基于流域差异的湖北省自然径流变化规律及其影响机制的神经网络分析

摘要：基于湖北省自然径流数据，结合气象、卫星遥感、水利工程、土地利用及社会经济等数据，构建了多层感知器（MLP）、长短期记忆网络（LSTM）、卷积神经网络（CNN）等神经网络模型，分别对长江流域、汉江流域和清江流域的自然径流进行预测和分析。结果显示，所构建的神经网络模型预测效果好，能够有效地捕捉自然径流的变化规律和特征。敏感性分析及重要性排序的结果表明，气候变化和人类活动各因素对径流变化的影响权重存在明显差异，且各区域之间的差异明显。气候变化为主要影响因素，其中降水量的权重最高，温度次之，蒸发量最低；人类活动为次要影响因素，其中水利工程的权重最高，土地利用次之。不同流域气候变化和人类活动的权重存在一定的差异，其中汉江流域的权重最高，清江流域的权重最低。2023—2042年的自然径流变化趋势预测结果表明，径流将呈下降趋势，同时影响因素的权重也将发生相应变化。

关键词：自然径流；神经网络；流域差异；气候变化；人类活动；湖北省

中图分类号：P333" " " " "文献标识码：A

文章编号：0439-8114（2024）12-0031-09

DOI：10.14088/j.cnki.issn0439-8114.2024.12.006 开放科学（资源服务）标识码（OSID）：

The neural network analysis of natural runoff variation patterns and their influencing mechanisms in Hubei Province based on watershed differences

SHAO Qian， WEI Hong

（Economics and Management School， Yangtze University， Jingzhou" 434023， Hubei， China）

Abstract： Based on natural runoff data of Hubei Province， combined with the data of meteorology， satellite remote sensing， water conservancy projects， land use， socio-economy， etc， neural network models such as Multi-Layer Perceptrons （MLP）， Long and Short Term Memory Networks （LSTM） and Convolutional Neural Networks （CNN） were constructed to predict and analyze natural runoff in the Yangtze River Basin， Han River Basin and Qing River Basin. The results indicated that the constructed neural network models had a good prediction effect and could effectively capture the patterns and characteristics of natural runoff changes. The results of sensitivity analysis and importance ranking revealed that there were significant differences in the impact weights of climate change and human activities on runoff variations， and the differences between regions were obvious. Climate change was identified as the primary influencing factor， among its components， precipitation had the highest influence， followed by temperature， while evaporation had the least. Human activities were identified as secondary influencing factors， among its components， water conservancy projects had the highest weight， followed by land use. There were some differences in the weights of climate change and human activities in different basins， among which the weight of Hanjiang River Basin was the highest and the weight of Qing River Basin was the lowest. Predictions for natural runoff trends from 2023 to 2042 indicated a declining trend， with corresponding changes in the weights of influencing factors.

Key words： natural runoff； neural network； watershed difference； climate change； human activities； Hubei Province

收稿日期：2024-03-29

作者简介：邵 茜（1997-），女，湖北沙洋人，在读硕士研究生，研究方向为农业可持续发展，（电话）13597941213（电子信箱）501285054@qq.com；通信作者，韦 鸿（1965-），男，教授，博士，主要从事农村土地问题研究，（电子信箱）Weihong0728@126.com。

自然径流是水文循环的重要组成部分，是反映气候变化和人类活动影响的敏感指标，也是水资源评价和管理的重要基础。自然径流的变化对水资源的供需平衡、水生态系统的功能和服务、水灾害的发生和防治等具有重要影响。因此，研究自然径流的变化规律和影响因素，预测未来径流的变化趋势及影响因素的权重，对制定合理的水资源规划和管理措施、保障水安全和水可持续发展具有重要的理论和实践意义。

湖北省作为中国的重要水资源大省，位于长江流域的核心区域，其自然径流的变化对长江流域的水资源和水环境影响深远。湖北省自然径流受到多种因素的影响，其中气候变化和人类活动是影响湖北省自然径流的主要因素。气候变化通过影响降水、温度、蒸发等气象要素改变水文循环的驱动力，导致自然径流的波动与变化。而人类活动通过影响水利工程、土地利用、社会经济等人文要素改变水文循环的响应机制，进而影响自然径流的调节与改变。此外，气候变化和人类活动之间存在复杂的相互作用和非线性关系，使得自然径流的变化具有高度的不确定性和随机性。不同流域和区域的自然径流特征也因地理位置、地形、气候等因素而异，需综合考虑这些差异。

