基于隨機森林模型的祖厲河流域水沙模擬及歸因分析

關鍵詞：隨機森林；水沙模擬；歸因分析；祖厲河中圖分類號：TV214 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.08.015用格式：，，，等.基于隨機森林模型的祖厲河流域水沙模擬及歸因分析[J].人民黃河，2025，47（8）：90-95.

Simulation and Attribution Analysis of Sediment and Water in the Zuli River Basin Based on Random Forest Model

LIANG Lixia’， SONG Zheng2， ZHANG Zhongyang3，WANG Yibo3 （1.GansuWaterCoservancyUnion，Lanzhou73ooo，China;2.GansuHydrologyandWaterResourcesCenter，Lanzhou， China；3.Colge of Earth and Environmental Sciences，Lanzhou University，Lanzhou 73Oooo，China）

Abstract：Basedonherandomforestmodelandutilngthesimentandwaterprocessdataaselscmaticmeasureentdatafromfour typicalhydrologalatiosineZuliiveBsinfrolt，thisstudyonducedthesiulatiodtrbutioaalysftdy namiccharacteritisofsedimentandwaterprocesatthbasinsale.Thsultssothattheadomforestodelhasgodlcability forsedimentand watersimulationinthe Zuli River Basin，with high simulationaccuracyandaNash-SutclifeEfciency（ N_sE ） greater than 0.5forthevastmajorityofstations，utthesimulationofdatapeaksisrelativelypoor.Duringtheperiodfrom2Oolto2O2O，thecliaten theZuliRiversigealledtrndowasgdiceadudityihoralineasitrdidde creasingtrendinaalsdimenttrasprtFromOtoO，thechangsinunofinteZuliRiverBasinaeprimarilyifuencedbyclmate change，with a contribution rate of 197.59% ；whereas the changes in sediment are mainly reduced due to human activities，with a contribution rate of 162.46% ：

KeyWords：random forest；sediment and water simulation；attribution analysis；Zuli Rivei

0 引言

河流不僅是地表徑流的通道，而且承擔著泥沙溶質的輸送，對降水、氣候有著顯著的反饋作用，對流域水文過程和水資源儲量有著重要意義[1]。河流水沙運移過程是陸地系統重要的物能流動形式，其影響因素眾多，具有高度復雜性[2]。在全球氣候變暖大背景和人類高強度活動下，干旱半干旱地區的氣溫顯著升高，氣候發生了劇烈變化，顯著影響區域地表產匯流過程，同時人類活動也極大地改變了水沙輸移的下墊面條件，對流域泥沙的運移和沉積過程產生影響，使其水文特性變化更加復雜[3-4]。綜上，氣候變化影響下的河流水沙過程變化研究已成為當前流域水文過程變化研究及水土流失治理的熱點和難點。

針對河流水沙的研究，大部分學者以徑流輸沙機制分析為主，主要依賴水文站的水沙觀測數據，對流域斷面的徑流量和輸沙量進行分析，探究河流水沙過程變化趨勢及對外界響應過程[5-7]。也有部分學者通過控制試驗，探究流域不同下墊面條件的產匯流和輸沙特征[8]。隨著研究的不斷深人和技術的發展，更多學者將水文模型納入流域水沙相關研究中，例如：王逸飛等采用SWAT模型對黃河流域水沙動態進行模擬，發現其模擬精度較高，能夠較好地反映流域水沙空間分布；朱熠明等[1]基于WEP-SED分布式水沙模型對大夏河流域的水沙過程進行模擬，結果表明大夏河流域的水沙過程主要受降水、氣溫及土地利用變化的影響。利用模型的模擬研究在一定程度上彌補了輸沙實測數據的缺失，可以在時間序列和空間上進行拓展。大量研究表明，LSTM模型、BP神經網絡模型、RNN模型等典型的機器學習模型能夠很好地模擬流域的徑流和泥沙，具有較高的適配性[1I-14]。然而，不同模型的輸人數據類型、精度要求和模擬范圍均不統一，這增加了資料稀缺地區流域水沙模擬的難度。通過對比分析，隨機森林模型能夠很好地適應小流域水沙過程變化的研究，彌補大型模型在小流域不能很好地模擬分析這一不足。一方面，隨機森林模型在運用中不需要考慮流域相關水文參數，相較于大型復雜模型更簡潔、易實現。另一方面，隨機森林模型可以快速捕捉非線性、非平穩的水文過程，從而提高預測的精度。

