關(guān)鍵詞：引水沖淤；沖淤需水量；支持向量機(jī)；自適應(yīng)粒子群優(yōu)化；敏感性分析

中圖分類號(hào)：TV92 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-9235（2024）12-0114-08

江蘇沿海地區(qū)海岸線長(zhǎng)達(dá)954 km，濱海河網(wǎng)地勢(shì)低平，入海通道水流運(yùn)動(dòng)復(fù)雜［1］。為了防止海水入侵，保障南水北調(diào)東線水資源能夠高效灌溉農(nóng)田和維持保護(hù)生態(tài)環(huán)境，里下河地區(qū)已建成多座中、大型擋潮調(diào)節(jié)閘［2］（圖1為里下河地區(qū)沿海五大港平面圖）。然而擋潮閘的設(shè)置截?cái)嗔顺毕睾拥老騼?nèi)陸的自然漲落過程，加重了閘下港道的淤積進(jìn)程，大多數(shù)閘口的淤積都比較嚴(yán)重［3］，亟待調(diào)度補(bǔ)水沖淤保港。

近年來，入海港道的沖淤保港研究受到了廣泛關(guān)注。朱建英等［4］通過收集歷史數(shù)據(jù)和進(jìn)行沖淤實(shí)驗(yàn)，著重剖析了里下河地區(qū)主要入海通道在工情發(fā)生變化后的沖淤特點(diǎn)；朱思諭等［5］采用實(shí)測(cè)資料結(jié)合數(shù)學(xué)模型，定量評(píng)估鹽城濱海港規(guī)劃對(duì)周邊水流及泥沙分布的影響；隨著計(jì)算機(jī)模型的進(jìn)步，鞠彬等［6］通過MIKE11模型構(gòu)建水動(dòng)力-泥沙耦合模型，模擬計(jì)算了新洋港的沖淤保港需水量；匡翠萍等［7］使用MIKE21模型，研究了潮流、波浪與泥沙的交互作用及其對(duì)河口區(qū)域演變的影響。盡管當(dāng)前的研究已取得了顯著成果，但在實(shí)際引水調(diào)度層面上仍顯不足。一方面，在對(duì)工情、水情變化的響應(yīng)上，現(xiàn)有研究往往局限于特定情景，缺乏適應(yīng)性強(qiáng)、普適性高的分析模型。另一方面，傳統(tǒng)數(shù)學(xué)模擬與物理模型在準(zhǔn)確性方面取得了一定成績(jī)，但處理大數(shù)據(jù)的效率較低，缺乏快速建模的能力，不能充分滿足高效預(yù)測(cè)與即時(shí)決策的要求。

機(jī)器學(xué)習(xí)算法已成為解決水資源領(lǐng)域復(fù)雜問題的新趨勢(shì)，特別是支持向量機(jī)（Support Vector Machine， SVM）因其在非線性建模以及處理高維數(shù)據(jù)上的高效性，已被廣泛應(yīng)用于水文預(yù)測(cè)、水質(zhì)評(píng)價(jià)等水資源管理任務(wù)［8］。與傳統(tǒng)方法相比，機(jī)器學(xué)習(xí)算法無需復(fù)雜的物理機(jī)制設(shè)定，能夠直接從數(shù)據(jù)中學(xué)習(xí)規(guī)律，并預(yù)測(cè)未來的變化趨勢(shì)。為了進(jìn)一步提高算法精確度和泛化能力，本文引入了自適應(yīng)粒子群優(yōu)化算法（Adaptive Particle Swarm Optimization， APSO），作為參數(shù)尋優(yōu)工具，以期在優(yōu)化SVM參數(shù)配置的同時(shí)提升預(yù)測(cè)性能。APSO算法在多個(gè)優(yōu)化問題中已顯示出其優(yōu)越的搜索能力，尤其在尋找全局最優(yōu)解方面表現(xiàn)卓越。它通過群體協(xié)作逼近最優(yōu)解，有效避免了局部極小值的干擾，顯著提高了SVM模型在復(fù)雜問題上的應(yīng)用效率。