关于自然径流变化及其影响因素的研究已经取得了一定的进展，其研究方法主要有统计分析法、水文模拟法和因子分离法等［1］。这些方法虽然在一定程度上揭示了自然径流的变化特征、机制和原因，但缺乏统一且有效的预测和分析自然径流变化的方法，未能充分利用多源数据和信息，无法有效地捕捉自然径流变化的非线性和随机特征，从而影响未来的变化趋势和影响因素的权重［2］。另外，缺乏对湖北省自然径流变化及其影响因素系统且深入的研究，未能全面地反映湖北省自然径流的时空变化特征和区域差异特征，也未能科学地评估气候变化和人类活动的综合影响，不能为湖北省的水资源管理和水环境保护提供有效的支持和指导［3］。

神经网络模型是一种基于数据驱动的机器学习方法，能够自动地从数据中学习和提取特征，建立自然径流与影响因素之间的非线性映射关系，实现自然径流的预测和分析［4］。该模型的优点在于能够处理多源、多维、多尺度的数据，充分利用自然径流的历史数据和相关数据，提高自然径流预测和分析的精度和效率［5］；能够适应自然径流变化的非线性和随机特征，不需要事先确定模型的结构和参数，不受传统水文模型的限制和假设，提高自然径流预测和分析的灵活性和鲁棒性［6］；能够实现自然径流与影响因素之间的敏感性分析和重要性排序，定量地评估各影响因素的作用和权重，揭示自然径流变化的原因和机制［7］。

本研究基于1980—2022年湖北省的自然径流及相关数据，构建多种神经网络模型以预测长江、汉江和清江流域的自然径流，并通过模型评估与敏感性分析揭示气候变化和人类活动对径流变化的影响，以期为湖北省的水资源管理和水环境保护提供科学依据和建议。

1 研究区概况、数据与方法

1.1 研究区概况

湖北省位于中国中部，长江中游，是长江流域的核心区域，也是中国的重要水资源大省，地理位置如图1所示。湖北省总面积为18.59万km2，常住人口nbsp; 5 838万人，年人均水资源量为1 731 m3，低于全国平均水平（2 185 m3）［8］。该地属亚热带季风气候，年均降水量为1 100～1 300 mm，年均温度为15～17 ℃，年均蒸发量为800～1 000 mm。湖北省的水文特征以长江为主，长江在湖北省境内流经1 061 km，形成了长江流域、汉江流域和清江流域3个主要的一级流域，其面积分别为9.38万、6.24万、2.97万km2，分别占湖北省总面积的50.4%、33.6%、16.0%。湖北省的人文特征以水利工程为主，湖北省拥有三峡工程、葛洲坝工程、丹江口工程等多个大型水利工程，对水资源的开发利用和水环境的保护都有重要影响。在土地利用上，湖北省以农业为主，耕地面积为475.2万hm2，占总面积的25.6%，其中水田面积为254.7万hm2，占耕地面积的53.6%。湖北省的社会经济以工业为主，2023年GDP为5.58万亿元，占全国的4.43%，其中第一产业、第二产业和第三产业的比重分别为9.1%、36.2%和54.7%［8］。

1.2 数据来源

1）自然径流数据。自然径流数据来源于《中国水文年鉴》，时间为1980—2022年。自然径流数据指在不考虑人类活动的影响下，由于降水、蒸发、地下水等因素形成的地表水和地下水的流量，反映了水文循环的自然状态。选取位于长江流域、汉江流域和清江流域的3个典型水文站作为研究对象，分别为宜昌水文站、汉口水文站、高坝洲水文站，其位置如图1所示。对自然径流数据进行预处理，包括数据的清洗、插补、平滑等，以保证数据的完整性和可靠性。

2）气象数据。气象数据来源于中国气象数据网，时间为1980—2022年。气象数据指反映气候变化的各种气象要素，包括降水量、温度、蒸发量等，是水文循环的驱动力。选取湖北省16个典型气象站作为研究对象，其位置如图1所示。对气象数据进行预处理，包括数据的清洗、插补、平滑等，以保证数据的完整性和可靠性。

