譚寓寧，劉懷湘，陸永軍，3

(1. 南京水利科學研究院水文水資源及水利工程科學國家重點實驗室，江蘇 南京 210029；2. 四川大學水力學與山區(qū)河流開發(fā)保護國家重點實驗室，四川 成都 610065；3. 長江保護與綠色發(fā)展研究院，江蘇 南京 210098)

隨著近年來長江上游水電開發(fā)的快速推進，金沙江流域水庫群的蓄水攔沙導致劇烈的水沙調(diào)整，其中下游區(qū)間烏東德、白鶴灘、溪洛渡和向家壩4級巨型水庫的影響尤為顯著。向家壩、溪洛渡水庫分別于2012年10月和2013年5月蓄水運用，蓄水初期向家壩下游年輸沙量在2 a內(nèi)即銳減至不足1998年前輸沙量均值的1%[1]。2011年以來金沙江流域水庫群年均總攔沙量達1.92億t，其中2013—2016年溪洛渡和向家壩兩庫年均攔沙量即占1.05億t[2]。

水庫攔沙淤積將影響長期運行效益，其中入庫沙量是決定淤積總量的控制性因素。金沙江流域來水來沙不均衡，水沙異源等現(xiàn)象十分突出[2-4]。攀枝花和屏山水文站分別為金沙江下游入口、出口控制站，兩者區(qū)間內(nèi)支流來沙量可占入庫總沙量的近80%。以區(qū)間為主的來沙特征將顯著影響庫區(qū)輸沙過程、淤積形態(tài)及優(yōu)化調(diào)控思路。現(xiàn)有研究對該區(qū)間來沙往往基于少量支流水文站的觀測資料進行簡單估算[2，4-5]，較為精細化的研究非常缺乏。金沙江下游流域面積達500 km2以上的支流有32條，只有少數(shù)建有水文站，部分站點還存在時間序列短、位置遠離河口等問題。已有數(shù)據(jù)表明，各支流輸沙模數(shù)在3個量級內(nèi)變化，單位面積產(chǎn)沙能力差異極大，無法簡單推算無資料支流的來沙。因此現(xiàn)有研究相對不足，難以認識區(qū)間來沙全貌，從而也將影響對干流庫群泥沙淤積的預(yù)測能力。

區(qū)間來沙問題實際上主要為流域產(chǎn)沙的問題。山區(qū)河流泥沙有多種來源，包括降水導致的片蝕、細溝侵蝕和滑坡、泥石流、崩岸等重力侵蝕等[6-8]。影響山區(qū)流域產(chǎn)沙的因素如氣候、植被、地形等會由于當?shù)氐耐寥狼治g和泥沙輸移機理而呈現(xiàn)出不同的驅(qū)動因子組合[9-10]。再加上這些地區(qū)氣候、下墊面條件復雜且存在相互影響[11]，特別是支流小流域?qū)Ω饕蜃訑_動的響應(yīng)比大流域更為直接、迅速[12]，對于該類地區(qū)實際泥沙特性的研究更有難度。利用數(shù)學模型方法可有效評估流域產(chǎn)沙能力和預(yù)測擾動影響下的泥沙響應(yīng)[13-14]。為此，獲取驅(qū)動因子與產(chǎn)沙之間的定量關(guān)系并擇優(yōu)進入模型搭建是該方法中的核心問題。過去研究中通常使用直接線性回歸逐一確定因子間關(guān)系，以及通過偏最小二乘回歸(Partial Least Squares Regression，PLSR)法對全部因子回歸得到經(jīng)驗?zāi)Ｐ蚚15-17]。但該類回歸方法可能無法揭示因子間的實質(zhì)聯(lián)系，而且輸入過多的因子變量還會導致對因變量的重復解釋。此類模型體量臃腫，實際應(yīng)用中需要大量的參數(shù)化和校準，在資料匱乏的山區(qū)流域通常難以適用。因此，只有消除冗余因素、降低參數(shù)維度、識別和篩選出目標主控因子，才能合理認識目標流域的產(chǎn)沙機制并搭建產(chǎn)沙預(yù)測模型。

