图们江干流流域气候因素对径流影响变化分析

孙凡博　余凤　赵春子

摘要 以图们江干流1960—2016年的气象数据和径流数据为基础，运用线性趋势法、Mann-Kendall突变检验、冗余分析、灰色关联度分析、多元回归分析和BP神经网络分析等方法，对图们江干流的各个气候因子和径流变化及特征进行分析，并对径流模拟预测。结果表明，在研究年份中，秋、冬季平均气温和春季降水量上升最为明显。春季蒸发量、春季日照时数、夏季降水、夏季相对湿度、夏季和冬季平均径流以及各季节平均风速均呈明显的下降趋势，而径流量、相对湿度、日照时数分别在1973、1975、1978年附近出现由多到少的变化，气温则在1987年前后出现由冷变暖的转变;夏季降水量、春季风速、秋季相对湿度对径流变化的影响最为显著;多元回归模型模拟值在1960、1962、1963—1966和1975—1983年数值差异较大，且模拟值与实测值存在一定差异，而BP神经网络径流模拟曲线与实测值曲线几乎吻合。

关键词 图们江干流流域;气候因素;径流量;变化特征

中图分类号 P467文献标识码 A

文章编号 0517-6611（2019）21-0001-04

doi：10.3969/j.issn.0517-6611.2019.21.001

开放科学（资源服务）标识码（OSID）：

Analysis of the Effects of Climate Factors on Runoff Variations in Tumen River Main Stream Watershed

SUN Fanbo， YU Feng， ZHAO Chunzi

（School of Geography and Ocean Science， Yanbian University，Yanji，Jilin 133002）

Abstract Based on meteorological data and runoff data of the Tumen River main stream from 1960 to 2016， using linear trend method， MannKendall mutation test， redundancy analysis， gray correlation analysis， multiple regression analysis and BP neural network analysis， etc.，the climatic factors and runoff changes and characteristics of the Tumen River main stream were analyzed， and the runoff simulation was simulated and predicted.The results showed that in the study years， the increases of the average temperature in autumn and winter and precipitation in spring were the most obvious.Spring evaporation，spring sunshine hours，summer precipitation，summer relative humidity，average runoff in summer and winter， and the average wind speed in each season showed a significant downward trend，while the runoff， relative humidity and sunshine hours showed changes from more to less around 1973， 1975 and 1978， respectively， and the temperature changed from cold to warmer around 1987.Summer precipitation，spring wind speed and autumn relative humidity had the most significant effect on runoff change.The simulated values of the multiple regression model were significantly different in 1960， 1962， 1963-1966 and 1975-1983，and there was some difference between the simulated value and the measured value，while the simulated curve of BP neural network was almost consistent with the measured curve.

Key words Tumen River main stream watershed;Climate factor;Runoff;Change characteristics

基金項目 国家自然科学基金项目（41361015）;吉林省教育厅“十二五”科学技术研究项目（吉教科合字〔2015〕第35号）。

作者简介 孙凡博（1995—），女，吉林长春人，硕士研究生，研究方向：水文水资源。 通信作者，副教授，硕士，硕士生导师，从事水文水资源研究。

收稿日期 2019-07-25

图们江是中朝俄界河，图们江流域是延边朝鲜族自治州（以下简称延边州）内最大的水系。近年来，随着流域经济的发展，大量的耕地和建设用地的开垦也破坏了水资源生态系统，导致了水资源开发利用的问题。因此，对图们江流域水资源进行分析，并探讨流域内的气候因子与径流量之间的相互关系，可以为区域水资源的合理利用和规划提供理论依据。笔者以图们江干流为研究对象，分析1960—2016年图们江干流径流变化及其与气象要素的关系，以期为延边州水资源的合理开发利用提供参考。

1 资料与方法

1.1 研究区域概况

图们江地处我国吉林省东部，流域总面积约为42 700 km2。河流发源于长白山，最终注入日本海。流域处在温带大陆性季风气候区，夏季高温多雨，冬季寒冷干燥，受地形与海拔的影响，各气候要素在垂直方向上变化显著[1]。流域地貌多为中山低山，山间谷地较为狭窄。图们江流域森林资源丰富，坡度较低的丘陵地区已被开垦，耕地和荒地水土流失严重[2]。

1.2 数据来源

所有数据来源于延边朝鲜族自治州气象局和水文水资源局提供的1960—2016年气候因子和径流量的数据，包括月温、降水、蒸发、日照、相对湿度、风速等。

1.3 分析方法

1.3.1 线性趋势法。

采用线性趋势法分析气候因子和径流量的季节变化特征。在时间序列中，以时间为自变量、气候因子为因变量，建立二者之间的线性回归方程：

y′（t）=b0+b1t（1）

b0=dy′（t）dt（2）

b1=ni=1（yi-）（ti-）ni=1（ti-）2（3）

其中，t表示时间，y表示气象因子或水文变量。b1表示要素的变化倾向率，表明气象因子或水文要素随时间而上升或下降的变化趋势，当b1>0时，要素随时间的变化呈现上升趋势，当b1<0时，要素随时间的变化呈现下降趋势，而b1的絕对值大小表示上升或下降趋势的程度[3-4]。