斗龍港自1991年經(jīng)歷重大洪水事件后的改道工程，其閘下航道的實(shí)際長(zhǎng)度有所縮減。近年來受上游沖淤水源減少和河口圍墾等因素影響，斗龍港閘下逐步淤積，給該地區(qū)的水資源管理和港口安全帶來了巨大壓力，并且該地區(qū)引水沖淤的水資源利用水平較低［9］。據(jù)此，本文選擇里下河地區(qū)的斗龍港作為研究對(duì)象，針對(duì)該地區(qū)統(tǒng)一調(diào)度運(yùn)行的沖淤規(guī)律重新界定了動(dòng)態(tài)沖淤需水量的概念，提出一種自適應(yīng)粒子群算法與支持向量機(jī)模型相結(jié)合的預(yù)測(cè)方法，該模型憑借其數(shù)據(jù)驅(qū)動(dòng)的特點(diǎn)，能夠克服傳統(tǒng)模型在處理此類復(fù)雜問題時(shí)的局限性，提供更為準(zhǔn)確，快速的需水量預(yù)測(cè)。此外，本文通過運(yùn)用Sobol敏感性分析法，對(duì)影響沖淤需水量預(yù)測(cè)的關(guān)鍵輸入?yún)?shù)進(jìn)行了研究，旨在明確主要影響因素，為后續(xù)的水資源管理和決策提供科學(xué)依據(jù)。

1原理與方法

1. 1 SVM算法原理

SVM 方法是基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法［10］，能高效處理非線性的分類和回歸問題。該方法最早應(yīng)用于模式識(shí)別領(lǐng)域，后來擴(kuò)展到函數(shù)擬合、非線性回歸分析和概率密度估計(jì)等方面。該方法的主要思想是通過非線性函數(shù)將樣本映射到高維特征空間，通過損失函數(shù)與懲罰因子尋找最優(yōu)回歸超平面，進(jìn)而尋求全局最優(yōu)解。該最優(yōu)回歸超平面的表達(dá)式為［11］：

2案例應(yīng)用研究

2. 1斗龍港預(yù)測(cè)模型建立

里下河地區(qū)的港道在汛期與非汛期之間，呈現(xiàn)出顯著不同的沖淤特性［18］，見圖2、3（圖中P值是用來判斷模型的統(tǒng)計(jì)顯著性的指標(biāo)，通常認(rèn)為Pgt;0. 05表示線性關(guān)系不顯著）。在非汛期，水量與沖淤量之間呈現(xiàn)出明顯的線性關(guān)系。然而，在汛期因降雨帶來的自然徑流增加以及人為引水沖淤調(diào)度措施，港道內(nèi)水動(dòng)力條件擾動(dòng)劇烈，使得水量與泥沙變化量之間的關(guān)系難以用簡(jiǎn)單的線性模型描述，因此，本文采用了支持向量機(jī)（SVM）模型來處理這一復(fù)雜關(guān)系。

從汛期與非汛期沖淤量的數(shù)據(jù)可以看出，港道在汛期通常表現(xiàn)為沖刷，而在非汛期則以淤積為主。傳統(tǒng)的沖淤需水量概念側(cè)重于維持泥沙平衡狀態(tài)，但里下河地區(qū)的沖淤特性使得港道泥沙狀況難以保持均衡，導(dǎo)致該概念在實(shí)際應(yīng)用中意義不大。鑒于此，本文對(duì)“沖淤需水量”概念進(jìn)行了重新界定，將其定義為基于每一具體沖淤階段實(shí)際監(jiān)測(cè)到的泥沙凈變化量所計(jì)算出的相應(yīng)沖淤水量需求。新的定量評(píng)價(jià)體系不僅涵蓋了減輕淤積或增強(qiáng)沖刷所需的水量調(diào)控，還充分考慮了年內(nèi)泥沙運(yùn)動(dòng)動(dòng)態(tài)特征的必要調(diào)整措施，從而為實(shí)現(xiàn)更加精準(zhǔn)有效的水資源調(diào)度和港道維護(hù)提供了理論基礎(chǔ)。