明確金沙江下游區(qū)間泥沙全貌時空特征，辨析泥沙來源格局成因與主控因子，對合理利用管理與調(diào)控流域泥沙具有重要意義，可為金沙江下游巨型梯級水庫運行方式的進一步優(yōu)化提供依據(jù)，也可為高強度人類活動影響下長江流域水沙通量變化研究奠定基礎(chǔ)。本研究基于金沙江18個支流水文站觀測數(shù)據(jù)，采用Spearman秩相關(guān)方法揭示因子集內(nèi)部以及與產(chǎn)沙之間的矩陣關(guān)系，通過偏相關(guān)方法對因子集進一步降維，識別能夠反映區(qū)間來沙特性的多因子組合，采用PLSR-多元雙重回歸法構(gòu)建山區(qū)流域輸沙模數(shù)預(yù)測模型。

1 研究區(qū)域

金沙江多年平均懸移質(zhì)輸沙量為2.47億t，約占長江上游輸沙量的47%，為長江流域重要沙源。雅礱江匯口至宜賓為金沙江下游(圖1)，全長約768 km，流域面積約為8.6萬km2。降水主要集中在5—10月，可占年降水的80%以上，汛期平均降水量為855 mm。氣溫差異明顯，中部山區(qū)5—10月平均溫度可低至8 ℃，而干熱河谷地區(qū)溫度可達25 ℃。山高谷深的地勢使得區(qū)域內(nèi)熱量和水分條件都明顯垂向分化，形成了垂直氣候帶。區(qū)間內(nèi)如美姑河、黑水河等(圖2)眾多支流均具有典型山區(qū)河流特征，河道劇烈下切，河谷最大深度可達約3 100 m，形成了典型的“V”型侵蝕河谷地貌。流域內(nèi)崩塌、滑坡、泥石流等重力侵蝕頻繁，產(chǎn)沙豐富。

圖1 研究區(qū)域概況Fig.1 Distribution features of the study area

圖2 金沙江下游典型支流現(xiàn)場照片F(xiàn)ig.2 Typical tributary site photos

2 研究方法

2.1 數(shù)據(jù)來源

本研究中，支流水文站(16個位于金沙江下游，2個位于中游段出口區(qū)，見圖1和表1)泥沙觀測數(shù)據(jù)來源于《長江流域水文年鑒》，選擇其中水電開發(fā)影響較小時間段(表1)的天然泥沙序列作為訓練集數(shù)據(jù)。地形數(shù)據(jù)來源于30 m×30 m分辨率ASTER GDEM(https：∥urs.earthdata.nasa.gov)，通過處理得到空間尺度、河流水系等。土地覆被數(shù)據(jù)來源于資源環(huán)境科學與數(shù)據(jù)中心(http：∥www.resdc.cn)1 km分辨率土地利用遙感監(jiān)測數(shù)據(jù)集(1980年，2010年)，根據(jù)第二次全國土地調(diào)查土地利用/覆蓋分類體系，按照一級類型進行重新合并得到。氣溫、降水數(shù)據(jù)來源于國家地球系統(tǒng)科學數(shù)據(jù)中心(http：∥www.geodata.cn)利用原始氣象站點資料插值生成的1 km×1 km分辨率逐月平均數(shù)據(jù)集(1970—2018年，取支流泥沙資料對應(yīng)的5—10月數(shù)據(jù))[18]，在該數(shù)據(jù)庫生成5 km×5 km分辨率逐月歸一化植被指數(shù)(INDV)遙感數(shù)據(jù)集(1982—2018年)。所有數(shù)據(jù)產(chǎn)品均經(jīng)過嚴格復合審查，精度得到保證。

表1 支流水文站數(shù)據(jù)序列

2.2 因子選擇

選取地形、氣候、土地覆被和空間尺度幾類因素[6，19-21]的原始數(shù)據(jù)作為因子集(表2)，有助于明晰自然環(huán)境條件與懸移質(zhì)來沙的直接因果關(guān)系，同時也降低了后續(xù)建模參數(shù)要求。

表2 選用因子基本概況

2.3 分析方法原理

2.3.1 Spearman秩相關(guān)分析

Spearman秩相關(guān)是一種有效非參數(shù)統(tǒng)計方法，適用于不是正態(tài)雙變量或總體分布未知的資料[3，11]。計算公式如下：

(1)

式中：R為Spearman秩相關(guān)系數(shù)；di為變量X第i個觀測值xi的秩和變量Y第i個觀測值yi的秩之間的差值；n為樣本容量。R越接近1，說明兩者間相關(guān)性越大。相關(guān)系數(shù)檢驗p<0.05時相關(guān)性顯著，p<0.01時相關(guān)性極顯著，其余表示不顯著。