3）卫星遥感数据。卫星遥感数据来源于美国国家航空航天局（NASA）。卫星遥感数据指利用卫星传感器观测地球表面的各种信息，包括植被指数、土壤湿度、地表温度等，反映了水文循环的响应机制。选取MODIS NDVI、SMAP SSM、MODIS LST 共3种卫星遥感数据作为研究对象，其空间分辨率分别为250 m、36 km和1 km，其时间分辨率分别为16、3、" "8 d。对卫星遥感数据进行预处理，包括数据的下载、投影、裁剪、重采样、融合等，以保证数据的一致性和可比性。

4）水利工程数据。水利工程数据来源于《中国水利年鉴》。水利工程数据指反映人类活动的各种水利工程的信息，包括水库、水电站、引水工程、灌溉工程等，影响了水文循环的调节能力。选取湖北省10个典型水利工程作为研究对象，其位置如图1所示。对水利工程数据进行预处理，包括数据的整理、统计、归一化等，以保证数据的有效性和可用性。

5）土地利用数据。土地利用数据来源于中国土地利用/覆盖数据集。土地利用数据指反映人类活动的各种土地利用类型的信息，包括耕地、林地、草地、水域、建设用地等，影响了水文循环的转化过程。选取2000年和2022年的土地利用数据作为研究对象，其空间分辨率为30 m。对土地利用数据进行预处理，包括数据的下载、投影、裁剪、分类、统计等，以保证数据的准确性和一致性。

6）社会经济数据。社会经济数据来源于《中国统计年鉴》。社会经济数据指反映人类活动的各种社会经济指标的信息，包括人口、GDP、工业产值、农业产值等，影响水文循环的消耗和需求。选取1980—2022年的社会经济数据作为研究对象。对社会经济数据进行预处理，包括数据的整理、统计、归一化等，以保证数据的完整性和可用性。

1.3 神经网络模型

使用多层感知器（MLP）、长短期记忆网络（LSTM）和卷积神经网络（CNN）3种神经网络模型对自然径流进行预测和分析。神经网络模型是由多个神经元组成的非线性函数拟合器，能够从数据中自动地学习和提取特征，建立输入数据和输出数据之间的映射关系［8］。神经网络模型的结构如图2所示。神经网络模型的输入是自然径流各种影响因素的数据，包括气象数据、卫星遥感数据、水利工程数据、土地利用数据、社会经济数据等，共有15个输入变量。神经网络模型的输出是自然径流数据，包括位于长江流域、汉江流域和清江流域的3个水文站的自然径流数据，共有3个输出变量。神经网络模型的隐藏层是由多个神经元组成的层，负责对输入数据进行非线性变换，提高模型的表达能力。神经网络模型的参数是由神经元之间的连接权重和偏置组成的，通过反向传播算法进行优化，使得模型的预测误差最小化［9］。神经网络模型的激活函数是用于增加模型的非线性函数，本研究使用双曲正切函数（tanh）和线性整流函数（ReLU）作为激活函数［10］。神经网络模型的损失函数是用于衡量模型预测误差的函数，本研究使用均方误差（MSE）作为损失函数。神经网络模型的优化器是用于更新模型参数的算法，本研究使用随机梯度下降（SGD）作为优化器［3］。

1.3.1 多层感知器 多层感知器是最基本的神经网络模型，由一个输入层、一个或多个隐藏层和一个输出层组成，每层都是由多个全连接的神经元组成。MLP的特点是能够对输入数据进行多层的非线性变换，实现任意复杂的函数拟合［11］。本研究使用包含2个隐藏层的MLP 模型，每个隐藏层包含32个神经元，使用了tanh作为激活函数。MLP模型的参数个数为1 188个，训练时间为10 s。其数学表达式如下。

[h1=tanh（W1x+b1）]" " " "（1）

[h2=tanh（W2h1+b2）] （2）

[y=W3h2+b3] （3）

式中，W1、W2、W3为连接权重矩阵，b1、b2、b3为偏置向量，x为输入向量，h1、h2为隐藏层向量，y为输出向量。

1.3.2 长短期记忆网络 长短期记忆网络是一种特殊的循环神经网络模型，由一个输入层、一个或多个LSTM 单元和一个输出层组成，每个LSTM单元都是由一个输入门、一个遗忘门、一个输出门和一个记忆细胞组成。LSTM的特点是能够对输入数据进行时序的处理，捕捉长期的依赖关系，解决梯度消失和爆炸的问题。本研究使用包含一个 LSTM 单元的 LSTM 模型，每个LSTM单元包含32个神经元，使用tanh作为激活函数［12］。LSTM模型的参数个数为6 084个，训练时间为20 s。其数学表达式如下。