本文模型輸入的數(shù)據(jù)選自2001—2018年間斗龍港歷年的沖淤成果表以及閘上降雨監(jiān)測(cè)和開閘調(diào)度資料。斗龍港閘下斷面淤積的最長(zhǎng)監(jiān)測(cè)距離為6 000 m，累計(jì)沖淤變化量與閘下距離呈現(xiàn)出較好的線性關(guān)系，故為了減少偶然誤差的影響，選擇0～6 000 m范圍總變化量以確保研究結(jié)果的準(zhǔn)確性和可靠性。除少數(shù)特殊實(shí)驗(yàn)期外，河道淤積監(jiān)測(cè)在每年汛期前后各進(jìn)行一次。同時(shí)，降雨監(jiān)測(cè)和開閘調(diào)度數(shù)據(jù)由斗龍港閘上監(jiān)測(cè)站月度收集，沖淤需水量數(shù)據(jù)使用港閘測(cè)站監(jiān)測(cè)排水量。本文模型樣本數(shù)據(jù)共38組，包含了汛期與非汛期的數(shù)據(jù)。由于汛期與非汛期的最大區(qū)別在于水量，將其放在同一個(gè)模型中進(jìn)行預(yù)測(cè)，可以在確保模型合理性的同時(shí)，增加樣本數(shù)目，提升模型魯棒性。

為準(zhǔn)確地描述沖淤演變過程，本文選取了5個(gè)關(guān)鍵變量作為支持向量機(jī)（SVM）模型的輸入?yún)?shù)。

a）初始河床容積。該參數(shù)為在沖淤階段之初，指定河道長(zhǎng)度范圍內(nèi)所對(duì)應(yīng)的總體積，為沖淤變化提供了一個(gè)起始的基準(zhǔn)。河床容積的大小會(huì)直接影響水流對(duì)泥沙物質(zhì)的承載潛能和輸運(yùn)能力以及水流流態(tài)。此外，河道容積的大小與水流沖刷強(qiáng)度和河床對(duì)泥沙的接納與沉積能力之間相關(guān)性強(qiáng)。

b）沖淤量。該參數(shù)是基于沖淤階段前后河床容積的差值來進(jìn)行計(jì)算，是沖淤研究的核心，直接描述了河床在一定時(shí)間內(nèi)是呈現(xiàn)沉積淤積狀態(tài)還是侵蝕沖刷狀態(tài)。沖淤時(shí)間段長(zhǎng)度：在一個(gè)給定的時(shí)間段中，河床容積的變化能以淤積量來表達(dá)。這一變化與時(shí)間段長(zhǎng)度呈正相關(guān)。

c）降雨量。該參數(shù)會(huì)直接影響港道的徑流情況，是河道輸沙量變化的關(guān)鍵驅(qū)動(dòng)因素之一。較大的降雨事件會(huì)對(duì)河床形態(tài)產(chǎn)生顯著的重塑作用。普通的降雨也會(huì)改變港道入海的流量。

d）開閘次數(shù)。該參數(shù)體現(xiàn)了人類活動(dòng)對(duì)河床沖淤影響。開閘會(huì)造成水流速度和方向的短時(shí)間內(nèi)變化，影響到河道上下游泥沙分布和輸移。開閘次數(shù)多與少均會(huì)影響水流的沖淤效率。

本文所選取的變量能夠直接反映水流動(dòng)力學(xué)、河床形態(tài)變化以及泥沙輸移等的基本情形。盡管潮汐、風(fēng)力作用等外在環(huán)境要素在局部時(shí)段內(nèi)會(huì)現(xiàn)出顯著的波動(dòng)，但在整體研究框架中，尤其針對(duì)長(zhǎng)期的觀測(cè)期間，這些周期性的作用反映出一種穩(wěn)定的條件效應(yīng)。在宏觀時(shí)空尺度下，潮汐和風(fēng)力等因素對(duì)泥沙運(yùn)輸?shù)淖饔秒m然持續(xù)存在，但相較于短期的劇烈波動(dòng)，這些影響在統(tǒng)計(jì)意義上表現(xiàn)為一種持續(xù)的基線條件，為沉積物動(dòng)態(tài)提供了一個(gè)穩(wěn)定但非決定性的影響基礎(chǔ)。在本研究的機(jī)器學(xué)習(xí)模型中忽略這些因素并不會(huì)削弱模型的預(yù)測(cè)能力，相反，這種做法有助于聚焦在預(yù)測(cè)期內(nèi)影響更為明顯、變化趨勢(shì)更為穩(wěn)定的關(guān)鍵驅(qū)動(dòng)變量。