偏相關(guān)方法量化去除控制變量影響后某2個選定變量之間的關(guān)聯(lián)程度[19，21]，原理是分別對控制變量和選定變量進行回歸，然后計算這2個回歸結(jié)果殘差之間的相關(guān)性。

2.3.2 PLSR回歸分析

Q2=1.0-SE/SS

(2)

(3)

(4)

式中：SE為預(yù)測誤差平方和；SS為殘差平方和；N為成分ti的個數(shù)。

3 產(chǎn)沙異性歸因分析

3.1 泥沙不平衡分布格局

懸移質(zhì)輸沙量(W)和懸移質(zhì)輸沙模數(shù)(M)是比較不同尺度流域產(chǎn)沙能力的常用指標[10，22]。對于小流域山區(qū)河流，即使環(huán)境條件穩(wěn)定時產(chǎn)沙隨機性也較大，即年際變化較大，因此，從多年平均尺度進行分析更為準確。金沙江下游泥沙分配極不均勻，如牛欄江大沙店站(5-DSD)年輸沙量達1 112萬t，遠高于其他水文站(圖3(a))，但一定程度上是由于其集水面積較大；與之相比圖3(b)的輸沙模數(shù)分布更能反映研究區(qū)域內(nèi)單位面積產(chǎn)沙能力，各地區(qū)之間也更具有可比性。如昭覺河(1-ZJ)、黑水河(4-NN)的輸沙量遠小于牛欄江(5-DSD)，但輸沙模數(shù)反而略大于后者。

圖3 支流水文站集水區(qū)實測泥沙指標分布Fig.3 Distribution of observed sediment index in catchments of tributary stations

3.2 各因子類別內(nèi)部降維

單個因子無法完整預(yù)報流域產(chǎn)沙，但使用過多因子又會導致重復解釋的問題。因此，在完整地定量化研究因子-產(chǎn)沙關(guān)系前需先進行降維處理，即去除代表性弱、關(guān)系不大或是可被替代的因子。開展Spearman秩相關(guān)分析得到表2中因子與W、M以及各因子之間的矩陣關(guān)系(圖4,*代表p≤0.05,**代表p≤0.01)，然后從侵蝕輸沙的物理意義出發(fā)，在地形、氣候、土地覆被和空間尺度幾大類別中篩選各類別的代表性指標。

(1) 地形類別。各坡度因子(Smean，S8，S18，S25)內(nèi)部之間的相關(guān)系數(shù)高達0.91～0.97，即研究區(qū)域內(nèi)各坡度占比具有較高的一致性，因此過多的坡度因子在指標信息上是冗余的。S8與M的相關(guān)性最好(R=0.64)，S18次之(R=0.61)，而S25和Smean對于M的解釋能力較為一般(R=0.53)。由于各集水區(qū)內(nèi)部坡度的分布差異性較大，單一的平均坡度Smean影響產(chǎn)沙的物理機制相對不明確是可以預(yù)見的，而中坡度占比S8則擁有預(yù)報M變化的相對優(yōu)勢。

高程因子中Hmax與M相關(guān)性最顯著(R=0.83)，其次是相關(guān)性明顯弱一級的Hmean(R=0.58)及Hmin(R=-0.12)，且Hmean與Hmax之間本身自相關(guān)(R=0.72)，因此，Hmax可替代Hmean。地形對于流域產(chǎn)沙的影響由多過程耦合而成，從侵蝕源頭來看，高海拔(高Hmax)山區(qū)流域內(nèi)通常也具有極大的落差，對應(yīng)的是流域內(nèi)坡面更大的潛在勢能、更低的地表入滲率和更大的產(chǎn)流量，產(chǎn)沙能力相應(yīng)增強[17]。從泥沙輸移的角度來看，高山地區(qū)眾多的坡面(高S8)減小了侵蝕泥沙顆粒隨后沉積的概率，所以坡度因子直接控制的是流域泥沙的沉積匯過程。從降維意義而言，可選取S8與Hmax的參數(shù)組合來替代其他地形因子。

(2) 氣候類別。T與M具有極顯著的負相關(guān)性(R=-0.81)，而P與M的關(guān)系則相對一般(R=0.59)。氣溫與產(chǎn)沙之間的強關(guān)系存在多方面原因：首先氣溫關(guān)系到降雨概率、雨時、落區(qū)以及范圍和強度大小等直接影響侵蝕源[21]，如圖4中T與P的負相關(guān)性(R=-0.70)量化反映了研究區(qū)域內(nèi)明顯的干-熱與冷-濕分布差異(圖1)；其次，T與Hmax的負相關(guān)性(R=-0.64)也說明氣溫通過地形地理條件關(guān)系到產(chǎn)沙能力。由于P很大程度上能被T反映，因此，選取T代表氣候因子。

