陳 維, 顧 杰, 李雯婷, 秦 欣

（上海海洋大學(xué) 海洋科學(xué)學(xué)院, 上海 201306）

基于BP神經(jīng)網(wǎng)絡(luò)的長江口北支河槽容積分析

陳 維, 顧 杰, 李雯婷, 秦 欣

（上海海洋大學(xué) 海洋科學(xué)學(xué)院, 上海 201306）

根據(jù)實測水文及泥沙等資料, 采用現(xiàn)在較成熟的且應(yīng)用廣泛的BP人工神經(jīng)網(wǎng)絡(luò)建立了北支0 m以下河槽容積與大通流量、大通輸沙量及北支分流比3個因子間的神經(jīng)網(wǎng)絡(luò)模型, 網(wǎng)絡(luò)結(jié)構(gòu)為3-1-7-1,通過選擇合適的參數(shù), 模型訓(xùn)練較好, 預(yù)測結(jié)果與線性回歸模型預(yù)測結(jié)果相近, 說明BP神經(jīng)網(wǎng)絡(luò)模型能夠廣泛應(yīng)用于河口水文等方面的預(yù)報。

BP神經(jīng)網(wǎng)絡(luò); 長江口北支; 河槽容積; 北支分流比

平面形態(tài)呈扇形的長江口,上起徐六涇下至攔門沙淺灘頂附近,全長約 181.8 km。根據(jù)大通站資料,長江多年平均徑流量和輸沙率分別為 8 970億m3/a（1950～2007年）和 4.02億 t/a（1951～2007年）。長江口河段為三級分汊、四口入海的河勢格局, 有北支、北港、北槽和南槽 4個入海通道。長江口北支是長江出海的一級汊道, 西起崇明島頭部, 東至連興港,全長約83 km。北支流經(jīng)上海市崇明、江蘇省海門市及啟東市, 最寬處連興港斷面寬約 13 km , 最窄處青龍港斷面寬僅1.8 km（見圖1）。近年來, 北支河道不斷淤積, 水深條件越來越惡化, 平均水深只有 2～4 m, 北支河道淤積不僅對南支水源及河道產(chǎn)生嚴(yán)重的影響, 對北支沿岸工農(nóng)業(yè)的發(fā)展也帶來極為不利的后果。

歷史上, 長江河口段的演變較為頻繁, 主泓并不固定。14～18世紀(jì), 北支一直為長江口的主泓, 隨著河道的變遷, 至 18世紀(jì)中葉以后, 長江口主泓重入南支。隨著后來徐六涇節(jié)點的形成及人工圍涂等影響, 北支入流水道與南支交角幾乎為直角, 并維持到至今, 使得北支分流比劇烈減小（1915年為25%,2001年僅為 1.4%）, 并使北支從以落潮流為主要動力轉(zhuǎn)為以漲潮流為主要動力的河道。

我國許多學(xué)者對長江口北支河道變遷及泥沙問題進行了大量的研究, 曹民雄等[1]通過水流特性和泥沙特性說明了北支河槽容積變化的原因, 并指出北支上口段是北支淤積最為嚴(yán)重的河段。楊歐等[2]采用 Gao-Collin模型對使北支不斷淤積的泥沙來源進行了分析, 指出北支泥沙主要來源為南支入海泥沙。周開勝等[3]綜合環(huán)境磁學(xué)和微體古生物特征分析北支的沙體沉積物的來源地, 并指出泥沙來源于北支上游、蘇北沿岸及南支, 其中南支為主要來源地。賈海林等[4]通過表層沉積物粒度分析了長江口北支的沉積環(huán)境, 并指出北支下段深槽為潮流主導(dǎo)的潮汐水道沉積環(huán)境。孟翊等[5]分析了北支入海河段的衰退機制, 并指出北支河槽容積變小是北支衰退的顯著特征。李伯昌[6]采用數(shù)字地形模型技術(shù)分析了北支的河勢變化及河槽容積變化, 指出圍墾對北支的河勢影響很大。

人工神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于水文模擬和預(yù)測,陳雄波等[7]采用BP神經(jīng)網(wǎng)絡(luò)對水流挾沙能力進行了預(yù)測, 證明了BP神經(jīng)網(wǎng)絡(luò)對水流挾沙能力預(yù)測的可行性; 于東生等[8]通過建立基于BP算法的長江口北槽泥沙含量的模型, 發(fā)現(xiàn)擬合結(jié)果100%達到要求精度和預(yù)測結(jié)果80%達到要求精度; 李正最[9]通過建立流量與水位、漲落率及落差的 BP神經(jīng)網(wǎng)絡(luò)模型,表明BP神經(jīng)網(wǎng)絡(luò)擬合精度較高。本文利用BP神經(jīng)網(wǎng)絡(luò)建立了北支河槽容積與徑流量、輸沙量及分流比模型, 研究北支河槽容積變化與徑流量、輸沙量及分流比的關(guān)系。