[it=σ（Wixt+Uiht-1+bi）]" " " （4）

[ft=σ（Wfxt+Ufht-1+bf）] （5）

[ot=σ（Woxt+Uoht-1+bo）] （6）

[ct=ft⊙ct-1+it⊙tanh（Wcxt+Ucht-1+bc）] （7）

[ht=ot⊙tanh（ct）] （8）

[yt=Wyht+by] （9）

式中，[σ]为sigmoid函数，[⊙]为逐元素相乘的运算，Wi、Wf、Wo、Wc、Wy为连接权重矩阵，Ui、Uf、Uo、Uc为循环权重矩阵，bi、bf、bo、bc、by为偏置向量，xt为输入向量，it、ft、ot、ct、ht、yt为LSTM单元的内部变量，t为时间步，ht-1为在时间步t-1时刻的隐藏状态或输出。

1.3.3 卷积神经网络 卷积神经网络（CNN）是一种特殊的前馈神经网络模型，由一个输入层、一个或多个卷积层、一个或多个池化层和一个输出层组成，每个卷积层都是由多个卷积核组成，每个池化层都是由多个池化操作组成。CNN的特点是能够对输入数据进行空间处理，提取局部特征，减少参数数量，增强模型的泛化能力。本研究使用一个包含两个卷积层和两个池化层的CNN模型，每个卷积层包含16个卷积核，每个卷积核的大小为3×3，每个池化层包含4个池化操作，每个池化操作的大小为2×2，使用了ReLU作为激活函数［13］。CNN模型的参数个数为1 188个，训练时间为15 s。其数学表达式如下。

[z1=W1∗x+b1]" " " " " " " （10）

[a1=max（0， z1）] （11）

[p1=max2×2（a1）] （12）

[z2=W2∗p1+b2] （13）

[a2=max（0， z2）] （14）

[p2=max2×2（a2）] （15）

[y=W3p2+b3] （16）

式中，[∗]为卷积运算，max为最大值运算，W1、W2、W3为连接权重矩阵，b1、b2、b3为偏置向量，x为输入向量，z1、a1、p1、z2、a2、p2为卷积层和池化层的输出向量，y为输出向量。

2 结果与分析

2.1 模型预测结果

使用MLP、LSTM 和CNN 三种神经网络模型对湖北省3个流域的自然径流进行预测和分析。为了评估和比较不同模型的预测效果，分别采用均方根误差（RMSE）和相关系数（R）两个拟合度指标反映模型的预测误差和精度［14］。将1980—2022年的自然径流数据分为训练集和测试集，其中训练集占80%，用于训练模型的参数，测试集占20%，用于测试模型的泛化能力。对每个模型进行10次训练和测试，最终结果取平均值作为评估依据。表1为不同模型在各流域的预测误差和精度，图3为不同模型在各流域的预测结果。

从表1和图3可以看出，不同模型在各流域的预测结果都与实测数据的拟合度较高，RMSE和R分别为0.05亿～0.11亿m3和0.86～0.95，说明神经网络模型能够有效地捕捉自然径流的变化规律和特征。其中，CNN模型的预测效果最好，RMSE和R分别为0.05亿～0.09亿m3和0.88～0.95，优于MLP和LSTM模型，这可能是因为CNN模型能够利用卷积层和池化层提取输入数据的空间特征，增强模型的泛化能力。MLP模型和LSTM模型的预测效果相近，RMSE和R分别为 0.07亿～0.11亿m3和0.86～0.94，略逊于CNN模型，这可能是因为MLP模型和LSTM模型分别只能利用全连接层和LSTM单元处理输入数据的线性和时序特征，缺乏对输入数据空间特征的处理能力。综上所述，神经网络模型是一种有效的自然径流预测和分析方法，可以实现对自然径流变化高精度的预测和分析。

2.2 影响因素的权重

使用神经网络模型的敏感性分析和重要性排序评估各影响因素对自然径流变化的影响程度，从而分析气候变化和人类活动对自然径流变化的综合影响及其区域差异［15］。敏感性分析是指通过改变输入数据的某个因素的值，观察输出数据的变化情况，反映该因素对输出数据的影响程度。其计算式如下。