(3) 土地覆被類別。fa與M相關(guān)性極差，而ff、fg與M的相關(guān)性近似處于同一等級(ff：R=-0.45，fg：R=0.57)。本質(zhì)上草地和林地都抑制了土壤侵蝕，但草地水土保持能力遠弱于林地[23]。fg與M的正相關(guān)性很大程度上歸結(jié)于研究區(qū)域特性：土地覆被以林地和草地為主，有14個集水區(qū)的林地、草地占比總和超過70%，ff與fg存在一定此消彼長的現(xiàn)象(R=-0.52)。從土地覆被與其他因子之間聯(lián)系也可看出，Hmax、T與fg分別為正相關(guān)(R=0.42)、負相關(guān)(R=-0.53)，與ff則相反，即形成了可見的二元空間分布格局：高海拔、低溫情況下草地優(yōu)勢，林地劣勢，反之亦然。也就是說，fg與M的正相關(guān)性是由抗侵蝕能力更強的林地減少所導致，這也從側(cè)面證明了單因子回歸分析的局限性。因此，選取更符合物理意義的ff代表土地覆被因子。

(4) 空間尺度類別。FF與M相關(guān)性極差，因此，只選取相關(guān)性更好的A作為該類別的代表。

圖4 水文站集水區(qū)多因子Spearman秩相關(guān)分析Fig.4 Spearman rank correlations between factors

3.3 因子類別間降維

基于篩選因子開展偏秩相關(guān)性分析，最終分離出能夠定量反映產(chǎn)沙多過程的驅(qū)動因子組合。如圖5所示，輸入S8、Hmax、T、ff、A共計5個因子，然后將顯著性檢驗結(jié)果p作為選擇控制變量閾值(優(yōu)先p<0.01)，按照偏相關(guān)系數(shù)大小順序逐步篩選出余下最能解釋M的因子變量，直到偏相關(guān)系數(shù)均不通過顯著性檢驗為止(即圖中所有變量p>0.05，為空心圓)，此時表明余下自變量已不足以解釋因變量變化，輸出6個驅(qū)動因子組合。

Hmax作為單因子對M變化已有一定解釋能力。相對地控制住T后，此時A與M表現(xiàn)出了明顯的正相關(guān)性。類似地控制住S8后M與ff之間負相關(guān)性明顯加強，說明流域內(nèi)中等坡地與產(chǎn)沙的強關(guān)系掩蓋了林地對M的抑制作用，去除前者影響時后者的相關(guān)性有了大幅提高。在S8組里得到了4個因子組合S8-ff，S8-T-A，S8-T-ff-A和S8-Hmax-ff。不難看出，圖5一階控制和二階控制中M—A的正相關(guān)性均在控制T后顯現(xiàn)，說明當山區(qū)流域總體上侵蝕潛能接近時，流域間存在明顯的M—A尺度效應(yīng)。以上結(jié)論都是傳統(tǒng)的單因子回歸方法所無法反映的。

一些研究認為M—A相關(guān)是因為隨著集水面積的擴大，類似于谷底這種泥沙易沉積的緩坡比例相應(yīng)增加，因此M會隨著A的增大而減少[10]。但本研究中各級坡地占比與A沒有表現(xiàn)出明顯相關(guān)性(R=0.06～0.25，圖4)，由于河道下切劇烈、遍布“V”型河谷，緩坡寬谷段未隨流域面積增大。究其原因是由于A與Hmin負相關(guān)(R=-0.76)，因此，在控制T的前提下，A增大對應(yīng)于Hmin減小與流域內(nèi)高差增大，提高侵蝕勢能與產(chǎn)沙，故此時M—A呈正相關(guān)。

圖5 偏秩相關(guān)分析及驅(qū)動因子組合結(jié)果Fig.5 Partial rank correlation analysis and factor combinations

