耿延博，王玉成

（1.遼寧省水文局，遼寧 沈陽 110003；2.遼寧防汛抗旱指揮部辦公室，遼寧 沈陽 110003）

基于BP神經網絡的河道徑流變化量預測

耿延博1，王玉成2

（1.遼寧省水文局，遼寧 沈陽 110003；2.遼寧防汛抗旱指揮部辦公室，遼寧 沈陽 110003）

河道徑流變化是一種復雜的非線性函數(shù)關系的過程，BP神經網絡具有表達任意非線性映射的特性。本文基于BP神經網絡建立的河道徑流變化量預測模型，結合水資源調查分析評價，定量地將人類活動影響期徑流相對于基準期徑流的變化量分解為降水量、涉水工程、下墊面變化影響量，并分別建立3種因素的影響量模型，從而實現(xiàn)預測未來徑流變化量及徑流變化量控制的目的。

預測；徑流量；BP網絡；河道

1 概述

河道徑流量演變主要受自然條件和人類活動兩方面因素的影響，自然因素主要包括降水、蒸發(fā)等氣候因子的變化，人類活動主要包括土地利用變化、水利工程建設、生產生活取用水等。目前，徑流是水文系統(tǒng)中典型的非平穩(wěn)、非線性序列，針對其特性，文中引進了一種可以處理非平穩(wěn)、非線性信號的方法——BP神經網絡方法。神經網絡是由大量簡單神經元鏈接而構成的復雜網絡，具有復雜、并行、非線性等特點。神經網絡依靠歷史數(shù)據資料，通過神經元的模擬、記憶和聯(lián)想來處理各種復雜的、模糊的、非線性的數(shù)據。20世紀90年代以來，神經網絡技術發(fā)展迅速，已形成多種網絡體系及算法系統(tǒng)。現(xiàn)階段，神經網絡技術已廣泛的應用于模式識別、預測預報、優(yōu)化問題、神經控制、智能決策等領域。

2 徑流演變分析

采用南科院張建云院士等的方法進行降水和人類活動對徑流量影響的分離（方法原理和步驟略）。分別選擇遼寧省轄區(qū)內的渾河、太子河、大凌河等流域主要水文控制站系列資料分析，以1979年及以前為基準期，劃分1980—1989，1990—1999，2000—2011，1980—2011 時間節(jié)點，以渾河為例描述分析結果。

選擇1980—2011年間渾河邢家窩棚水文站資料分析，實測徑流量減少3.7 mm，降水因素影響量為2.1 mm，涉水活動對徑流表現(xiàn)為減少作用，下墊面對徑流表現(xiàn)為增加作用。其各時間節(jié)點徑流影響因素及影響量見表1。

3 神經網絡模型

BP神經網絡（誤差反傳播神經網絡）是由rumelhart等于1986年提出，屬于按照誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伿缴窠浘W絡，是目前應用較為廣泛的神經網絡模型之一，在水文預報領域中較為成熟。鑒于此，本文研究中選用BP神經網絡構各因素影響徑流量預報模型。

表1 渾河徑流影響因素及影響量分解mm

BP神經網絡算法本質是以網絡誤差平方和為目標函數(shù)，按照梯度法求其目標函數(shù)最小值的算法，其網絡結構通常由輸入層、隱含層、輸出層組成。其中，輸入層接受外界信息，輸出層對外界信息進行判別和決策，中間隱含層用來表示或存儲知識。BP網絡各層之間的每個神經元實現(xiàn)全連接，每層內各神經元之間無連接，其拓撲結構如圖1所示。其中隱含層中的神經元采用sigmoid型變換函數(shù)，輸出層神經元采用線性變化purline函數(shù)。S函數(shù)又可分為對數(shù)S型函數(shù)（log-sig）和雙曲正切 S型函數(shù)（tan-sig），可實現(xiàn)從輸入到輸出的任意非線性映射。

圖1 BP神經網絡拓撲結構

BP神經網絡學習過程由正向傳播及反向傳播構成。正向傳播時，信號經sigmoid函數(shù)在隱含層逐層轉播，每一層神經元的狀態(tài)只影響下一層神經元狀態(tài)。若在輸出層不能得到期望的信號，則修改各層神經元的權值，并使輸出信號的誤差沿原路返回。經過反復傳播，從而獲得滿足精度要求的輸出信號。采用BP神經網絡進行水文預報步驟為：