[Si=ΔYΔXi]" " " " " （17）

式中，[Si]为因素[i]的敏感性，[ΔY]为输出数据的变化量，[ΔXi]为因素[i]的变化量。

重要性排序是指通过计算输入数据（不同因素）对输出数据的贡献率进行重要性排序，并据此计算出各因素对输出数据的影响权重［16］。其计算式如下。

[Ii=Yij=1nYj] （18）

式中，[Ii]表示因素[i]的权重；[Yi]表示因素[i]对输出数据的贡献；[n]为影响因素的总数；Yj表示因素i中第j个次级因素对输出数据的贡献。

鉴于CNN模型的预测效果最好，所以采用CNN模型进行敏感性分析和重要性排序。对每个因素进行10次敏感性分析和重要性排序，并取平均值作为最终的评估结果。表2给出了不同流域各因素的影响程度和权重。

从表2可以看出，不同流域各因素的影响程度和权重存在明显差异，反映出气候变化和人类活动对自然径流变化的区域性影响。其中，气候变化被认定为主要影响因素，权重大小依次为降水量、温度和蒸发量。具体而言，长江流域降水量的权重（0.20）最高，表明其对自然径流的直接影响最为显著；温度则是水文循环的重要因素；而蒸发量的权重（0.16）相对较低，显示出其在水文循环中的次要角色。人类活动被视为次要影响因素，权重大小依次为水利工程、土地利用和社会经济。水利工程的权重最高，说明其对自然径流的直接影响力；土地利用的权重次之，反映其对水文变化的重要性。值得注意的是，不同流域气候变化和人类活动的权重存在一定的差异，其中汉江流域影响因素的权重最高，清江流域影响因素的权重最低。这可能是因为汉江流域的气候变化和人类活动的干扰程度最高，清江流域的气候变化和人类活动的干扰程度最低。

2.3 区域差异分析

使用神经网络模型的交叉验证和模型集成方法分析不同流域自然径流变化的区域差异，揭示自然径流的时空特征和变化机制［17］。交叉验证是指将数据分为k个子集，每次使用k-1个子集作为训练集，剩余的1个子集作为测试集，重复k次，得到k个预测结果，并取平均值作为最终的预测结果［18］。模型集成是指将多个不同模型的预测结果进行加权平均，得到综合预测结果，提高预测的稳定性和准确性。因CNN模型的预测效果优越［19］，所以采用基于CNN模型的交叉验证和模型集成。具体而言，将每个流域的数据分为5个子集，进行5次交叉验证，得到5个CNN模型的预测结果，然后对5个CNN模型的预测结果进行加权平均，最后生成CNN集成模型的综合预测结果。表3为不同流域的交叉验证和模型集成的预测结果，图4为不同流域的交叉验证和模型集成的预测曲线。

从表3和图4可以看出，不同流域的交叉验证和模型集成的预测结果都与实测数据的拟合度较高，RMSE和R分别为0.05亿～0.10亿m3和 0.87～0.95，表明神经网络模型能够有效地捕捉自然径流的时空特征和变化机制。其中，CNN集成模型综合了多个预测结果，且RMSE和R分别为0.05亿～0.09亿m3和0.88～0.95，预测效果最优。另外，不同流域的预测效果存在一定的差异，其中，长江流域的预测效果最好，RMSE和R分别为0.05亿m3和0.95，清江流域的预测效果最差，RMSE和R分别为0.09亿m3和0.88，这可能与长江流域的自然径流变化较为平稳、清江流域的自然径流变化较为波动有关，从而影响了预测的难度。综上所述，神经网络模型是一种有效的自然径流预测和分析方法，能够实现对自然径流变化的高精度预测与分析。