圖1 長江口現(xiàn)狀河勢圖Fig. 1 The Yangtze River Estuary

1 模型建立與使用資料

1.1 建立模型

1.1.1 模型結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN）是模仿大腦神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)和功能建立的一種信息處理系統(tǒng), 可以處理模糊的、線性的、非線性的、甚至含有噪聲的數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)是用BP算法訓(xùn)練的一種多層前饋型非線性映射網(wǎng), 是目前人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用較廣泛的一種。決定一個BP神經(jīng)網(wǎng)絡(luò)的要素有三個: 網(wǎng)絡(luò)結(jié)構(gòu)、神經(jīng)元作用函數(shù)和學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間層和輸出層組成, 網(wǎng)絡(luò)中各神經(jīng)元接受前一級的輸入, 并輸出到下一級。輸入層和輸出層為單層, 節(jié)點數(shù)由所處理的問題確定; 中間層又稱隱含層, 可以是單層也可以是多層。它的神經(jīng)元作用函數(shù)有閾值型、分段線性型和S型。其中神經(jīng)元作用函數(shù)廣泛采用 S型函數(shù), 能很好地反映神經(jīng)元的飽和性, 它的學(xué)習(xí)算法的指導(dǎo)思想是對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向。

本文選取的模型網(wǎng)絡(luò)結(jié)構(gòu)為 3-1-7-1, 3表示輸入層的神經(jīng)元個數(shù), 1表示隱層個數(shù), 7表示隱層的神經(jīng)元個數(shù), 1表示輸出層神經(jīng)元個數(shù)。上下層實行全連接, 各層神經(jīng)元無連接, 訓(xùn)練前對數(shù)據(jù)進行歸一化處理, 使數(shù)據(jù)全部在[-1,1]之內(nèi)。隱層使用 tansig作用函數(shù), 輸出層采用purelin作用函數(shù), BP神經(jīng)網(wǎng)絡(luò)的最后一層是 purelin函數(shù), 整個網(wǎng)絡(luò)的輸出可以取任意值。

1.1.2 網(wǎng)絡(luò)因子分析

在BP神經(jīng)網(wǎng)絡(luò)模型中, 網(wǎng)絡(luò)因子選擇恰當(dāng)與否,對預(yù)測精度影響很大。北支河槽容積的變化實際是北支河道水動力綜合變化的結(jié)果。北支年平均淤積量約為 0.283億 t,約占大通泥沙通量的 6.3%, 影響北支河勢的變化主要因素應(yīng)為徑流量和輸沙量, 因此, 首先確定大通徑流量和大通輸沙量為網(wǎng)絡(luò)輸入因子。

北支河槽0 m線寬度從1915～2005年間變化非常明顯（圖 2）, 整個河道處于變窄過程中, 其中, 中上部青龍港變化最大, 河寬從8 700 m變?yōu)? 800 m。1915～1958年, 北支水道處于自然演變過程中, 基本無人工干預(yù), 中上部（從青龍港到靈甸港）淤積較為嚴(yán)重, 形成大片灘涂, 給圍墾創(chuàng)造了條件。1958～1970年, 北支圍墾面積達293 km2, 主要圍墾區(qū)位于上部和中部, 相應(yīng)河槽容積減小了 6億 m3, 年平減少量約為0.46億 m3, 占河槽容積的2.2%; 1970～1981年, 北支圍墾面積為 53 km2, 主要圍墾區(qū)位于中部和下部, 相應(yīng)河槽容積減小了 1.8億 m3, 年平均減少量約為 0.15億 m3, 占河槽容積的 1.0%;1981～2005年, 北支圍墾面積為111 km2, 圍墾區(qū)域主要位于中部和下部, 相應(yīng)河槽容積減少了5.3億m3,平均年減少量為0.21億 m3, 占河槽容積的1.6%（表1和圖3）。而1981～2005年圍墾量僅是1958～1970年圍墾量的40%, 而1981～2005年河槽容積減小量卻是1958～1970年的90%, 說明河槽容積的減少主要受淤積影響。從表2中也可以看出, 1958～1970年因圍墾0 m河槽面積減少了11.59%, 而同期0 m河槽容積卻減少了 29.3%, 是河槽面積減少的 250%;1981～2005年, 0 m河槽容積的減少值也是同期0 m河槽面積減小值的近200%, 說明淤積是河槽容積減小的主要因素。1970～1981年, 盡管圍墾使0 m河槽水面面積減小了許多, 但河槽容積減小值相對較小, 與前后年份的變化對比來看, 仍然可以判斷, 這期間的淤積作用仍然是0 m河槽容積減小的主要原因。特別的, 圍墾對河勢發(fā)展的影響, 已經(jīng)在河道的流量、輸沙量上反映出來, 因此, 圍墾面積不作為網(wǎng)絡(luò)輸入因子。