本研究針對傳統水沙模型在資料稀缺流域適用性不強的問題，構建了基于隨機森林的多站點水沙歸因分析框架。以祖厲河流域的水沙過程為研究對象，以定西站、郭城驛站、靖遠站、會寧站為關鍵控制斷面，采用各水文站的降水和流域平均氣溫作為驅動因子，開展月尺度的徑流和泥沙模擬，定量分析氣候變化和人類活動對祖厲河流域水沙變化的影響。

1數據來源與方法介紹

1.1 研究區概況和數據來源

祖厲河是黃河上游的一級支流，流域總面積為10 653km² 。流域內干旱少雨，屬于溫帶半干旱氣候區，其中年均氣溫為 6.4～8.8°C ，年降水量為 300mm ，年蒸散發量為 1 407～1 736mm 。選取祖厲河流域的靖遠站、郭城驛站、會寧站、定西站共4個水文站（見圖1）2001—2020年的實測月均流量、月均輸沙率以及月降水量資料為研究數據。氣溫數據為整個流域的月平均氣溫，時間為2001—2020年。

圖1 研究區概況

Fig.1Overview of the Study Area

1.2 隨機森林模型

隨機森林模型是一種非參數機器學習算法，其原理是通過Bootstrap重抽樣方法從原始數據集中抽取多個子樣本，分別基于這些子樣本建立多棵決策樹模型，最后通過投票機制將多棵決策樹的模擬結果組合起來得出最終預測結果。該方法具有方法清晰、準確度高、計算量小等優點。

1.3 模型驗證

使用納什效率系數 N_sE 和相關性分析來評估模型的精度，其中 N_sE 由下式計算[15]：

式中： n 為時間序列長度， Q_si 為第 i 個觀測值， Q_oi 為第 χ_i 個模擬值， 為實測平均值。

N_sE 的取值范圍為 -∞～1 ，數值越接近1表明模型模擬的效果越好。根據前人研究， N_sEgt;0.5 說明模型模擬的效果較好。

1.4 時間序列突變點檢驗

運用M-K檢驗判斷祖厲河的徑流量和輸沙量時間序列中是否存在突變，并確定突變的時間，以劃分后續模型模擬的基準期和分析期[3]

1）計算M-K趨勢檢驗統計量 s

2）計算M-K非參數檢驗統計量 Z

式（2）、式（3）中： X_i?X_j 為以 i，j 為序列號獨立同分布的隨機樣本， n 為樣本總量。

在給定的雙邊趨勢檢驗置信水平 α 下，若 |z|? ，則通過了顯著性檢驗。

3）計算非參數M-K突變檢驗統計指標：

（1?k?n）

（k=1，2，…，n）

式中： S_k 為第 k 個樣本的累計樣本， E（S_k） 為均值，Var（S_k） 為方差， UFk 為 S_k 的標準化統計量。

1.5 歸因分析

對祖厲河流域徑流量和輸沙量變化進行歸因分析，探究氣候變化和人類活動對徑流和泥沙變化的貢獻程度，分析時采用基準期作為參考，對分析期的氣候和人類活動貢獻率展開計算，具體方法如下[6]：

ΔQ=Q_i-Q_c=ΔQ_c+ΔQ_H

ΔQ_c=Q_s-Q_c

ΔQ_H=Q_i-Q_s

式中： ΔQ 為分析期徑流量和泥沙量相對于基準期的變化； ΔQ_c 和 ΔQ_H 分別為由氣候變化和人類活動（退耕還林還草、城市化等）引起的徑流量和泥沙量的變化，其中所有的非氣候因素均歸為人類活動； Q_s 為分析期模擬的徑流量和泥沙量； Q_i 為分析期的實測徑流量和泥沙量; Q_c 為基準期的實測徑流量和泥沙量; η_c 和 η_H 分別為氣候變化和人類活動的貢獻率。

本研究設定基準期內不存在任何人類活動的影響，即假定徑流僅受氣候變化的作用。在此基礎上，運用隨機森林模型，對不存在人類活動影響時分析期的徑流量與泥沙量進行模擬。隨后，分別計算基準期和分析期的實測數據與模擬數據之間的關系，以此來分離出氣候變化和人類活動對徑流和泥沙變化的貢獻程度。靖遠站為整個祖厲河流域水沙的匯水出口站，因此對該站的水沙值進行歸因分析結果能夠反映整個流域水沙對氣候變化和人類活動的響應。