2.4 未来变化趋势

未来变化趋势是指基于历史数据和未来情景的神经网络模型的预测结果，反映出未来一定时期内自然径流变化的方向和幅度［20］。鉴于CNN集成模型的预测性能最佳，本研究采用该模型进行未来变化趋势分析。基于IPCC第六次评估报告（AR6）的4种共享社会经济路径（SSP）和4种代表浓度路径（RCP）的组合，构建了16种未来情景，分别为SSP1-RCP2.6、SSP1-RCP4.5、SSP1-RCP6.0、SSP1-RCP8.5、SSP2-RCP2.6、SSP2-RCP4.5、SSP2-RCP6.0、SSP2-RCP8.5、SSP3-RCP2.6、SSP3-RCP4.5、SSP3-RCP6.0、SSP3-RCP8.5、SSP4-RCP2.6、SSP4-RCP4.5、SSP4-RCP6.0、SSP4-RCP8.5。其中，SSP指反映人类活动的各种社会经济发展路径，包括人口、GDP、工业产值、农业产值、土地利用、水利工程等因素的变化情况，RCP指反映气候变化的各种温室气体排放和浓度路径，包括降水量、温度、蒸发量等因素的变化情景。在预测过程中，将历史平均值作为基准，将未来情景的输入数据与基准值相加，然后输入神经网络模型，获得未来情景下自然径流的预测结果。并计算变化率，其计算式如下。

[变化率=未来情景的预测值-基准值基准值×100%]

本研究预测了2023—2042年自然径流的变化情况，预测结果见表4和图5。从表4和图5可以看出，湖北省自然径流在2023—2042年都呈下降趋势，且随着气候变化和人类活动的加剧，下降幅度逐渐加大。这一现象可能是因为未来气候变化和人类活动会导致降水量减少、温度升高、蒸发量增加，再加上水利工程的扩建、土地利用的改变以及社会经济的发展，从而影响自然径流的生成和分配。不同流域自然径流的变化趋势也有所不同，其中，清江流域自然径流的变化趋势最明显，汉江流域自然径流的变化趋势次之，长江流域自然径流的变化趋势最温和。这可能与各流域的气候和水文条件有关，清江流域面临较严峻的气候和水文挑战，汉江流域的气候条件和水文条件较复杂，而长江流域则表现出较稳定的气候和水文特征。针对不同未来情景，自然径流的变化趋势也有所不同，其中，SSP4-RCP8.5情景下自然径流的变化趋势最明显，SSP1-RCP2.6情景下自然径流的变化趋势最温和。这可能是因为 SSP4-RCP8.5是反映未来气候变化和人类活动最严重的情景，SSP1-RCP2.6是反映未来气候变化和人类活动最温和的情景。

3 小结

基于湖北省1980—2022年的自然径流以及卫星遥感、水利工程、社会经济等数据，构建了多层感知器（MLP）、长短期记忆网络（LSTM）、卷积神经网络（CNN）等多种神经网络模型，分别对长江流域、汉江流域、清江流域的自然径流进行预测和分析，得到以下主要结论。

1）神经网络模型是一种有效的自然径流预测和分析方法，能够揭示自然径流变化与影响因素之间的非线性关系及时空特征，并预测未来的变化趋势及影响因素的权重。本研究比较了MLP、LSTM和CNN三种模型的预测效果，结果显示CNN模型表现最佳，其RMSE和R分别为0.05亿～0.09亿m3和0.88～0.95，优于MLP和LSTM模型，这可能是因为CNN模型能够利用卷积层和池化层提取自然径流的空间特征和时间特征，增强模型的泛化能力和鲁棒性。

2）气候变化和人类活动对自然径流变化的影响不同，且存在明显的区域差异。本研究使用了敏感性分析和重要性排序的方法，计算了各影响因素对自然径流变化的影响程度和权重。结果表明，气候变化是主要影响因素，其中长江流域降水量的权重（0.20）最高，温度的权重（0.19）次之，蒸发量的权重（0.16）最低。这可能是因为降水量是影响自然径流的直接因素，温度则是水文循环的重要因素，蒸发量的影响相对较小。人类活动作为次要影响因素，其中水利工程的权重最高，土地利用的权重次之。这种差异可能源于水利工程对自然径流的直接影响以及土地利用在自然径流中的重要性。不同流域气候变化和人类活动的权重有所差异，其中汉江流域影响因素的权重最高，而清江流域影响因素的权重最低，这可能与汉江流域气候变化和人类活动的干扰程度较高，而清江流域的气候变化和人类活动的干扰程度则相对较低有关。