圖2 北支河槽0 m線寬度沿程變化Fig. 2 Changes of the width of 0 m-isobath of the North Branch river channel

圖3 1958～2005年北支歷年岸線變化及圍墾示意圖Fig. 3 Sketch of the shore-lines and the reclamation projects in the North Branch of the Yangtze River in 1958～2005

北支分流比從1915年的25%減少到1958年的7.6%,分流比減少了69.6%, 1970年分流比為3.4%（圖4）。隨著分流比的減少, 1915～1958年, 北支年平均淤積率為0.338億 m3, 但從1958～1970年, 年平均淤積速率為 0.648億 m3[10], 增加了近 1倍, 分流比的減少是引起北支淤積加快河槽容積變小的一個重要原因。圖5是北支河槽容積與分流比相關(guān)圖, 兩者的相關(guān)系數(shù)為 0.906, 進一步說明了北支分流比是影響北支河槽容積變化最直接的因素。因此, 確定北支分流比為BP神經(jīng)網(wǎng)絡(luò)的另一個輸入因子。

1.2 數(shù)據(jù)資料

訓(xùn)練數(shù)據(jù)采用 1970, 1974, 1978, 1981, 1983,1986, 1989, 1991, 1994及1999年這10個年份的大通流量、大通輸沙量、北支分流比及北支0 m以下河槽容積實測值, 預(yù)測數(shù)據(jù)采用相應(yīng)的 1958,1997及2001年這3個年份的實測值（圖4及圖6）。

表1 長江口北支圍墾面積及0 m以下河槽容積的變化Tab. 1 Changes of reclamation area and channel cubage under 0 m-isobath in the North Branch of the Yangtze River

表2 長江口北支0 m河槽面積及0 m以下河槽容積的變化Tab. 2 Changes of channel area and channel cubage under 0 m-isobath in the North Branch of the Yangtze River

圖4 北支分流比、河槽容積變化趨勢圖Fig. 4 Changes of the flow split ratio and channel cubage under 0 m-isobath of the North Branch

圖5 分流比與河槽容積關(guān)系圖Fig. 5 Correlation between the flow split ratio and channel cubage of the North Branch

圖6 大通徑流量、輸沙量過程線Fig. 6 Time histories of the runoff and sediment discharge at Datong gauging station

2 計算結(jié)果分析

采用MATLAB軟件編程,訓(xùn)練函數(shù)選取traingdx函數(shù),最大訓(xùn)練次數(shù)為 10 000次,訓(xùn)練要求精度為0.0001, 學(xué)習(xí)率為0.01訓(xùn)練次數(shù)到197次時, 就已完全達到要求的精度。用訓(xùn)練得到的連接權(quán)對 3組資料進行預(yù)測得到的結(jié)果見表3。

從表 3可知其誤差較小, 均小于10%, 說明 BP神經(jīng)網(wǎng)絡(luò)模擬精度較高。

3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與多元線性回歸方法預(yù)測結(jié)果比較

使用相同的數(shù)據(jù)（10組作擬合, 3組作預(yù)測）, 采用多元線性回歸法來分析 BP人工神經(jīng)網(wǎng)絡(luò)的仿真性能。

表3 BP神經(jīng)網(wǎng)絡(luò)計算的北支河槽容積與實測值Tab. 3 Comparison between the predicted results of BP neural network and the observations

設(shè)河槽容積為y, 流量為x1, 北支分流比為x2,輸沙量為x3, 通過MATLAB工具得到其多元線性方程為:

利用這個方程, 對3組數(shù)據(jù)進行預(yù)測, 預(yù)測結(jié)果見表4。

表4 多元線性回歸分析方法計算的北支河槽容積與實測值同Tab. 4 Comparison of the computed results of multiple linear regressions and the observations

