基于BP神经网络的河道径流变化量预测

耿延博，王玉成

（1.辽宁省水文局，辽宁 沈阳 110003；2.辽宁防汛抗旱指挥部办公室，辽宁 沈阳 110003）

基于BP神经网络的河道径流变化量预测

耿延博1，王玉成2

（1.辽宁省水文局，辽宁 沈阳 110003；2.辽宁防汛抗旱指挥部办公室，辽宁 沈阳 110003）

河道径流变化是一种复杂的非线性函数关系的过程，BP神经网络具有表达任意非线性映射的特性。本文基于BP神经网络建立的河道径流变化量预测模型，结合水资源调查分析评价，定量地将人类活动影响期径流相对于基准期径流的变化量分解为降水量、涉水工程、下垫面变化影响量，并分别建立3种因素的影响量模型，从而实现预测未来径流变化量及径流变化量控制的目的。

预测；径流量；BP网络；河道

1 概述

河道径流量演变主要受自然条件和人类活动两方面因素的影响，自然因素主要包括降水、蒸发等气候因子的变化，人类活动主要包括土地利用变化、水利工程建设、生产生活取用水等。目前，径流是水文系统中典型的非平稳、非线性序列，针对其特性，文中引进了一种可以处理非平稳、非线性信号的方法——BP神经网络方法。神经网络是由大量简单神经元链接而构成的复杂网络，具有复杂、并行、非线性等特点。神经网络依靠历史数据资料，通过神经元的模拟、记忆和联想来处理各种复杂的、模糊的、非线性的数据。20世纪90年代以来，神经网络技术发展迅速，已形成多种网络体系及算法系统。现阶段，神经网络技术已广泛的应用于模式识别、预测预报、优化问题、神经控制、智能决策等领域。

2 径流演变分析

采用南科院张建云院士等的方法进行降水和人类活动对径流量影响的分离（方法原理和步骤略）。分别选择辽宁省辖区内的浑河、太子河、大凌河等流域主要水文控制站系列资料分析，以1979年及以前为基准期，划分1980—1989，1990—1999，2000—2011，1980—2011 时间节点，以浑河为例描述分析结果。

选择1980—2011年间浑河邢家窝棚水文站资料分析，实测径流量减少3.7 mm，降水因素影响量为2.1 mm，涉水活动对径流表现为减少作用，下垫面对径流表现为增加作用。其各时间节点径流影响因素及影响量见表1。

3 神经网络模型

BP神经网络（误差反传播神经网络）是由rumelhart等于1986年提出，属于按照误差逆传播算法训练的多层前馈式神经网络，是目前应用较为广泛的神经网络模型之一，在水文预报领域中较为成熟。鉴于此，本文研究中选用BP神经网络构各因素影响径流量预报模型。

表1 浑河径流影响因素及影响量分解mm

BP神经网络算法本质是以网络误差平方和为目标函数，按照梯度法求其目标函数最小值的算法，其网络结构通常由输入层、隐含层、输出层组成。其中，输入层接受外界信息，输出层对外界信息进行判别和决策，中间隐含层用来表示或存储知识。BP网络各层之间的每个神经元实现全连接，每层内各神经元之间无连接，其拓扑结构如图1所示。其中隐含层中的神经元采用sigmoid型变换函数，输出层神经元采用线性变化purline函数。S函数又可分为对数S型函数（log-sig）和双曲正切 S型函数（tan-sig），可实现从输入到输出的任意非线性映射。

图1 BP神经网络拓扑结构

BP神经网络学习过程由正向传播及反向传播构成。正向传播时，信号经sigmoid函数在隐含层逐层转播，每一层神经元的状态只影响下一层神经元状态。若在输出层不能得到期望的信号，则修改各层神经元的权值，并使输出信号的误差沿原路返回。经过反复传播，从而获得满足精度要求的输出信号。采用BP神经网络进行水文预报步骤为：

