應用人工神經網絡確定沙河輸沙量變化影響因素的權重

劉向楠

（河北省秦皇島水文水資源勘測局，河北 秦皇島　066000）

應用人工神經網絡
確定沙河輸沙量變化影響因素的權重

劉向楠

（河北省秦皇島水文水資源勘測局，河北 秦皇島066000）

摘 要：流經遷安和灤縣的沙河多年來輸沙量呈減少趨勢，通過對石佛口水文站歷史資料的統計分析，確定影響其輸沙量變化的主要因素為暴雨、洪水和下墊面變化。使用人工神經網絡這種非線性方法，計算出各影響因素的權重，計算結果具有一定的實用性。

關鍵詞：人工神經網絡；輸沙量；影響因素；權重

沙河發源于遷安市大石嶺溝，流經灤縣、唐山市古冶區至豐南區東尖坨村南流入草泊洼淀沙河新道，在黑沿子村與黑沿子排干交匯后入渤海，全長138 km，流域面積902 km2。沙河在京山鐵路線以北屬于山區，河床由粗砂組成；鐵路線以南為平原區，河床多為細砂。在灤縣石佛口村沙河干流上建有石佛口水文站，根據實測資料分析，自1959年以來，石佛口站發生的最大洪水為1962年，其洪峰流量為472 m3/s，相當于50年一遇。

沙河流域近年來受人類活動影響，下墊面發生很大變化，其輸沙量呈下降趨勢。因此，找出影響其輸沙量變化的主要因素，對保護流域水資源、加強水土保持工作有重要的意義。

在一個評價體系中，各評價因素對描述對象的影響程度即權重。在實際的自然規律中，各因素對其的影響權重肯定是不同的，但是在以往的權重分析中模糊性很強，同時受評價者人為因素影響很大。筆者利用人工神經網絡BP模型，通過對實際發生的已知樣本的學習，建立一個非線性的學習機制，從而消除權重評價中的人為影響，保證權重計算的實用性。

1　人工神經網絡BP模型

1.1模型簡介

人工神經網絡是對人腦或生物神經網絡的抽象和建模，具有從環境學習的能力，以類似生物的交互方式適應環境。神經網絡是智能科學和計算智能的重要部分，以腦科學和認知神經科學的研究成果為基礎，拓展智能信息處理的方法，為解決復雜問題和實現自動控制提供有效的途徑［1］。

BP（Back-Propagation）算法是人工神經網絡中最重要的一種學習算法，又稱為反轉算法，是一種多層網絡的誤差傳播學習法，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，上下層各個神經元之間實現權連接，即下層的每個單元都實現全連接，而每層各神經元之間無連接。人工神經網絡BP模型實際上是一個多層感知器，即典型的前饋型神經網絡的體系結構。其網絡結構，如圖1所示。

圖1　　　　 人工神經網絡BP模型結構

由圖1可見，在一個BP模型中包括輸入層、輸出層和隱含層，計算時對一組樣本進行輸入輸出計算，得到各層間的連接權值和閾值修正量，通過與誤差比較求得修正后的連接權值和閾值，反向重復進行各節點的計算，如此循環，直到滿足誤差要求［2］。

在BP模型中，每個神經元模型包括一個非線性激活函數，滿足非線性要求的一個普遍應用形式是由logistic函數定義的Sigmoid非線性函數，其表達式為:

式中:x為神經元的激活值；f（x）為神經元的輸出。

1.2評價權重的計算方法

筆者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。要想得到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。

（1）相關顯著性系數，其表達式為:

（2）相關指數，其表達式為:

（3）絕對影響系數，其表達式為: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；ωki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Sij是評價因素的權重［3］。

2　輸沙量資料分析

石佛口水文站位于灤縣雷莊鎮石佛口村，是沙河上的控制站，自1956年開始有實測資料，至2010年已有55年資料系列，一致性較好且準確度較高。

分析石佛口站實測輸沙量系列資料發現，輸沙量的年內分配極不均勻，輸沙量主要集中在汛期6—9月，汛期輸沙量占全年輸沙量的95%～99.9%。對其1956—2010年的天然來水量進行頻率分析，選擇保證率為25%（豐水年）、50%（平水年）和75%（枯水年）的年份為典型年，計算典型年實測輸沙量的年內分配，結果見表1。

表1　石佛口站不同典型年多年平均懸移質輸沙量年內分配

由表1可見，由于汛期洪水多發，洪水對河道及流域下墊面的沖刷加強，沙量主要隨洪水下泄，豐水年輸沙量明顯大于枯水年。而暴雨則是引發洪水的最直接原因。對一個水文觀測站來說，發生洪水次數是數以百計的，要研究場次洪水、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。由于眾多影響因素的存在，暴雨的時間和空間分布每一次都不同，故對典型暴雨洪水的挑選要堅持抓大放小的原則，首先根據實測資料，選取前期影響雨量與本次降水之和比較接近的場次或者發生洪峰接近的場次，計算該場降水的洪水總量及輸沙量，通過對照可以發現流域出現轉折點前后年份各特征參數的變化，還可統計各年代平均雨量、年代平均徑流量、年代平均輸沙量，采用年代均值比較法進行分析，分析結果見表2—3。

