示，確定產流變化轉折點［3］。由圖3可以確定，流域年降雨量、徑流量變化分3個不同階段，即1961—1979、1980—1998、1999—2010年。根據3個階段的資料點繪降雨、徑流深關系圖，如圖4所示。由圖4可以看出，隨著時間的推移，相同級別的降水量在3個不同階段產生的徑流深越來越小。

圖2 水平口站逐年實測徑流量過程線

圖3 水平口站年降雨量、年徑流量雙累積曲線

圖4 水平口站年降雨、年徑流關系

3.3 懸移質輸沙量變化趨勢分析

輸沙量變化影響因素較多，主要有流域自然地理特征影響、降雨特性的影響、河道外形的影響及其他影響［4］。對于同一流域，影響因素主要是流域植被情況、降雨強度、水工建筑物運用、河道整治及水保措施等影響。

統(tǒng)計沙河流域水平口站1961—2010年實測年輸沙量資料，點繪逐年輸沙量過程線，結合年徑流量過程線可以得出年輸沙量變化與年徑流量非常相似，呈現大水大沙、小水小沙或小水無沙情況，如圖5所示。

圖5 水平口站年徑流、年輸沙量過程線

圖6 水平口站累積年徑流量、累積年輸沙量關系

年徑流量和年輸沙量的雙累積曲線為檢驗2個參數間關系一致性及其變化的常用方法。如果該站水沙關系不變，雙累積曲線應呈線性增加；如果水流輸沙能力突然增大或減少，則雙累積曲線將出現向下或向上的拐點。年徑流量、年輸沙量雙累積曲線能很好地顯示徑流和泥沙的這種變化，與流域內水庫興建和植被情況及水保工程情況相互印證，就能分析得出一個可信的結論，如圖6所示。由圖5可以看出，水平口站發(fā)生轉折的年份為1979、1999年。1970年開始修建水庫直到1979年3座中小型水庫竣工，水庫截留大量泥沙；2000年以后降雨小，水窖增加，工業(yè)用水量增加，泥沙也相應減少。

3.4 次雨洪過程特征值分析

由于受人力和時間等多種因素的限制，大面積、長歷時的宏觀研究相對容易，但在此基礎上再進行深層次和機理性的研究就明顯困難。由于眾多隨機因素的存在，暴雨的時間分布和空間分布每一次都不同，再加上下墊面也存在時季差異，因此盡可能地劃分小空間單元和時間長度，才可能使所研究問題的主要矛盾得以突顯。要研究對場次洪水、泥沙的影響因素，其場次洪水對應的暴雨、洪水、泥沙資料的處理尤為關鍵［5］。

根據實測資料，選取前期影響雨量與本次降水之和比較接近的場次，計算該場降水的洪水總量及輸沙量，對比前面分析的3個不同產水、產沙時段各水文特征參數的變化，見表2。由表2可知，隨著年代的推移，降雨影響因素相近（降雨量、降雨強度及暴雨中心）情況下，流域徑流量、洪峰流量、最大含沙量及輸沙量呈減小趨勢；由于水利水保工程的逐步完善及植被率的提高，相同量級的暴雨產生的洪水總量減小，匯流歷時加長。

表2 沙河流域水平口站場次洪水特征參數統(tǒng)計

4 流域治理及水利水保工程情況

水平口水文控制站以上流域建有中型水庫2座，小（1）型水庫1座，塘壩5處，攔河壩、蓄水閘、橡膠壩6處，機井7 728眼（其中，灌溉機井7 327眼，城鎮(zhèn)工業(yè)154眼，人飲機井238眼，城鎮(zhèn)供水9眼）；建成庫井灌區(qū)2個，總灌溉面積2.406萬hm2，節(jié)水灌溉面積達1.662萬hm2；打水窖2 979個，總容積6.01萬m3。

流域內有過2次小流域治理。其中，一次是1991年曹家堡20.1km2小流域治理，水土流失面積16.2 km2，完成治理面積16.17 km2，通過整修梯田、壩地建設和采取造林和經濟林建設等配套措施，林草覆蓋率98%，攔沙效益達到79.6%；一次是1993年侯家寨58.66 km2小流域治理，水土流失面積29.62 km2，完成治理面積28.35 km2，通過整修梯田、壩地建設和采取造林和經濟林建設等配套措施，林草覆蓋率82%，攔沙效益達到86%。

5 徑流量及泥沙影響因素分析

5.1 分析方法

人工神經網絡（Artificial Neural Networks）是一種由大量簡單的人工神經元廣泛連接而成的，用以模仿人腦神經網絡的復雜網絡系統(tǒng)［6］。人工網絡具有高維性、并行分布處理性、自適應性、自組織、自學習等優(yōu)良特性，為一些傳統(tǒng)方法所難以解決的問題提供了一條新途徑，已在人工智能、模式識別、自動控制和信息處理等領域取得了顯著的應用效果。