2 結果分析

2.1 祖厲河流域水沙變化及氣候趨勢分析

由圖2可知，祖厲河流域各水文站2001—2020年降水量隨時間的變化整體呈現上升趨勢，且各水文站代表區域的降水量具有一定的差異性，降水量從小到大為靖遠站lt;郭城驛站 lt; 會寧站 lt; 定西站。不僅如此，祖厲河流域2001一2020年的年均氣溫整體也呈現上升趨勢，其中氣溫在每年的7月達到最高，為 19.53‰ ，而在每年的1月達到最低，為 -6.98^°C 。祖厲河流域的年徑流量呈增加趨勢，而年輸沙量則呈減少趨勢。通過對各站的徑流量和輸沙量進行對比分析，結果顯示靖遠站和郭城驛站的年徑流量和年輸沙量遠大于會寧站和定西站的。綜上所述，祖厲河流域的氣候在2001—2020年呈現顯著的暖濕化趨勢，徑流量增加而輸沙量減少。

圖2祖厲河流域氣候、年徑流量和年輸沙量的變化趨勢 Fig.2Trendsof Climate，Annual Runoff and Annual Sediment TransportinZuliRiverBasin

2.2 祖厲河流域水沙變化突變分析

2001—2020年祖厲河流域的4個典型水文站的年徑流量和年輸沙量M-K突變檢驗結果如圖3所示。對于年徑流量的M-K檢驗，郭城驛站的UF和UB交叉點在2017年左右，而定西站的UF和UB交叉點則在2010—2012年，表明郭城驛站年徑流趨勢在2017年后發生顯著變化，定西站在2012年后發生顯著變化。靖遠站和會寧站的徑流量UF和UB交叉點則在2006年左右，表明2006年之后兩站的徑流發生顯著變化。對于年輸沙量的M-K檢驗，祖厲河流域4個典型水文站的UF和UB交叉點均在2010年前后，表明流域的4個典型水文站年輸沙量在2010年后發生了顯著變化。這個檢驗結果表明，祖厲河流域的徑流量突變趨勢相較于輸沙量具有更高的空間異質性，各站的年徑流量在空間和時間序列上變化差異較大。

圖3祖厲河流域水文站年徑流量和年輸沙量突變檢驗 Fig.3 Abrupt Change Test of Annual Runof and Sediment DischargeofHydrologyStationin ZuliRiverBasin

依據各水文站年徑流量和年輸沙量的突變年份，將各水文站進行基準期和分析期的劃分，考慮模型模擬期的一致性，結合大部分水文站的水沙突變年份，對祖厲河流域4個典型水文站進行水沙模擬時，將水文站的水沙序列劃分為基準期（2001—2010年）、分析期（2011—2020年）。

2.3水沙模擬結果分析

圖4為隨機森林模型模擬精度驗證。通過分析可知，對于水沙模擬，除定西站的泥沙模擬 N_sE 值較小外，其余3個水文站的水沙模擬精度較高，3個站的N_sE 值均大于0.5，模擬值與實測值的相關性均較大。

其中，會寧站的徑流模擬精度最高， R² 為 0.86，N_sE 為0.68；靖遠站的泥沙模擬精度最高， R² 為 0.84，N_sE 為0.76。這個結果表明隨機森林模型對祖厲河流域的水沙模擬具有較高的適用性。不僅如此，模型模擬的水沙變化趨勢與水沙實測值的變化趨勢整體具有較高的一致性（見圖5），說明該模型能夠很好地模擬祖厲河流域水沙的變化趨勢。然而，對比分析發現模型對于數據峰值的模擬較差，往往會存在低估現象。綜上所述，隨機森林模型在祖厲河流域的水沙模擬中適用性較好，但會低估徑流和泥沙的峰值，在該流域進行模擬預測分析時，要對徑流和泥沙的峰值進行驗證。

圖4隨機森林模型模擬精度驗證

Fig.4Simulation AccuracyVerificationofRandomForestModel

圖5隨機森林模型模擬結果（靖遠站） Fig.5Simulation Results of Random Forest Model （ Jingyuan Station）

2.4 水沙變化歸因分析

水沙變化是祖厲河流域水文過程和水資源變化的關鍵科學問題，模型模擬與實測的靖遠站水沙結果對比如圖6所示。由模擬結果和實測結果分析可知，人類活動的影響導致祖厲河流域徑流量和泥沙量顯著下降，且對于泥沙的影響更大，其中2011—2020年的年徑流量變化為0.04億 m³ ，年輸沙量變化為 1446.05 萬t。由表1可知，由徑流數據計算的 ΔQ 為正值，而由泥沙數據計算的△Q為負值，表明流域在氣候變化和人類活動的共同影響下，2011—2020 年祖厲河徑流整體呈現增加趨勢，泥沙整體呈現減少趨勢。對于徑流變化，氣候變化貢獻率為 197.59% ，人類活動貢獻率為 -97.59% ，說明氣候變化導致徑流增加，而人類活動使徑流減少，且徑流受到氣候變化影響大于人類活動。對于泥沙變化，氣候變化貢獻率為 -62.46% ，人類活動貢獻率為162.46% ，說明氣候變化導致泥沙量增加，而大量的退耕還林和梯田建設等工程措施導致泥沙量減少，說明人類活動對泥沙的影響要大于氣候變化的影響。