表2　石佛口站場次洪水特征參數統計

表3　各年代平均雨量、徑流量、輸沙量與均值比較

從表3可見，隨著年代變化，各洪水特征值的變化很大。同樣強度的暴雨，匯流歷時變長，洪峰流量變小，輸沙量也隨之變小。石佛口站20世紀60年代的年均輸沙量是2010年代的年均輸沙量的39倍，2010年代的年均輸沙量只是多年平均輸沙量的6%。

3　輸沙量變化影響因素的確定

河流泥沙的來源可以分為兩大類:一類是來自流域內降雨形成的地面徑流對地表的沖蝕，通常稱為水土流失；另一類是從原河床沉積層沖刷起來的［4］。流域地表的侵蝕主要與氣候、土壤、植被覆蓋情況和地貌有關。

選取石佛口站20世紀60年代至21世紀初40年左右的降水量、徑流量、輸沙量資料，分析其變化曲線的趨勢，雨量斜率為-0.005 5，徑流量斜率為-0.012 2，輸沙量斜率為-0.070 7。由此可以看出，近年來各要素都呈現減少的趨勢，雨量減小趨勢非常緩慢，徑流量減小趨勢次之，而輸沙量減小幅度最大。降水對泥沙的影響相對徑流對泥沙的影響更小，可知降雨減小不是輸沙減少的主要因素。

2000年后，石佛口水文控制站以上流域內水利水保工程建設得到大力發展。如，嵐龍山小流域治理工程治理總面積1 608.9 hm2，興建谷坊壩226道、水池水窖25個、梯田10 hm2，種植經濟林198 hm2、用材林200 hm2、水保林300.9 hm2，封育治理900 hm2，修筑護壩1 580 m；通過上述措施，減少土壤流失量0.687萬t，增加降水有效利用量1.89萬m3，增加經濟收入20.7萬元、糧食產量9.48萬kg、林草植被面積85.9 hm2。這也就是石佛口站以上流域降雨基本相同時匯流歷時增加，洪峰模數下降從而輸沙量減少的主要原因。

通過以上分析，可以得到沙河流域輸沙量變化的主要影響因素為暴雨、洪水、人為影響的下墊面變化，包括水庫修建、綠化植樹造林、水保工程建設等。

4　評價因素權重的確定

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、水土流失治理面積、次洪洪峰流量4個指標作為輸入層輸入因子來進行擬合計算，通過模型計算得出各評價因素對輸沙量變化的影響權重，計算結果見表4。

表4　石佛口站人工神經網絡BP模型權值計算結果

暴雨洪水對河道輸沙量影響巨大，次洪對應最大24 h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，故選取最大24 h降雨量和次洪洪峰流量作為山區河流洪水的特征值的影響因子。而植被覆蓋率和水土流失治理面積可以直觀地反映人類活動對下墊面變化的影響。

山區河流受暴雨影響的洪水暴漲暴落，降水產流模式多為超滲產流，地表徑流沖刷土壤進入河道，導致洪峰夾帶大量泥沙，而近年來的流域治理和水保工程建設起到了很好的水土保持作用。經計算得出，植被覆蓋率對輸沙量影響最大，達到41.6%；其次為最大1 d降水影響，占33.8%，結果符合沙河流域特性。

5結論

輸沙量的影響因素很多，在以往的輸沙量影響因素權重計算中，多使用簡單的定量分析進行推求或在實驗室中根據模型分析推求。筆者通過統計數據確定分析流域內影響輸沙量的主要因素，進而使用人工神經網絡BP模型計算各影響因素的權重，計算結果基本符合實際情況，為分析河流輸沙量變化提供了另外一種思路。

參考文獻

［1］史忠植.神經網絡［M］.北京:高等教育出版社，2009.

［2］鄒文安，劉寶，姜波，等.基于Excel技術平臺人工神經網絡BP模型及應用［J］.水文，2010，30（1）:44-46.

［3］孫會君，王新華.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（自然科學版），2001，20（3）: 84-86.

［4］孫東坡，李國慶，朱太順，等.治河及泥沙工程［M］.鄭州:黃河水利出版社，1999.

中圖分類號：TV143+.4

文獻標識碼：A

文章編號：1004-7328（2016）02-0057-04

DOI:10.3969/j.issn.1004-7328.2016.02.019

收稿日期：2016—01—20

作者簡介：劉向楠（1983—），男，工程師，主要從事水文水資源研究工作。