4 產(chǎn)沙預(yù)測模型

4.1 PLSR回歸模型

表3 PLSR回歸分析結(jié)果

4.2 多元回歸模型

考慮到M與自然環(huán)境因素之間的非線性關(guān)系，因此，對比線性模型4#進一步建立相似環(huán)境下的多元回歸模型。按照偏相關(guān)分析(圖5)的控制順序，首先測試S8-M的多種函數(shù)擬合結(jié)果發(fā)現(xiàn)指數(shù)形式擬合優(yōu)度(R2=0.43)最好，以此為基礎(chǔ)進一步評估結(jié)合T、A多種形式的多元回歸效果(圖6(a)—圖6(c))。經(jīng)過比對發(fā)現(xiàn)T和A分別取指數(shù)和乘冪形式的擬合效果最佳(圖6(b))，此時模型足夠解釋約86.4%的M變化性，但各模型在靠近預(yù)測結(jié)果(M*)極值時失穩(wěn)(圖6(d))。這是由于泥沙訓練集主體含有相當部分的重力侵蝕占比，未修正前的模型會高估少數(shù)支流泥石流、滑坡水平。如當輸沙模數(shù)很大時，重力侵蝕可能已達到上限，其余侵蝕產(chǎn)沙比例上升，此時模型預(yù)測值偏高需向下修正。假定修正參數(shù)k為實測值與預(yù)測值之比，對k和M*擬合得到修正系數(shù)公式(圖6(e))。模型形式如下：

Mpre=kM*

(5)

式中：Mpre為修正后的預(yù)測輸沙模數(shù)；k為修正系數(shù)；M*為未修正的預(yù)測輸沙模數(shù)。其公式如下：

M*=exp(0.7S8-1.56T)A0.28

(6)

(7)

過去類似模型大多止步于統(tǒng)一的線性或冪函數(shù)形式，并沒有對模型進一步優(yōu)化[15-16]。模型7#R2與ERMS明顯優(yōu)于模型4#結(jié)果。其中，T可反映流域總體潛在侵蝕源大小，S8則主要描述過程中沉積匯可能，A則與流域內(nèi)泥沙來源、侵蝕類型組成等部分特性有間接聯(lián)系，因此，本模型也能反映流域的主要侵蝕-輸沙特征。

圖6 多元回歸模型擬合修正Fig.6 Scatters of multivariate regression model results

4.3 模型驗證與對比

對于金沙江下游干流河段，在向家壩、溪洛渡蓄水前(2012—2013年)可近似看作多年沖淤平衡的自然狀態(tài)，即區(qū)間各支流來沙總和按區(qū)間出、入口水文站輸沙量差值來估計。分別選取攀枝花站(及雅礱江桐子林站)、華彈站和屏山站多年平均輸沙量資料作為實測值對以上模型進行驗證，并通過2時段對比檢驗?zāi)Ｐ驮跁r程上的預(yù)測精度。表4顯示，華彈—屏山區(qū)間模擬值與實測值總體吻合較好。攀枝花—華彈區(qū)間存在輸沙量異常高的小江等支流，考慮到該類支流無水文站泥沙資料，本研究根據(jù)東川泥石流觀測研究站估算小江年輸沙量來得到區(qū)間來沙總量，模擬結(jié)果也與攀枝花—華彈實測值接近(表4)。除了區(qū)間來沙的模型計算總量符合干流實測值外，圖7顯示，模型對不同時段劃分后的產(chǎn)沙計算值也與各支流對應(yīng)時段的實測值吻合較好。

表4 金沙江下游區(qū)間來沙量模型驗證

金沙江下游目前還沒有系統(tǒng)性的產(chǎn)沙模型研究，僅有部分針對土壤侵蝕和產(chǎn)流的模擬[24-25]，不易實現(xiàn)例如本模型對區(qū)間來沙的估算。相比于對金沙江中游流域無資料地區(qū)進行的類似產(chǎn)沙模擬研究[26]，模型7#所需輸入數(shù)據(jù)更易于獲得，輸出結(jié)果表現(xiàn)良好，避免了采用其他模型時遇到的諸多限制。

現(xiàn)有產(chǎn)沙預(yù)測模型也難以直接應(yīng)用到本研究區(qū)域。如圖8所示，使用ART模型[27]或更新后的BQART模型[28]往往會高估中小型流域M值[29]。該類模型側(cè)重于大中型流域(流域面積為104～106km2)泥沙通量的估算，而研究區(qū)域18個集水區(qū)平均面積僅2 780 km2，引入時還需降尺度處理。相比之下，結(jié)合土壤侵蝕模型(RUSLE)與陳治諫等[30]所得泥沙輸移比(RSD)推算出來的結(jié)果稍好。但RSD在各個子流域之間各不相同，由于低產(chǎn)沙帶輸沙難度更大，在計算中套用目前僅有的流域均值會高估該區(qū)域M。對比發(fā)現(xiàn)本研究得到的模型7#表現(xiàn)最好，因此，能夠有效地模擬流域范圍內(nèi)無資料地區(qū)的M。

