卫 磊, 杨桂莲, 鲁程鹏, 孙 龙,,于 钋, 李 岩
(1.河海大学 水文水资源学院, 江苏 南京 210098; 2.水利部信息中心, 北京 100053)
近30年来,我国地下水开采量以每年25×108m3的速度递增,开采量的不断增加造成了严重的超采问题[1]。从流域分区看,北方各流域片地下水超采问题较大,其中海、滦河片问题最为严重,其超采区面积约9×104km2,其中严重超采区面积约4×104km2,年均地下水超采量约40×108m3,累计超采量约为592.7 m3[2]。华北平原包括北京市、天津市、河北省以及河南、山东部分地区,东临渤海,西抵太行山,北起燕山,南至黄河,地域总面积约14×104km2。一些地区由于过量的开采地下水,地下水流场由天然状态逐渐变化发展为非稳定状态,发生了不可恢复的地面沉降[3]。华北地区主要形成的浅层地下水位降落漏斗有天竺通州漏斗(影响范围为朝阳区、通州区等),高蠡肃漏斗(影响范围为高阳县、肃宁县等),宁柏隆漏斗(影响范围为宁晋县、柏乡县等)等[4]。
华北平原由于其地理位置的特殊性以及地下水开采问题的严重性,一直受到许多学者的重视。费宇红等[4-5]对于华北区域地下水动态变化做了大量的研究,分析了河北平原以及华北平原1950-2005年演变特征及机制,并利用了层次分析、关联度、相关分析等方法识别了主要影响因素为人类活动;许月卿[6]利用投影寻踪回归模型研究分析了1975-2000年影响河北平原地下水位变化的主要因素;徐强等[7]利用多元线性回归模型及季节分解模型对北京平谷平原地下水位动态特征及影响因素进行了分析;王仕琴等[8]利用2004-2007水位监测资料结合各影响因素进行了华北平原地下水动态分析;杨丽芝等[9]利用皮尔逊相关分析法研究了1978-2007年的德州深层地下水变化主导因素;李世峰等[10]利用灰色关联理论分析了影响地下水水位的主要因素;许长青[11]利用时间序列相关理论分析了邯郸市地下水动态变化。但对于华北平原地下水位的研究主要集中于20世纪中后期到21世纪初的监测数据,且研究区主要选择为华北平原内的部分典型区域。传统研究多以统计学方法来分析主要影响因素,而随着神经网络方法的发展,因其具有很强的近似数学映射能力,在变量分析及预测研究中日益受到重视,Nourani 等[12]利用3种方法进行比较,得出神经网络模型在模拟水文模型方面较为优秀;Feng等[13]利用神经网络模拟了石羊河流域地下水动态变化并找出了主要影响因子;Li等[14]利用神经网络模型分析了晋祠泉的地下水系统的主要敏感性因子。
本文研究华北平原整体2005-2015年浅层地下水埋深、空间分布特征及演变规律,并利用BP神经网络的方法确定了影响浅层地下水动态变化的控制因素,为进一步研究华北平原地下水超采区治理措施提供依据。
本次数据统计来源于2005-2015年全国水资源公报与全国地下水控制站的监测数据。选取典型站点时应根据监测站点的代表性、监测数据的可靠性与一致性进行三性审查及筛选,充分考虑该站点是否位于浅层地下水超采区,站点监测资料序列长度以及监测数据是否符合实际情况等。
影响地下水埋深的因素分为两类:第1类是由含水层水量变化引起的埋深变化,包括降水、人工开采等;第2类是由含水层应力应变状态引起的埋深变化,包括大气压力的变化、引力的变化等[9]。由于第2类因素对浅层地下水变化影响较小,对于宏观研究华北平原浅层地下水超采区成因机制及各因素的贡献率,可以仅从第1类因素分析。基于地下水埋深的变化取决于地下水的补给量与排泄量的增减,这里主要研究降水量及人工开采这两个因素,结合埋深动态数据进行相关分析。
华北平原地势平坦,在区域内多种复杂的大型地貌和小型地貌交错重叠,有大型冲积扇、扇间洼地、河道带、河口三角洲等,这些特有的地形地貌对地表径流以及地下水的运动和富集都具有重要的控制作用[8]。
首先分析典型站点的埋深变化过程。华北平原浅层地下水超采区主要集中在北京市、山东省和河北省大部分地区,所以主要在上述3省、市选择典型站点。结合监测资料考虑前文所述因素后选取了7个典型站点(北京市2个,河北省4个,山东省1个),2005-2015年3省、市各典型站点潜水位埋深与降水量对比见图1。