2. 2模型計(jì)算結(jié)果

本文數(shù)據(jù)樣本總量為38個(gè)，選取前31個(gè)作為訓(xùn)練集，后7個(gè)作為測(cè)試集。在模型中粒子群數(shù)量m為40，最大迭代次數(shù)T 為200，最大權(quán)重W_max=0. 9，最小權(quán)重W_min=0. 4，正則化參數(shù)C和核參數(shù)σ的范圍均為［2^-8，2⁸］；為了便于比較APSO-SVM 模型與Matlab自帶的SVM工具包之間的準(zhǔn)確性，進(jìn)行了相應(yīng)實(shí)驗(yàn)，結(jié)果見表1。

SVM和APSO-SVM模型的學(xué)習(xí)和預(yù)測(cè)數(shù)據(jù)見圖4、5，SVM確定參數(shù)為C=6.0629，σ=0.5000；經(jīng)過APSO優(yōu)化所得到的參數(shù)為C=0.7891，σ=1.1057。APSO-SVM模型訓(xùn)練集的均方根誤差（Root Mean Square Error，RMSE）為0.3251，相關(guān)系數(shù)（R²）為0.9824，測(cè)試集的RMSE為0.5253，R²為0.9561，而SVM預(yù)測(cè)時(shí)，訓(xùn)練集的RMSE為0.8441，R²為0.8811，測(cè)試集的RMSE為1.041，R²為0.8272。對(duì)比結(jié)果表明APSO-SVM模型在測(cè)試集和訓(xùn)練集上均優(yōu)于SVM模型預(yù)測(cè)結(jié)果。

2.3Sobol敏感性分析

本文所構(gòu)建的APSO-SVM模型盡管在訓(xùn)練集和測(cè)試集上展現(xiàn)出高準(zhǔn)確度，但其內(nèi)部機(jī)制的“黑箱”學(xué)習(xí)原理使得如何從數(shù)據(jù)中學(xué)習(xí)并做出準(zhǔn)確預(yù)測(cè)的具體過程相當(dāng)模糊，要充分理解模型的預(yù)測(cè)機(jī)制需要對(duì)模型透明度和可解釋性做進(jìn)一步考量。因此，為了揭示數(shù)據(jù)中的潛在關(guān)聯(lián)性以及預(yù)測(cè)模型背后的重要驅(qū)動(dòng)力，本研究展開對(duì)模型輸入變量敏感性分析的討論，通過識(shí)別關(guān)鍵變量，闡述模型內(nèi)部的動(dòng)態(tài)過程，在保留模型高準(zhǔn)確度的同時(shí)，增加沖淤概念模型的可解釋性和透明度。

為了深入揭示模型中各個(gè)輸入變量的重要性及其對(duì)預(yù)測(cè)結(jié)果的具體影響程度，本文采用了Sobol敏感性分析，利用自適應(yīng)粒子群優(yōu)化策略和支持向量機(jī)（APSO-SVM）的預(yù)測(cè)模型作為代理模型［19］，以對(duì)斗龍港沖淤需水量進(jìn)行分析。表2中計(jì)算了各輸入?yún)?shù)的一階影響指數(shù)（S）和總效應(yīng)指數(shù)（ST），一階效應(yīng)指數(shù)表示當(dāng)其他輸入?yún)?shù)保持不變時(shí)，單個(gè)輸入?yún)?shù)對(duì)輸出的直接影響。而總效應(yīng)指數(shù)則綜合了參數(shù)自身的一階效應(yīng)以及它與其他參數(shù)交互作用的全方位影響，揭示了輸入變量之間的依賴關(guān)系和交互效應(yīng)［20］。

基于Sobol敏感性分析所得的結(jié)果，沖淤量的敏感性最高（S=0.3401，ST=0.3711），表明沖淤量在沖淤需水量預(yù)測(cè)輸出中起決定作用。一階影響指數(shù)體現(xiàn)沖淤量自身對(duì)預(yù)測(cè)結(jié)果的直接影響，而ST與S之間較小的差異值體現(xiàn)了沖淤量與其他影響因子的交互作用對(duì)預(yù)測(cè)結(jié)果的影響相對(duì)次要。因此，在實(shí)施沖淤調(diào)度計(jì)劃前，必須精確測(cè)定與調(diào)控沖淤活動(dòng)的規(guī)模。