圖7 劃分時段后的模型計算值驗證Fig.7 Model validation for two periods

4.4 泥沙時空變化格局

根據(jù)模型對金沙江下游整個區(qū)間多年平均M的空間分布進行推算(圖9)。參照圖3(b)發(fā)現(xiàn)，除了已有泥沙資料的少量支流外仍有大量未監(jiān)測高產(chǎn)沙地帶，主要集中在白鶴灘和溪洛渡兩大巨型水庫庫區(qū)，其M明顯高于其余地區(qū)特別是入口近攀枝花和出口近宜賓一帶。

圖9 金沙江下游區(qū)間多年平均輸沙模數(shù)分布Fig.9 Predicted M distribution of the study area

圖10 2007—2018年相對1970—1986年輸沙模數(shù)變化Fig.10 Variations of M from 1970—1986 to 2007—2018

時間變化上，由圖10可以看出，大部分地區(qū)M近年比20世紀七八十年代明顯減小，減小幅度一般在50～300 t/(km2·a)。有學者統(tǒng)計得出1991—2005年金沙江下游“長治”工程(包含下墊面治理及塘堰、攔沙壩等水保工程)水土流失治理減沙效益僅為4.9%，尤其對重力侵蝕效果不佳，不是支流來沙減少的主因[31]，即這一趨勢很大程度上是自然條件變化導致。Li等[9]在地理位置相鄰的西江流域中同樣得到了長序列下的M減小趨勢，并且指出升溫刺激了植被長勢，INDV增加。經(jīng)本研究統(tǒng)計，金沙江下游INDV在2個時間段間也升高了9.8%～20.7%，研究區(qū)域溫度的升高可能提供了更好的植被發(fā)育條件，對產(chǎn)沙的抑制作用也因此增強。同時，中部高產(chǎn)沙區(qū)的減沙程度總體上高于出、入口地區(qū)，即研究區(qū)域產(chǎn)沙的空間不均衡性近年來有所削弱，若自然條件變化趨勢不變則有可能進一步均衡化，減輕白鶴灘、溪洛渡水庫淤積壓力。

相關(guān)研究結(jié)果有利于區(qū)間內(nèi)泥沙溯源，進而對干流烏東德-白鶴灘-溪洛渡-向家壩梯級庫區(qū)支流來沙與泥沙淤積的不均勻分布進行精細化研究，如支流河口攔門沙等，也有利于為梯級水庫的調(diào)度運行提供參考。

5 結(jié) 論

本文采用金沙江18個支流水文站多年泥沙資料，分析流域泥沙和地形、氣候、下墊面、空間尺度及人類活動等因素的關(guān)系，對金沙江下游區(qū)間多年來泥沙分布格局、驅(qū)動因子以及變化趨勢進行探究。主要結(jié)論如下：

(1) 明晰了能夠解釋金沙江下游來沙異性格局的多個自然環(huán)境因子，揭示了各因子對流域產(chǎn)沙的潛在影響以及各因子自身的變化獨立性與信息冗余程度，彌補了單因子回歸分析等傳統(tǒng)研究方法的不足。

(2) 分離出多個關(guān)鍵產(chǎn)沙驅(qū)動因子組合，繼而獲得了與類似研究相比擬合優(yōu)度更高的因子和產(chǎn)沙關(guān)系模型。其中，以氣溫、8°以上坡度占比、集水面積為變量構(gòu)建的預(yù)測模型能夠解釋約92%的輸沙模數(shù)變化性，模型參數(shù)需求較低且經(jīng)驗證預(yù)測精度良好，在時空尺度上都具有穩(wěn)健表現(xiàn)。

(3) 本文模型計算結(jié)果表明，金沙江下游無實測資料區(qū)間輸沙模數(shù)空間分布極不均衡，在87～1 189 t/(km2·a)間變化，其中高產(chǎn)沙地帶主要集中在白鶴灘和溪洛渡兩大巨型水庫區(qū)間；同時，研究區(qū)域輸沙模數(shù)近50 a來減少約50～300 t/(km2·a)，空間不均衡性有所削弱。本文可為解決類似的山區(qū)支流泥沙與水庫淤積計算問題提供參考。