选取的北京市潜水典型测站是位于北京市大型孔隙浅层地下水超采区的刘庄子和东柳潜水测站。由图1可知东柳潜水测站2005-2015年年平均潜水位埋深变化率为-1.8%,刘庄子年平均潜水位埋深变化率为-0.58%,表明北京市2005-2015潜水面埋深整体趋势是减小的。由图1(a)中两条曲线可以看出两测站在2010-2015年数值及趋势上基本是一致的,结合降水量柱状图分析是受到降水量控制,呈现出降水量增加,埋深下降的整体趋势;而在个别年份,降水量降低时,潜水位埋深依然在下降,可以初步分析人工开采是影响地下水埋深变化的重要因素。
选取的河北省4个潜水典型测站分别为位于保定市特大型浅层地下水超采区的西麻各庄潜水测站和郎庄潜水测站、位于石家庄特大浅层地下水超采区的南洼潜水测站以及位于邯郸市大型超采区的大寨潜水测站。由图1(b)可知,西麻各庄、南洼、大寨、郎庄潜水测站2005-2015年年平均埋深变化率分别为4.51%、2.86%、4.62%、1.10%。可以看出与北京市潜水面埋深的趋势不同,河北省潜水埋深的变化趋势是增加的;而从图1(b)可知降水量并无明显的变化趋势,同样可以判断影响潜水埋深变化的主要因素并非降水而是人工开采。
选取的山东省潜水典型测站为位于一般超采区的马庄潜水测站。由图1(c)可知,马庄潜水测站潜水位埋深年平均变化率为1.14%,呈上升的趋势,与河北省相类似,降水量的变化并没有主导着埋深的变化。
图1 2005-2015年3省市各典型站点潜水位埋深与降水量对比
根据代表年选取原则选取转折点的年份,结合7个典型站点的潜水面埋深过程线(图1),可以得出代表年份为2013年。绘制2013年华北平原潜水埋深等值线图(图2),用以分析其潜水埋深的空间分布特征。
图2 华北平原2013年潜水位埋深等值线
由图2可以看出,浅层地下水埋深高值区主要分布于太行山和燕山山前平原的工业城市,埋深较大的地区(大于30 m)主要在北京市西北部、河北省邢台局部地区和石家庄市大部分地区,约占华北平原总面积的7%。埋深较浅的地区(小于10 m)分布于天津等滨海城市以及河南大部分地区,面积占比超过60%。费宇红等[4]研究得到2005年埋深大于10 m的面积占全区的44.4%,说明近几年的华北平原潜水位埋深较浅(小于10m)的地区有所增加,一般超采区的潜水位下降情况有所改善,但严重超采区的分布与2005年无明显变化。
根据我国水资源公报(2005-2015年)发布数据统计得到的2005-2015年华北平原浅层地下水蓄变量和水资源量见图3。由图3可知, 2005-2015年浅层地下水动态变化量除2008、2012年有较小程度上升外,其余均较上年有所下降,且有多年下降量较大,2014年更是减少了92.2×108m3。统计得2005-2015年浅层地下水储存量减少较多,达到264.8×108m3。从图3还可以看出,2015年与2005年相比地下水资源量基本持平,仅减少了约2×108m3。
图3 2005-2015年华北平原浅层地下水蓄变量和资源量
补给方面存在降水量的变化及下垫面因素的影响。对于整个地区浅层地下水的变化,主要考虑其降水量的变化。2005-2015年华北5省、市及华北平原降水量见图4。研究区气候主要为暖温带半干旱季风气候,降水量年内分配不均匀,夏季多雨,常有洪涝,冬季少雨干燥[15],且年际变化较大。根据近2005-2015年年降水量对比,可得枯水年为2006年的438.2 mm以及2014年的427.4 mm,丰水年为2012年的601.3 mm,丰水年降水量可达枯水年降水量的1.5倍。从图4可以看出,近10年年降水量均有较大差异,除2012、2013年外都低于多年平均降水量,近2005-2015年年平均降水量为507.8 mm,低于多年平均降水量535.4 mm(多年平均值采用1956-2000年系列平均值),较多年平均低5.15%。
关于华北5省市降水量由图4对比可以得出,降水量起伏都比较大。除河南省、山东省外,其余3省市2015年降水量较2005年都有所上升。
图4 2005-2015年华北5省市及华北平原降水量
华北平原地表水资源比较匮乏,缺水比较严重,因此,地下水为这一地区的主要供水水源,根据2005-2015年水资源公报资料数据统计,华北地区地下水供水量平均占总供水量的63%。据统计,华北平原每年超采地下水约100×108m3,超过全国平原区地下水超采量的60%,超采面积达7.07×104km2,约占全国的24%[4]。