BP（Back Propagation）算法是人工神經網絡中最重要的一種學習算法，其應用最為廣泛。BP神經網絡是一個包含輸入層、隱含層和輸出層的多層網絡，上下層之間各個神經元之間實現全連接，即下層的每個單元都實現權連接，而每層各神經元之間無連接。人工神經網絡BP模型實際上是對一組樣本逐個進行輸入、輸出計算，求出各連接權值和閾值修正量，接著計算出修正后的連接權值和閾值，反過來再重復進行各節(jié)點輸入、輸出計算的一個循環(huán)訓練過程。BP算法從本質上講是把一組樣本的輸入輸出問題變?yōu)橐粋€非線性優(yōu)化問題，它使用了優(yōu)化技術中最普通的一種梯度下降算法，用迭代運算求解權值相當于學習記憶問題。人工神經網絡BP模型結構，如圖7所示。

圖7 人工神經網絡BP模型結構

根據預測要素和網絡結構特點，節(jié)點作用選擇對數-S形（Sigmoid）函數，表達式為：

模型采用Excel平臺運用VBA編程來實現計算。微軟Excel表格工具有著強大的計算功能，我們可以把已知的樣本數據、模型參數定位賦值到單元格中，然后利用Excel內置函數將單元格和人工神經網絡BP模型計算公式定位連接起來，建立能夠進行一次性運算的人工神經網絡計算模板，最后運用VBA代碼進行迭代賦值，從而實現多次運算。

建立神經網絡學習算法的目的是確定評價指標的權重，而神經網絡訓練得到的結果只是各神經網絡神經元之間的關系，想要得到輸入因素相對于輸出因素之間的真實關系，也就是輸入因素對輸出因素的決策權重，還需要對各神經元之間的權重加以分析處理。為此，利用以下幾項指標來描述輸入因素和輸出因素之間的關系。

相關顯著性系數為：

相關指數為：

絕對影響系數為：

上述公式中：i為神經網絡輸入單元，i=1，…，m；j為神經網絡輸出單元，j=1，…，n；k為神經網絡的隱含單元，k=1，…，p；ωjk為輸入層神經元i和隱含層神經元k之間的權系數；ωjk為輸入層神經元j和隱含層神經元k之間的權系數。絕對影響系數S就是評價因素的權重［7］。

5.2 對徑流量影響因素分析

分析水平口水文站資料，選取年降水量、地下水埋深、植被覆蓋率、人類工農業(yè)用水4個指標作為輸入層輸入因子來進行擬合計算。根據本站及屬站資料計算出流域平均年降水量，其他數據來自統(tǒng)計資料。為了確定不同時期相關因素對徑流的影響程度，按照前節(jié)徑流分析結果參照轉折點將水平口水文站徑流系列分為3段：1961—1979、1980—1998、1999—2010年。

經過對1961—1979年段徑流及雨量對比分析，可見當時的徑流主要受降水量影響，年徑流變化趨勢與年降水量變化趨勢一致。其中，最大年1964年年降水量1 124.6mm，年徑流為4.099×108m3；1961年年降水量550.5mm，年徑流僅為0.801 1×108m3。

1980—1998、1999—2010年段，由于流域內建設了水利工程及水保工程，降水量就不是徑流量影響的單一因素，這里采用人工神經網絡BP模型進行擬合計算，計算結果及權重分析結果見表3-4。

根據以上計算結果，1980—1998年段地下水埋深和工農業(yè)用水2項指標共占權重0.507，1999一2010年段工農業(yè)用水1個指標就占權重0.393 6，加地下水埋深權重合占0.621 6。可見，由于建設了水利工程、水保工程，工農業(yè)用水大大增加，人類活動用水已成為影響徑流的主要因素。

5.3 對沙量影響因素分析

影響產沙的因素很多，實際計算中考慮因素過多模擬是十分困難的。根據本次計算的實際情況，確定將最大1 d降水量、植被覆蓋率、水土保持治理面積、水利工程控制面積4個指標作為輸入層輸入因子來進行擬合計算，通過模型計算得4個指標對輸沙量影響權重。依據2005年前系列，利用模型預測2006—2010年在沒有水利水保工程影響情況的輸沙量，從而得出水利水保工程對流域沙量減少起到的作用。

表3 水平口站1980—1998年段人工神經網絡BP模型權值及閾值計算結果

表4 水平口站1999—2010年段人工神經網絡BP模型權值及閾值計算結果

由于本流域多為暴雨性洪水，暴雨對河道輸沙量影響巨大，故選取最大1 d降雨量作為分析本流域洪水特征值的影響因子。次洪對應最大1 d降雨量雨強的大小決定了降水的產流方式是超滲產流還是蓄滿產流，當為超滲產流時攜帶的地表泥沙更多地進入河道，從而加大河道輸沙量。