初始河床容積（S=0.2506，ST=0.2973）以及開閘次數(shù)（S=0.2096，ST=0.2481）敏感性也較為顯著。其中開閘次數(shù)對(duì)沖淤效果的調(diào)節(jié)作用至關(guān)重要，水利管理人員在編制開閘操作方案時(shí)，需細(xì)致考慮開閘時(shí)機(jī)和頻率，合理引導(dǎo)水流動(dòng)力，促進(jìn)泥沙有效輸送，從而達(dá)到優(yōu)化水量分配與沉積物平衡的目標(biāo)。

降雨量（S=0.0753，ST=0.1237）和時(shí)間段長(zhǎng)度（S=0.0376，ST=0.0772），雖然敏感性相對(duì)較低，但它們與其他因素的交互作用可能引起較大程度的預(yù)測(cè)結(jié)果變動(dòng)。降雨量的總效應(yīng)指數(shù)為ST=0.1237，意味著降雨與其他環(huán)境變量間存在顯著的交互效應(yīng)，在遭遇極端降雨事件時(shí)，降雨量對(duì)沖淤狀態(tài)變化的影響可能呈現(xiàn)出更為復(fù)雜且難以預(yù)見的特征。因此，在實(shí)際的沖淤管理與預(yù)測(cè)工作中，須結(jié)合長(zhǎng)期降雨預(yù)報(bào)信息以及突發(fā)性暴雨事件，適時(shí)調(diào)整沖淤策略。

3結(jié)論

本文針對(duì)里下河地區(qū)斗龍港閘下港道沖淤需水量動(dòng)態(tài)預(yù)測(cè)問題，提出了結(jié)合自適應(yīng)粒子群優(yōu)化算法（APSO）與支持向量機(jī)（SVM）的新型預(yù)測(cè)模型。研究結(jié)果表明，與標(biāo)準(zhǔn)SVM模型相比，APSO-SVM模型的預(yù)測(cè)性能顯著提升，并通過Sobol敏感性分析，明確了沖淤管理中的關(guān)鍵變量，彌補(bǔ)了機(jī)器學(xué)習(xí)內(nèi)部機(jī)制模糊的缺點(diǎn)，提高動(dòng)態(tài)沖淤需水量管理的可操作性。

a）本文重新定義了“沖淤需水量”，將其界定為基于特定沖淤階段觀測(cè)到的泥沙凈變化量所需的沖淤水量。此定量評(píng)價(jià)系統(tǒng)不僅豐富了沖淤需水量的基礎(chǔ)認(rèn)識(shí)，也為實(shí)際中的水資源調(diào)度和港道維護(hù)工作提供了更精確和實(shí)用的指導(dǎo)原則?；诖烁拍睿疚慕⒘私Y(jié)合APSO與SVM的預(yù)測(cè)模型，并驗(yàn)證了其在訓(xùn)練集和測(cè)試集上的優(yōu)異預(yù)測(cè)性能。研究表明，改進(jìn)的APSO-SVM模型在運(yùn)算效率和準(zhǔn)確度上均有顯著提升，選取的5個(gè)關(guān)鍵變量能較好預(yù)測(cè)斗龍港的動(dòng)態(tài)需水量變化過程，預(yù)測(cè)模型能夠?yàn)槎俘埜鄹咝д{(diào)度沖淤水量提供決策依據(jù)。

b）針對(duì)APSO-SVM模型的黑箱計(jì)算短板，本文使用Sobol敏感性分析揭示了沖淤量、初始河床容積以及開閘次數(shù)在沖淤需水量預(yù)測(cè)中的關(guān)鍵作用，提高了機(jī)器學(xué)習(xí)與物理變量之間關(guān)聯(lián)的可辨識(shí)度，為沖淤管理策略的精準(zhǔn)制定提供了聚焦點(diǎn)。研究考慮了降雨量與其他環(huán)境變量間的潛在交互效應(yīng)，提出了在實(shí)際沖淤管理中應(yīng)結(jié)合長(zhǎng)期和短期降雨預(yù)報(bào)信息，及時(shí)調(diào)整沖淤策略并預(yù)測(cè)補(bǔ)水量，為沿海通海河流水資源高效管理和港道安全維護(hù)決策提供了強(qiáng)有力的數(shù)據(jù)支持和科學(xué)依據(jù)。