圖6模擬與實測水沙結果對比（靖遠站） Fig.6Comparison of Simulated Measured Water and Sediment Results（Jingyuan Station）

表1靖遠站2011一2020年氣候變化與人類活動貢獻率

Rate of Climate Change and Human Activities in Jingyuan Station from 2O11 to 2020

3討論

全球氣候變暖導致流域內降水、蒸散發等水文過程發生顯著改變，極端氣候水文事件瀕發。同時，受城市化擴張、退耕還林還草、梯田改造等人類活動的影響，流域的水沙過程在時間和空間發生明顯變化，水文過程也受到顯著影響[17]。通過對比分析，祖厲河流域2001一2020年的降水整體呈現逐漸增加趨勢，氣溫也逐漸升高，流域呈現暖濕化變化特征，歸因分析的結果表明，人類活動改變了坡面產匯流形成過程的下墊面條件，雖然在一定程度上影響了流域徑流的形成，但是流域總的徑流變化更多是受氣候的影響，因此流域徑流仍呈現增加趨勢。這與蘇布達等[18]的研究結果相似，其研究表明降水是我國絕大部分河流徑流變化的主要原因。對于河流的泥沙輸送，根據第三次全國土地調查，祖厲河流域的下墊面發生顯著改變，林草耕地面積占據了整個流域土地面積的 77.2% ，草地和林地的增加在一定程度上改善了流域下墊面條件，土壤表層基本結構和屬性得到保護和增強，提升了土壤的抗蝕性，且植被可以通過截留雨水來減少坡面侵蝕對河道泥沙的輸送[19-20]。本研究結果表明，祖厲河流域2001—2020年的年輸沙量整體呈現下降趨勢，泥沙量的變化受退耕還林還草、梯田改造等人類活動的影響要大于氣候變化的影響，人類活動使流域產沙和輸沙量下降。不僅如此，祖厲河流域在20世紀70年代開始開展流域水土保持治理，通過實施梯田、種草、封禁等措施對流域生態環境進行治理，截至2023年，水土流失治理程度達 72% ，各種水保措施等人類活動有效遏制了全流域水土流失，減少了河道的輸沙量，因此流域的泥沙變化受人類活動的影響呈現下降趨勢[21]，而自然生態環境條件的改善已經呈現主要的作用。

另外，本研究通過隨機森林模型對祖厲河流域的水沙變化過程進行模擬，模擬結果表示隨機森林模型對祖厲河流域的水沙模擬有很好的適用性，模擬精度較高，但是對于數據的峰值，其模擬效果較差，往往存在低估現象。進一步表明了隨機森林模型雖然在水文預測方面操作簡單，輸入數據簡便，可以忽略復雜的下墊面情況、水文過程，但是在處理不確定性方面沒有物理模型精確，存在一定的局限性。蘇輝東等[22]將隨機森林模型和傳統的水文式分布模型進行對比，發現傳統模型具有清晰的物理過程和機制，但是對于數據要求較多，且操作復雜，而隨機森林模型相對簡單易操作，對徑流有較好的預測，但是對洪峰流量的預測較差且模型依賴數據的樣本容量。因此，在未來的研究中，應當重點探索隨機森林模型的不確定性預測和可遷移性，引入時空特征和非線性關系，將隨機森林模型與傳統的水文物理模型進行耦合，構建多模型集成預測系統，提高預測精度和可靠性，實現對流域水文過程的高精度模擬和預測[13]

4結論

以靖遠、會寧、郭城驛、定西4個典型水文站2001—2020年的實測資料為基礎，運用隨機森林模型對祖厲河流域水沙變化進行模擬，最后運用歸因定量分析探究氣候變化和人類活動對祖厲河流域水沙的影響，主要結論如下。

1）祖厲河流域降水在空間上具有一定差異，降水量從小到大為靖遠站lt;郭城驛站lt;會寧站lt;定西站，流域氣候整體呈現暖濕化趨勢。不僅如此，流域的年徑流量在2001—2020年整體呈增加趨勢，年輸沙量則呈減少趨勢。

2）2001—2020年郭城驛站的年徑流量在2017年左右發生顯著變化，定西站徑流量則在2010年、2011年、2012年前后發生顯著變化，而靖遠站和會寧站的徑流量在2006年之后發生顯著改變。對于河道泥沙，4個水文站年輸沙量均在2010年前后發生了顯著變化。

3）隨機森林模型對祖厲河流域的水沙過程模擬有較好的適用性，大部分水文站的水沙模擬精度較高，絕大多數水文站的 N_sE 大于0.5。但是模型在模擬數據峰值時存在一定的局限性，往往存在低估現象。

4）通過歸因分析發現，祖厲河流域徑流主要受氣候變化的影響而增加，其貢獻率為 197.59% ;而泥沙主要受人類活動的影響而減少，其貢獻率為 162.46% 。

參考文獻：

[1] 胡春宏.我國泥沙研究進展與發展趨向［J].泥沙研究，2014，39（6） ：1-5.