1）給各神經元的權值及閾值賦值，為(-1，1)之間的隨機數(shù)；

2）選取一組訓練數(shù)據（xk，Tk），將之輸入到神經網絡輸入層（m=0），使得

其中：F（S）取 sigmoid 函數(shù)；

4）計算輸出層每個節(jié)點的誤差值；

5）計算各層節(jié)點的誤差值；

6）反向逐層修改各神經元的閾值及權值；

7）返回步驟2），轉入下一輪學習過程，直到輸出層結果滿足計算精度需求。

研究表明：3層結構的BP神經網絡在水文預報研究中應用較好，鑒于此，研究中選用3層結構BP神經網絡進行各流域各因素影響徑流量的預報。

4 建模結果

采用BP神經網絡方法來建立各因素影響徑流量的預測模型，以提高建模精度。由于降水量因素影響量與降水量之間為直接的關系，采用線性擬合的決定系數(shù)已達到1，故模型僅針對涉水活動和下墊面影響量來建模。渾河涉水活動和下墊面影響徑流量的BP神經網絡擬合結果見圖2，3。

圖2 渾河流域涉水活動影響徑流量BP神經網絡擬合效果

圖3 渾河流域下墊面影響徑流量BP神經網絡擬合效果

從圖2，3可以看出，在各流域中BP神經網絡模型能夠較好模擬涉水活動影響徑流量和下墊面影響徑流量的均值，對變化趨勢模擬效果較好，還能夠模擬出水資源影響徑流量的峰值。

5 徑流變化量預測

5.1 未來情景設置

對于每個流域可分離降水量、涉水活動、土地利用3種因素，每種因素設置3種情景，共有27種情景組合。降水量因素，按照不同保證頻率的降水量來選取情景，本文采用75%、50%、20%保證率的降水量，分別代表枯水年、平水年、豐水年；涉水活動因素，地表水實際開發(fā)利用率和累計興利庫容2個自變量，3種情景分別為比2011年少20%、2011年水平、比2011年多20%；土地利用因素，土地利用類型主要集中在耕地（包括水田、旱地）、林地、水域及水利設施用地、建筑用地等幾類，其中耕地、林地所占比例較大，水域及水利設施用地、建筑用地所占比例較小，3種情景分別為比2011年少10%、2011年水平、比2011年多10%。渾河流域未來情景設置說明見表2，具體數(shù)值見表3。

表2 渾河未來不同降水量、涉水活動、土地利用情景設置說明

表3 渾河未來不同降水量、涉水活動、土地利用情景下的具體數(shù)值

5.2 徑流變化量預測

對每個流域的27種情景組合下的徑流改變量進行計算，降水量影響徑流量采用線性回歸方程進行計算，水資源利用和土地利用的徑流影響量采用BP人工神經網絡模型進行計算。渾河流域各情景組合下的降水量、涉水活動、土地利用因素影響徑流量及總徑流改變量見表4。

表4 渾河流域不同情景組合徑流影響量模擬計算 mm

從表4得出：1）在枯水年、平水年降水量情景下，與基準期相比，降水對徑流均為減少作用，豐水年情景下降水對徑流為增加作用；2）在水資源開發(fā)利用率比2011年減小10%的情景下，徑流深均比基準期增加，而累積庫容增加5%和涉水活動增加10%的情況下，徑流深均減??；3）土地利用的轉化徑流表現(xiàn)為減少。

6 結 語

通過渾河等流域分析預測，得出降水量對徑流演變影響最大，在枯水年、平水年降水量情景下降水對徑流均為減少作用，豐水年情景下降水對徑流均為增加作用；涉水活動對徑流演變影響次之，涉水活動使徑流量減小；土地利用的變化對徑流演變影響最小，土地利用的變化一般使徑流量減小。但同樣的土地利用變化，在不同的流域徑流響應程度存在差異，表明不同的流域其徑流對土地利用的響應機理存在差異，這有待于基于更加詳細的土地利用資料進行深入研究。

［1］陳利群，劉昌明.黃河源區(qū)氣候和土地覆被變化對徑流的影響［J］.中國環(huán)境科學，2007（04）：559—565.

［2］何自立.氣候變化對流域徑流的影響研究［D］.西北農林科技大學，2012.

［3］張愛靜.東北地區(qū)流域徑流對氣候變化與人類活動的響應特征研究［D］.大連理工大學，2013.

［4］曹明亮.基于多源信息分析人類活動對徑流及洪水預報的影響［D］.大連理工大學，2011.

［5］張愛靜.東北地區(qū)流域徑流對氣候變化與人類活動的響應特征研究［D］.大連理工大學，2013.

［6］ Tibby J.D.Tiller.Climate-water quality relation ships in threewesternVictorianlakein1984-2000［J］.Hydrobiolohia，2007，591：219—234.

P33

A

1002－0624（2016）04－0029－02

2015-12-29