1.3.2 Mann-Kendall突变检验法。

采用Mann-Kendall突变检验法分析各气候因子的突变时间及其与径流的突变关联性。其公式如下：

dk=ki=1mi（2≤k≤n） （4）

新建序列d2，…，dn的均值和方差可记为：

E（dk）=k（k-1）4（5）

var（dk）=k（k-1）（2k+5）72（6）

UFk=（dk-E（dk））var（dk）（7）

UBk=-UFk（k=1，2，3，...，n）（8）

分析Mann-Kendall曲线图，如果UFk<0或UBk<0，则要素值随时间的变化呈现下降趋势;若UFk>0或UBk>0，则要素值随时间的变化呈现上升趋势。若UFk线和UBk线超过±1.96临界线，则变化趋势非常明显，且超出的范围代表突变范围。当UFk线和UBk线在±1.96临界线上有交点时，则交点时间代表序列的突变时间[5-6]。

1.3.3 冗余分析。

将气候因子与径流的相关性进行冗余分析，结果可知各自变量对因变量变化的贡献率，结果图是对各自变量与因变量相关性大小的描述，它是处理随机变量之间关系的有效方法[7-8]。

1.3.4 灰色关联度分析。

基于冗余分析的结果，对主要影响径流的气候因子进行灰色关联分析，得出各气候因子的关联序。

为了获得关联度量化模型，首先将原始气候因子和径流数据标准化;其次，计算关联系数ξ0i（k），用公式表示为：

ξ0i（k）=（Δmin+ρΔmax）/（Δ0i（k）+ρΔmax）（9）

其中，所有序列的每个时刻绝对差的最小值为Δmin，Δmax代表最大值，Δ0i（k）表示k时刻2个比较序列之间的绝对值差，分辨系数范围为ρ∈（0，1），通常情况下取0.5～1.0;然后，计算出2个比较序列中所有关联系数的平均值，并获得序列的关联度，公式如下：

R0i=1nnk=1ξ0i（k）（10）

其中，R0i是子序列i和母序列0这2个序列间的关联度，n为序列长度。

最后，对关联度进行排序获得关联序。关联序的排列顺序反映了各子序列与母序列的紧密程度[9-10]。

1.3.5 多元回归分析。

根据冗余分析和灰色关联分析结果，将影响径流的气候因子作为输入条件，建立多元回归模型计算径流模拟值，并与实测径流进行对比。自变量与因变量的定量关系由数学公式表示为多元线性回归模型[11]。多元线性回归方程可以表示为：

y=b0+b1x1+b2x2+…+bkxk（11）

47卷21期 孙凡博等 图们江干流流域气候因素对径流影响变化分析

1.3.6 BP神经网络模型。

基于BP神经网络模型，利用对径流影响显著的气候因子作为输入条件模拟图们江干流57年径流量，并与多元回归分析结果进行比较[12-13]。

2 结果与分析

2.1 气候因子与径流量变化趋势分析

由式（1）计算得到气候因子与径流量变化参数的季节变化，结果如表1所示。在研究年份中，夏季多年平均气温最高，为19.76 ℃，冬季平均气温最低，为-11.36 ℃;在各季节中，冬季的平均气温上升最明显，倾向率为0.032 ℃/10 a，其次是秋季，倾向率为0.021 ℃/10 a，温度显著上升。在降水量变化中，夏季多年平均降水量最高，为112.73 mm，但下降趋势明显，倾向率为-0.172 mm/10 a，其他季节降水量都呈现增多趋势，春季降水量上升趋势最明显，倾向率为0.240 mm/10 a，因此应预防春涝现象出现，以便春耕工作的开展。

图们江干流各季平均蒸发量中，夏季平均蒸发量最高，为441.84 mm，其次是春季，为436.45 mm，冬季最少，为9514 mm，各季平均蒸发量均存在下降趋势，春季下降趋势最显著，倾向率为-2.394 mm/10 a。日照时数方面，春季平均日照时数最多，为664.87 h，但下降趋势显著，倾向率为-1.626 h/10 a，夏季、秋季和冬季日照时数接近，其中冬季日照时数最少，为525.44 h，夏季日照时数稍有下降，秋、冬季节平均日照时数虽有下降，但未通过检验。