3）湖北省的自然径流变化在不同流域表现出显著差异，并呈下降趋势。本研究使用交叉验证和模型集成的方法分析了不同流域自然径流变化的区域差异，发现长江流域自然径流的变化较平稳，汉江流域自然径流的变化较波动，清江流域自然径流的变化较陡峭。这可能是因为长江流域的气候条件和水文条件较稳定，汉江流域的气候条件和水文条件较复杂，清江流域的气候条件和水文条件较恶劣。本研究预测了2023—2042年自然径流的变化情况，发现湖北省自然径流在该时间段都呈下降趋势，并且随着气候变化和人类活动的加剧，下降幅度逐渐加大。这一趋势可能源于未来的气候变化和人类活动导致的降水量减少、温度升高、蒸发量增加，再加上水利工程的扩建、土地利用的改变以及社会经济的发展，从而影响自然径流的生成和分配。

参考文献：

［1］ SUDHEER K P， GOSAIN A K， RAMASASTRI K S. A data-driven algorithm for constructing artificial neural network rainfall-runoff models［J］. Hydrological processes， 2010， 16（6）：1325-1330.

［2］ WU C L， CHAU K W. Rainfall-runoff modeling using artificial neural network coupled with singular spectrum analysis［J］.Journal of hydrology， 2011， 399（3-4）：394-409.

［3］ 陈 璐，叶 磊，卢韦伟，等.基于Copula熵的神经网络径流预报模型预报因子选择［J］.水力发电学报，2014，33（6）：25-29.

［4］ 李云良，张 奇，李 淼，等.基于BP神经网络的鄱阳湖水位模拟［J］.长江流域资源与环境，2015，24（2）：233-240.

［5］ 徐 哲，邬玲懿，杨成忠，等.基于BP神经网络的城市污水泵站预测模型［J］.控制工程，2010，17（4）：501-503，508.

［6］ KASHANI M H， GHORBANI M A， DINPASHON V， et al. Integration of Volterra model with artificial neural networks for rainfall-runoff simulation in forested catchment of northern Iran［J］.Journal of hydrology， 2016， 540：340-354.

［7］ 张正浩，张 强，邓晓宇，等.东江流域水利工程对流域地表水文过程影响模拟研究［J］.自然资源学报，2015，30（4）：684-695.

［8］ 湖北省统计局，国家统计局湖北调查总队. 湖北统计年鉴2023［M］. 北京：中国统计出版社，2023.

［9］ YU G Q， ZHANG M S， LI Z B， et al. Piecewise prediction model for watershed-scale erosion and sediment yield of individual rainfall events on the Loess Plateau， China［J］.Hydrological processes， 2015， 28（21）：5322-5336.

［10］ 殷仕明，徐 炜，熊一橙，等.基于迁移学习的长短时记忆神经网络水文模型［J］.水力发电学报， 2022，41（6）：53-64.

［11］ 李继清，王 爽，段志鹏，等.基于ESMD-BP神经网络组合模型的中长期径流预报［J］.应用基础与工程科学学报，2020，28（4）：817-832.

［12］ 徐源浩，邬 强，李常青，等.基于长短时记忆（LSTM）神经网络的黄河中游洪水过程模拟及预报［J］.北京师范大学学报（自然科学版），2020，56（3）：387-393.

［13］ 桂晗亮，张春萍，武治国，等.人工神经网络和SWMM在降雨径流模拟中的应用对比［J］.中国给水排水，2021，37（13）：108-112.

［14］ 何胜男，陈文学，刘 燕，等.基于人工神经网络和粒子群优化的初期雨水调蓄池设计方法研究［J］.水利学报，2020，51（12）：1558-1566.

［15］ 崔东文.多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用［J］.水利水电科技进展，2019，39（4）：41-48，84.

［16］ 郭玉雪，许月萍，陈 浩，等.基于多种递归神经网络的海岛水库径流预报［J］.水力发电学报，2021，40（9）：14-26.

［17］ 胡庆芳，曹士圯，杨辉斌，等.汉江流域安康站日径流预测的LSTM模型初步研究［J］.地理科学进展，2020，39（4）：636-642.

［18］ ZHANG J W， CHEN X H，NUTTALL J. Daily runoff forecasting by deep recursive neural network［J］.Journal of hydrology， 2021， 596（1）：126067.

［19］ LI H， ZHANG C X， CHU W， et al. A process-driven deep learning hydrological model for daily rainfall-runoff simulation［J］.Journal of hydrology， 2024， 637：131434.

［20］ MOHAMMAD E， ELHAM G A.Self-attention （SA） temporal convolutional network （SATCN）-long short-term memory neural network （SATCN-LSTM）： An advanced python code for predicting groundwater level［J］.Environmental science and pollution research， 2023， 30（40）：92903-92921.