從表3和表4可知, 用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的結(jié)果, 與多元線性回歸方法預(yù)測的結(jié)果相近。盡管線性回歸方法在水利及水文計算中有廣泛的應(yīng)用, 并且精度也能滿足實際要求, 但自然界不確定的因素較多, 特別是因素之間的相互作用, 往往構(gòu)成的系統(tǒng)是非線性的, 因此, 利用BP神經(jīng)網(wǎng)絡(luò)模擬分析它們之間的關(guān)系, 應(yīng)該說比用線性回歸方法更科學(xué)。

4 結(jié)論

長江口北支分流比從18世紀(jì)以來逐漸減小, 從1915年的25%減少到現(xiàn)在的5%以下, 而北支河槽泥沙淤積量約占大通輸沙量的 6.3%, 大于分流比。北支進潮量約占長江口總量的 25%, 漲潮流帶入的泥沙落潮時不能全部挾帶出海, 致使北支河道不斷淤淺, 河槽容積不斷減小, 并使北支處于衰亡之中。本文從物質(zhì)世界此消彼長這一普遍原理出發(fā), 在探究北支衰亡的原理上, 沒有從北支的納潮量及挾沙量上分析, 而是建立了北支河槽容積與大通流量、大通輸沙量及北支分流比3個因子間的BP神經(jīng)網(wǎng)絡(luò)模型,模型模擬精度較高, 這一結(jié)果正說明了北支衰亡的原因所在。因此, 治理北支河道防治河道進一步淤淺,在減小北支納潮量（縮窄北支口門）的基礎(chǔ)上, 提高北支分流比, 加強徑流動力, 才是治理北支河道及防治河道進一步淤淺的根本方法。

[1] 曹民雄, 高正榮, 胡金義. 長江口北支水道水沙特性分析[J]. 人民長江, 2003, 34（12）: 34-36.

[2] 楊歐, 劉蒼字. 長江口北支沉積物粒徑趨勢及泥沙來源研究[J]. 水利學(xué)報, 2002, 2: 79-84.

[3] 周開勝, 孟翊, 劉蒼字, 等. 長江口北支潮流沙體沉積物來源分析[J]. 海南師范學(xué)院學(xué)報（自然科學(xué)版）,2007, 20（3）: 277-282.

[4] 賈海林, 劉蒼字, 楊歐. 長江口北支沉積動力環(huán)境分析[J]. 華東師范大學(xué)學(xué)報（自然科學(xué)版）, 2001, 1:90-96.

[5] 孟翊, 程江. 長江口北支入海河段的衰退機制[J]. 海洋地質(zhì)動態(tài), 2005, 21（1）: 1-10.

[6] 李伯昌. 1984年以來長江口北支演變分析[J]. 水利水運工程學(xué)報, 2006, 3: 9-17.

[7] 陳雄波, 唐洪武. 用 BP神經(jīng)網(wǎng)絡(luò)原理對水流挾沙力的研究[J]. 泥沙研究, 2004, 1: 29-34.

[8] 于東生, 嚴(yán)以新, 田淳. 基于 BP算法的泥沙含量預(yù)測研究[J]. 水運工程, 2003, 6: 5-9.

[9] 李正最. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)推算洪水流量的計算方法[J]. 四川水力發(fā)電, 1997, 1: 26-29.

[10] 吳華林, 沈煥庭, 嚴(yán)以新, 等. 長江口入海泥沙通量初步研究[J]. 泥沙研究, 2006, 6: 75-81.

Received: Jan., 9, 2010

Key words:BP neural network; North Branch; channel cubage; flow split ratio

Abstract:Based on the hydrology and sediment data, an artificial neural network model was established to study the relationship among the channel cubage under the 0 m-isobath in North Branch, the flow and sediment discharge at Datong gauging station and the flow split ratio of the North Branch. The structure of the network model was fixed on 3-1-7-1. The network model was trained and tested by choosing appropriate parameters. The computation results of BP artificial neural network agree well with that of multiple linear regressions. It can be concluded that BP artificial neural network may be used to predict the hydrological factors such as sediment discharge in estuary.

（本文編輯:劉珊珊）

Analysis of the channel cubage of the North Branch of the Yangtze River Estuary with BP neural network

CHEN Wei, GU Jie, LI Wen-ting, QIN Xin
（College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China）

P737.12

A

1000-3096（2011）01-0070-05

2010-01-09;

2010-11-04

上海市教委重點學(xué)科項目（J50702） ; 上海市教育委員會科研創(chuàng)新重點項目（08ZZ81）; 上海市科委“創(chuàng)新行動計劃”部分地方院校計劃項目（08230510700）

陳維（1987-）, 女, 湖南常德人, 碩士研究生, 主要從事河口海岸及港口工程研究; 顧杰, 通信作者, 男, 教授, 博士, E-mail:jgu@shou.edu.cn