2005、2010以及2015年的5省市地下水开采量与供水量如图5所示。由图5可以看出华北5省市地下水供水量几乎都呈下降趋势,且占比下降幅度也比较大,地下水开采的力度明显减小,2015年总地下水供水量比2005年少了40×108m3。
图5 2005、2010和2015年华北5省市地下水供水量变化
超采区的形成影响因素主要有降水量和地下水供水量,但对于不同地区,这些因素的影响程度也大不相同。本次采用基于BP神经网络的贡献分析变量选择方法研究控制因素[16],选用应用最为广泛的单隐含层、多输入、单输出3层BP人工神经网络。
将降水量与地下水供水量线性归一化[17]之后,作为两个输入层神经元,隐含层神经元数目n2与输入层神经元个数n1有如下近似关系:
n2=2n1+1
(1)
所以此次神经元个数设为5个。
选择tan-sigmoid函数和线性函数分别作为输入层到隐含层以及隐含层到输出层的传递函数[18],训练算法选择trainlm函数(Levenberg-Marquardt优化算法)[19],该方法学习速度快,对于简单网络是最好的一种训练算法。
经过训练得到输出结果后首先需要反归一化,进而根据平均误差率[18]分析模拟结果的好坏:
(2)
式中:dt为平均误差率;n为数据总数。
若模拟效果较好,则训练过程结束,确定权值,便可进行各输入变量对输出的影响力分析[20]。先作以下定义:
(3)
(4)
式中:xj为第j个输入变量;hi为第i个隐含层节点的输入;Hi为第i个隐含层节点的输出;wij为输入节点j与隐含层节点i之间的连接权;vi为隐含层节点i与输出节点之间的连接权;αij为第j个输入对第i个隐含层节点的贡献;βi为第i个隐含层节点对输出的贡献。为了定量表征各影响因子对地下水埋深变化的贡献率,特别的定义第j个输入变量对总体输出的贡献率,计算公式如下:
(5)
选取研究区各省市作为研究对象,统计浅层地下水超采区中心的埋深变化结合降水量及地下水供水量数据做分析。
各省市代表站的潜水埋深模拟结果与实测值对比如图6所示,由公式(5)计算可得北京市、天津市、河北省、山东省以及河南省的模拟效果平均误差率较小,分别为0.2%、1.5%、0.1%、0.1%以及0.04%,模拟效果比较理想。
利用训练好的神经网络计算影响因子的贡献率,结果如图7所示。北京市和河北省作为华北平原浅层地下水超采区典型区域,其因子(降水量和地下水供水量)贡献率差异较大,地下水供水量贡献率分别为0.647和0.391,占比较大,均为其浅层地下水埋深变化的控制因素,山东省和河南省也表现出类似的特征。
天津市两因子贡献率几乎持平,天津降水量贡献率甚至稍大于地下水供水量贡献率,由前文可知,天津市几乎没有浅层地下水超采区,并且其占华北平原面积很小,因此天津市各因子贡献率结果的代表性不强。
上述结果表明:华北平原浅层地下水水位埋深变化显著受到地下水供水量的控制,而与降水量具有并不显著的负相关关系。
图6 2005-2015年研究区各省市水位埋深实测与模拟结果对比、
图7 研究区各省市降水与地下水供水对地下水埋深变化的贡献率
(1)华北平原浅层地下水埋深变化与降水量和人工开采量存在着紧密的联系。由于全球变暖的趋势,极端气候的增加,降水量也相应的受到影响。降水量10年内有较大差异变化,但整体依旧低于多年平均降水量。自20世纪60年代水利工程的兴建,从山区流入平原的地表径流急剧减少,同时随着人口、工农业的快速发展,对水量的需求大量增加,因此华北平原地下水供水量一直占有较大的比重。过量开采地下水也改变了水循环方式,区域潜水埋深普遍上升,包气带地层增厚,减缓了地下水资源的补给周期,减少了补给量,造成一种恶性循环[21]。持续维持较大地下水开采程度是造成地下水位难以恢复的重要原因。浅层地下水埋深也受到相应的变化,2005-2015年华北平原浅层地下水埋深除北京部分地区有少许减小外整体趋势是持续增加的。
(2)根据神经网络分析计算可以得出导致超采区潜水位埋深的变化的主导因素为地下水供水量的变化,降水量的影响次之。自然环境因素包括气候变化等是水资源变化的诱因,然而在一定时空范围内直接影响生存环境的依然是一定规模的人类活动[22]。同时相比2000年前,地下水供水量的贡献率占比有所下降,说明近几年对于地下水的保护有所成效。可以采用更合理的供水结构,使水资源得到更合理的分配调度,结合雨水资源向地下水资源的合理转化将对减缓甚至恢复浅层地下水位漏斗产生积极作用。