图们江干流流域相对湿度均大于55%，夏季相对湿度最大，为78.46%，其次是秋季，为66.35%，春季和冬季相对湿度接近，春季的相对湿度最小，为55.78%。根据各季相对湿度倾向率可知，夏季相对湿度下降的趋势最显著，为-0.044%/10 a，其他季节的变化趋势不明显。全年风速变化均呈现显著的下降趋势，其中春季风速最大，为2.93 m/s，其次是冬季和秋季，平均风速分别为2.67、2.16 m/s，夏季风速最小，为1.99 m/s。从径流量变化来看，夏季径流量最大，为7206×108 m3，其次是秋季和春季，分别为35.27×108、24.61×108 m3，冬季径流量最小，为4.96×108 m3，夏季平均径流量下降趋势显著，倾向率为-0.878 m3/10 a。

分别对图们江干流流域57年来各气候因子及径流量的平均值和标准差进行M-K突变检验，结果表明，在研究年限中，径流量、相对湿度、日照时数分别在1973、1975、1978年附近出现由多到少的变化，气温则在1987年前后出现由冷变暖的转变;降水量与径流量的变化趋势几乎相同;相对湿度和径流量变化趋势基本一致;日照时数和风速与径流量的变化趋势同步性不明显。

2.2 气候因子与径流量的相关性分析

基于SPSS软件，对气温、降水量、蒸发量、日照时数、相对湿度、风速及径流量进行相关分析，计算各因子与径流量季节和年际相关系数之间的关系[14-15]，结果如表2所示。

由表2可知，径流量与降水量、相对湿度和风速均呈显著的正相关，与气温呈显著的负相关，相关系数分别为0.62、0.50、0.33、-0.46。其中，径流量与夏季降水量、相对湿度和秋季风速相关性较大，相关系数分别为0.63、0.42和0.37。因此，气温、降水量、相对湿度和风速的季节和年际变化对图们江干流径流变化有显著影响。

根据表1，对气候因子与径流量年际变化进行冗余分析，结果表明，研究区降水量和相对湿度与径流量呈显著正相关，是影响图们江干流径流变化的主要因素;气温与径流量呈负相关，对径流有显著影响;风速与径流量呈正相关，对径流影响较大;蒸发量与径流量呈负相关，对径流的影响较小。

基于以上分析选取降水量、气温、相对湿度和风速4个气候因子来研究图们江干流径流量与各个气候因子的关联度。用数据标准差标准化方法将1960—2016年图们江干流的气温及降水数据进行转换，并根据公式（9）进行计算，得到图们江干流径流与各气候因子的关联系数。

通过公式（10）计算年径流量与各气候因子的关联度，其结果为R1（年均温）=0.670、R2（春季气温）=0.646、R3（夏季降水量）=0.772、R4（年降水量）=0.768、R5（年相对湿度）=0.686、R6（秋季相对湿度）=0.728、R7（年风速）=0.727、R8（春季风速）=0.729、R9（秋季风速）=0.721，由此得到关联序R3>R4>R8>R6>R7>R9>R5>R1>R2。结果表明，图们江干流降水因子对径流影响最大，其次为湿度因子和风速因子，气温因子对径流影响相对较小。其中，降水因子中的夏季降水量、风速因子中的春季风速以及湿度因子中的秋季相对湿度对径流变化影响最大。

2.3 气候因子与径流模拟研究

2.3.1 多元回归模拟。

根据气候因子与径流的相关性分析结果，可知气温、降水量、相对湿度和风速是影响图们江干流径流变化的主要因素。

采用多元线性回归模型，对气候因子与径流的关系進行定量分析，结果表明，回归方程的回归系数为0.797，通过0.01的显著水平检验，表明该模型有较好的代表性，4个因子与径流量之间存在显著的线性回归关系，4个因子对径流在总体上有显著影响。根据分析结果，得出回归模型方程为：

W=0.070P-5.088T+0.934φ+10.429v-64.312（12）

其中，W为径流量（×108 m3），P为降水量（mm），T为平均气温（℃），φ为相对湿度（%），v为风速（m/s）。

方程中降水量、相对湿度和风速的回归系数分别为0070、0.934和10.429，表明降水量、相对湿度和风速与径流量呈正相关关系，气温的回归系数为-5.088，表明气温与径流量呈负相关关系，与相关性分析结果一致。

运用式（12）计算，获得图们江干流的径流模拟值，将模拟值与实测值进行比较，结果如图1所示，模拟值在1960、1962、1963—1966和1975—1983年数值差异较大，与实测值存在一定差异。

2.3.2 BP神经网络模拟。

用气温、降水量、相对湿度和风速4个气候因子作为输入层，并将1960—2000年径流数据作为建模样本，且用2001—2016年径流数据作为BP神经网络建模的预测样本进行建模，结果显示，模型的回归系数为0896，表明BP神经网络的模拟效果好。将BP神经网络计算的模拟值与实测值进行比较（图2），发现流域年径流量模拟曲线与实测值曲线基本一致。