1）给各神经元的权值及阈值赋值，为(-1，1)之间的随机数；

2）选取一组训练数据（xk，Tk），将之输入到神经网络输入层（m=0），使得

其中：F（S）取 sigmoid 函数；

4）计算输出层每个节点的误差值；

5）计算各层节点的误差值；

6）反向逐层修改各神经元的阈值及权值；

7）返回步骤2），转入下一轮学习过程，直到输出层结果满足计算精度需求。

研究表明：3层结构的BP神经网络在水文预报研究中应用较好，鉴于此，研究中选用3层结构BP神经网络进行各流域各因素影响径流量的预报。

4 建模结果

采用BP神经网络方法来建立各因素影响径流量的预测模型，以提高建模精度。由于降水量因素影响量与降水量之间为直接的关系，采用线性拟合的决定系数已达到1，故模型仅针对涉水活动和下垫面影响量来建模。浑河涉水活动和下垫面影响径流量的BP神经网络拟合结果见图2，3。

图2 浑河流域涉水活动影响径流量BP神经网络拟合效果

图3 浑河流域下垫面影响径流量BP神经网络拟合效果

从图2，3可以看出，在各流域中BP神经网络模型能够较好模拟涉水活动影响径流量和下垫面影响径流量的均值，对变化趋势模拟效果较好，还能够模拟出水资源影响径流量的峰值。

5 径流变化量预测

5.1 未来情景设置

对于每个流域可分离降水量、涉水活动、土地利用3种因素，每种因素设置3种情景，共有27种情景组合。降水量因素，按照不同保证频率的降水量来选取情景，本文采用75%、50%、20%保证率的降水量，分别代表枯水年、平水年、丰水年；涉水活动因素，地表水实际开发利用率和累计兴利库容2个自变量，3种情景分别为比2011年少20%、2011年水平、比2011年多20%；土地利用因素，土地利用类型主要集中在耕地（包括水田、旱地）、林地、水域及水利设施用地、建筑用地等几类，其中耕地、林地所占比例较大，水域及水利设施用地、建筑用地所占比例较小，3种情景分别为比2011年少10%、2011年水平、比2011年多10%。浑河流域未来情景设置说明见表2，具体数值见表3。

表2 浑河未来不同降水量、涉水活动、土地利用情景设置说明

表3 浑河未来不同降水量、涉水活动、土地利用情景下的具体数值

5.2 径流变化量预测

对每个流域的27种情景组合下的径流改变量进行计算，降水量影响径流量采用线性回归方程进行计算，水资源利用和土地利用的径流影响量采用BP人工神经网络模型进行计算。浑河流域各情景组合下的降水量、涉水活动、土地利用因素影响径流量及总径流改变量见表4。

表4 浑河流域不同情景组合径流影响量模拟计算 mm

从表4得出：1）在枯水年、平水年降水量情景下，与基准期相比，降水对径流均为减少作用，丰水年情景下降水对径流为增加作用；2）在水资源开发利用率比2011年减小10%的情景下，径流深均比基准期增加，而累积库容增加5%和涉水活动增加10%的情况下，径流深均减小；3）土地利用的转化径流表现为减少。

6 结 语

通过浑河等流域分析预测，得出降水量对径流演变影响最大，在枯水年、平水年降水量情景下降水对径流均为减少作用，丰水年情景下降水对径流均为增加作用；涉水活动对径流演变影响次之，涉水活动使径流量减小；土地利用的变化对径流演变影响最小，土地利用的变化一般使径流量减小。但同样的土地利用变化，在不同的流域径流响应程度存在差异，表明不同的流域其径流对土地利用的响应机理存在差异，这有待于基于更加详细的土地利用资料进行深入研究。

［1］陈利群，刘昌明.黄河源区气候和土地覆被变化对径流的影响［J］.中国环境科学，2007（04）：559—565.

［2］何自立.气候变化对流域径流的影响研究［D］.西北农林科技大学，2012.

［3］张爱静.东北地区流域径流对气候变化与人类活动的响应特征研究［D］.大连理工大学，2013.

［4］曹明亮.基于多源信息分析人类活动对径流及洪水预报的影响［D］.大连理工大学，2011.

［5］张爱静.东北地区流域径流对气候变化与人类活动的响应特征研究［D］.大连理工大学，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