選取水平口水文站1961—2010年輸沙量系列，將最大1 d降水量、植被覆蓋率、水土保持治理面積、水利工程控制面積4個指標作為輸入層輸入因子來進行擬合計算，得出水利工程控制面積對輸沙量影響權重最大，達到36.7%；其次為水土保持治理面積，為25.2%。經模型預測2006—2010年輸沙量，水利水保工程對減少泥沙量起到了重要作用，實測沙量僅為無水利水保工程時預測沙的的7.4%，詳見表5。

6 結論及建議

（1）1961—1979年段徑流主要受降水量影響，年徑流變化趨勢與年降水量變化趨勢一致。其中，最大年1964年年降水量1 124.6 mm，年徑流為4.099×108m3；1961年年降水量550.5mm，年徑流僅為0.801 1×108m3。

1980—1998、1999—2010年段，由于流域內建設了水利工程及水保工程，增加了土壤含蓄水能力，改變了流域產匯流歷時。水利水保工程對徑流量的影響日益明顯，尤其在1980年后的30年間尤為顯著。降水量已經不是徑流量影響的單一因素。1980—1998年段地下水埋深和工農業(yè)用水2項指標共占權重0.507，1999—2010年段工農業(yè)用水1個指標占權重0.393 6，加地下水埋深權重合占0.621 6。可見，由于建設了水利工程、水保工程，工農業(yè)用水大大增加，人類活動用水已成為影響徑流的一個主要因素。

（2）依據2005年前系列，利用模型預測2006—2010年在沒有水利水保工程影響情況的輸沙量，從而得出水利水保工程對流域沙量減少起到的作用。

由于本流域多為暴雨性洪水，暴雨對河道輸沙量影響巨大，故選取最大1 d降雨量作為分析本流域洪水特征值的影響因子。次洪對應最大1 d降雨量雨強的大小決定了降水的產流方式是超滲產流還是蓄滿產流，當為超滲產流時攜帶的地表泥沙更多地進入河道，從而加大河道輸沙量。

1961—2010年段水利工程控制面積對輸沙量影響權重最大，達到36.7%；其次為水土保持治理面積，為25.2%。經模型預測2006—2010年輸沙量，水利水保工程對減少泥沙量起到了重要作用，實測沙量僅為無水利水保工程時預測沙的的7.4%。

建議充分利用現有的水利水保工程，發(fā)揮現有工程的最大效益。相關部門繼續(xù)加強水利水保工程建設，提高流域水資源涵養(yǎng)能力。雖然水利水保工程對減少水土流失及增加地下水儲量起到了積極作用，但通過地下水水位井監(jiān)測數據分析，并沒有提高地下水儲量［8］。這就要求各級政府在進行水土保持工作的同時，加強對地下水開采監(jiān)督工作，多開發(fā)利用地表水，控制地下水開采。同時，加強尾礦排放管理，做好鐵選廠尾礦水保措施，嚴防尾礦砂在河道中發(fā)生淤積，影響行洪安全。

表5 水平口站人工神經網絡BP模型權值及預測計算結果

［1］劉玉偉.于橋水庫入庫水量變化趨勢分析[J].水資源保護，2009，（5）：54-57.

［2］楊誠芳.地表水資源與水文分析［M］.北京：水利水電出版社，1992：230-265.

［3］冉大川，劉斌，付良勇，等.雙累積曲線計算水土保持減水減沙效益方法探討[J].人民黃河，1996，（6）：21-24.

［4］徐建華，李曉宇，陳建軍，等.黃河中游河口鎮(zhèn)至龍門區(qū)間水利水保工程對暴雨洪水泥沙影響研究［M］.鄭州：黃河水利出版社，2009：162-180.

［5］芮孝芳.關于降雨產流機制的幾個問題的討論[J].水利學報，1996，（9）：22-26.

［6］鄒文安，劉文博，王鳳.人工神經網絡模型在枯季徑流量預測中的應用[J].水資源研究，2008，（3）：45-47.

［7］孫會君，王新年.應用人工神經網絡確定評價指標的權重[J].山東科技大學學報，2001，（3）：84-86.

［8］趙宏亮，李志軍.唐山市平原區(qū)淺層地下水動態(tài)及趨勢預測［J］.河北煤炭，2009，（2）：36-39.

Exp loreand Analysison Effect Factor of Shahe Runoff and Sediment Discharge Change

YOU Jin-guo
（Hydrology andWater ResourcesSurvey Bureau of Tangshan in HebeiProvince，Tangshan 063000，China）

Through analyzing hydrologic data observed at Shuipingkou station，the rainfall and sediment discharge decreased in Shahebasin.Water production and sedimentyield in thebasin can be divided into3 differentperiods.With principle ofwater balance and themechanism for sediment yield，combining implementing situation ofwater-soil conservation project，the BP artificial neural network established to analyzing the influence degree of runoff and sediment at different stagesby related factors.

water-soilconservation project；runoff；sedimentdischarge

TV121；TV143

A

1004-7328（2014）03-0044-06

10.3969/j.issn.1004-7328.2014.03.017

2014-01-13

尤金國（1957-），男，高級工程師，主要從事水文水資源及水環(huán)境研究工作。