气候因子和径流模拟的研究结果显示，多元回归分析和BP神经网络分析的模拟效果都较好，但是BP神经网络分析的模拟精度明显高于多元回归分析，并更适用于图们江干流的径流模拟及预测。

3 结论与讨论

（1）1960—2016年图们江干流气温变化呈显著上升趋势，年变化趋势较小;降水量变化总体较稳定，略有增多趋势，冬季降水年变化幅度最大;蒸发量、日照时数、相对湿度和风速总体波动减弱，但年际变化幅度较小;径流量总体呈波动下降趋势，秋季径流量年变化幅度最大。气温、蒸发量与径流量的变化趋势相反，降水量和相对湿度与径流量的周期变化基本一致，日照时数和风速与径流量的变化趋势同步性不明显。图们江干流气温、日照时数、相对湿度以及径流量的突变分别发生在1987、1978、1975和1973年，而风速、降水量和蒸发量没有发生突变。

（2）相关因素分析表明，在研究年限中，图们江干流径流量与夏季降水量、相对湿度、秋季风速、秋季相对湿度、春季风速和春季气温呈显著相关关系，与蒸发量和日照时数没有明显的

相关性;图们江干流降水因子对径流量影响最大，其次为湿度因子和风速因子，气温因子对径流量影响较小。而夏季降水量、春季风速、秋季相对湿度对径流量变化的影响最大。就气温而言，年均气温对径流量的影响大于春季气温。

（3）径流模拟结果表明，以气温、降水量、相对湿度和风速4个因子为自变量的多元回归模型的回归系数为0.797，并通过0.01的显著水平检验，表明该模型有较好的代表性。多元回归模型拟合值变化曲线近似地反映了图们江干流径流实测值的变化趋势，其中模拟值在1960、1962、1963—1966和1975—1983年数值差异较大，模拟值与实测值存在一定差异;BP神经网络回归系数为0.896，径流量模拟曲线与实测值曲线基本一致。

气候变化过程十分复杂，影响径流量变化的气候因素较多。通过回归分析插值法对该研究中部分缺失的气象数据和水文数据进行补充，研究结果可能存在一些人为误差。因此，该研究仅分析了图们江干流气候因素的变化。在今后的研究中，还应分别对图们江干流上中下游气候因素与径流的关系做更细化的分析。

参考文献

[1] 余凤.气候变化对图们江干流径流变化影响研究[D].延吉：延边大学，2018.

[2] 冯婧.气候变化对黑河流域水资源系统的影响及综合应对[D].上海：东华大学，2014.

[3] 贺伟，布仁仓，熊在平，等.1961—2005年东北地区气温和降水变化趋势[J].生态学报，2013，33（2）：519-531.

[4] 吉林省地方志编纂委员会.吉林省志：自然地理志[M].长春：吉林人民出版社，1996.

[5] 张跃华.嘉陵江流域径流量变化规律及其对气候变化的响应[D].重庆：西南大学，2012.

[6] 缪驰远，魏欣，孙雷，等.嫩江、哈尔滨两地48年来夏季降雨特征分析[J].资源科学，2007，29（6）：25-31.

[7] 冯明.气候变化对水文水资源的影响研究[D].武汉：武汉大学，2004.

[8] TAKANE Y，HWANG H.An extended redundancy analysis and its applications to two practical examples[J].Computational statistics and data analysis，2005，49（3）：785-808.

[9] ZHANG J，YANG E H，KIEFFER J C.Redundancy analysis in lossless compression of a binary tree via its minimal DAG representation[C]//2013 IEEE international symposium on information theory.Istanbul，Turkey：IEEE，2013.

[10] 楊征，胡卓玮，王志恒.基于灰色关联度的气象因子与雪灾灾情相关性分析[J].安徽农业科学，2015，43（7）：99-103.

[11] 朱金峰，梁忠民，汤晓芳.湖南省农村水资源保护现状评价与趋势预测[J].南水北调与水利科技，2013，11（3）：6-11.

[12] 庄宇，胡晓蕊，马贤娣.水环境承载力与经济效率的多元回归模型及应用[J].干旱区资源与环境，2007，21（9）：41-45.

[13] 熊海晶.基于神经网络和小波分析的降水预报研究[D].南京：南京大学，2012.

[14] 刘双，谢正辉，曾毓金.基于神经网络与半分布式水文模型相结合的缺资料区径流估计模型：以莺落峡流域为例[J].北京师范大学学报（自然科学版），2016，52（3）：393-401.

[15] 马金珠，朱中华，于保静.石羊河流域水环境演化与水资源可持续利用[M].兰州：兰州大学出版社，2005.