[2] GAO H，WU Z，JIA L，et al.Vegetation Change and Its Influenceon Runoff and Sediment in Different Landform Units，Wei River，China[J].Ecological Engineering，2019，141：105609.

[3] 呂明俠，王一博，吳川東，等.祖厲河河源區徑流、泥沙對氣候的響應研究[J].水資源與水工程學報，2020，31（2）：87-94.

[4] NILAWAR A，WAIKAR M.Impactsof Climate ChangeonStreamflowand Sediment Concentration Under RCP 4.5 and8.5：ACase Study in Purna River Basin，India[J].Science ofthe Total Environment，2019，650：2685-2696.

［5］王海紅，蒙曉菊.黃河干流下河沿斷面近10a徑流指標變化分析［J].人民黃河，2024，46（增刊2）：1-2，5.

[6］袁騰港，張英，錢繼坤，等.甘肅洮河流域水文氣象動態及徑流和水質驅動機制[J].冰川凍土，2024，46（4）：1329-1340.

[7］申冠卿，王平，王佳，等.黃河下游花園口以上河道滯沙指標研究［J].人民黃河，2024，46（11）：43-48.

[8]LI M，YAO W，DING W，et al.Efec of Grass Coverage onSediment Yield in the Hillslope-Gully Side Erosion System[J].Journal of Geographical Sciences，2009，19：321-330.

[9］王逸飛，武磊，楊致遠，等.甘肅黃河流域水沙動態及其歸因分析[J].水資源保護，2025，41（1）：131-139.

[10］朱熠明，藍云龍，周祖昊，等.基于分布式水沙模型的大夏河流域水沙過程演變機理［J].水土保持研究，2021，28（4） ：121-127.

[11］郭秀吉，孫龍飛，王平，等.基于機器學習的三門峽水庫多因子排沙預測模型比較研究［J].人民黃河，2024，46（12） ：37-43.

[12］蔡清池，林東坡.采用LSTM的新山水庫徑流模擬分析[J].寧德師范學院學報（自然科學版），2023，35（2）：207-211.

[13] 王語浠，曹青，SHAOQuanxi.耦合人工神經網絡模型在徑流預測中的應用綜述［J].海洋氣象學報，2024，44（3） ：152-161.

［14］楊傳訓，李勇，楊驥，等.機器學習模型的珠江口懸浮泥沙遙感反演與規律分析[J].測繪通報，2023（9）：117-123.

[15]BAI X L，ZHAO W Z.Impacts of Climate Change and An-thropogenic Stressors on Runoff Variations in Major RiverBasins in China Since 195O[J].Science of the Total Envi-ronment，2023，10：165349.

[16]WEI X K，WANG GJ，SCHMALZ B，et al.Evaluation ofTransformer Model and Self-Attention Mechanism in theYangtze River Basin Runoff Prediction[J].Journal of Hy-drology，2023，47：101438.

[17］王亞龍，齊悅，馬浩遠，等.氣候變化對流域徑流的影響研究進展[J].云南水力發電，2024，40（增刊1）：18-22.

［18］蘇布達，孫赫敏，李修倉，等.氣候變化背景下中國陸地水循環時空演變[J].大氣科學學報，2020，43（6）：1096-1105.

[19］陸寶龍，馮小燕.基于氣候變化及人類活動影響下的祖厲河流域水文響應分析研究［J].甘肅水利水電技術，2024，60（2） ：10-14.

[20］黃琬雲，趙允格，劉寶元，等.黃土高原土壤可蝕性對退耕還林（草）的響應[J].水土保持學報，2023，37（4）：94-100.

[21］梁雙河，牛最榮，賈玲.祖厲河干流近65a徑流變化及歸因分析[J].干旱區研究，2024，41（6）：928-939.

[22] 蘇輝東，賈仰文，倪廣恒，等.機器學習在徑流預測中的應用研究[J].中國農村水利水電，2018（6）：40-43，48.

【責任編輯 張帥】