尤金国

（河北省唐山水文水资源勘测局，河北唐山063000）

沙河径流量、输沙量变化影响因素探析

尤金国

（河北省唐山水文水资源勘测局，河北唐山063000）

通过分析沙河水平口实测水文资料，得出沙河流域径流量、输沙量整体呈减小趋势，将流域产水、产沙分为3个不同时段。根据水量平衡原理及产沙机制，在分析影响沙河水沙变化几个主要因素的基础上，建立BP人工网络模型分析相关因素对径流、泥沙在不同时期的影响程度。

水利水保工程；径流量；输沙量

1 前言

近年来，伴随着经济快速发展，各类矿产资源大量开采，导致土壤侵蚀加剧，增加了流域水土流失，环境和植被遭到了一定程度破坏。为了践行科学发展观和实现本地区的经济和生态环境的和谐发展，各级政府及有关部门对水利、水土保持工作越来越重视，按照“治山治水相结合、工程措施与生态措施相配套、经济林与生态林相搭配”的思路，狠抓水土保持生态建设，提高水土流失治理水平。

笔者通过分析沙河流域实测水文资料，结合水利水保工程建设前后的水文要素变化研究，得出沙河水利水保工程发挥的作用，为以后水保工作改进提供可参考的基础数据和理论依据，为涵养水资源及水资源可持续利用打好基础，为保障经济社会可持续发展提供技术支撑。

2 流域概况

沙河属蓟运河水系，源于河北省承德市兴隆县大青山，流域面积866 km2（其中，兴隆县298 km2，遵化市568 km2）。该河沿程接纳老爪河、清水河、冷咀头河、北岭河、魏进河、马兰河等大小支流，构成较典型的扇状水系。该河呈现季节性河流特征，上半支在汛期外基本呈断流状态，下半支常年有水。该河上游有2座中型水库（上官水库、般若院水库）和1座小（1）型水库（大河局水库），3座水库总控制面积为305 km2，占总流域面积的35.2%。该河干流自遵化市东北斜贯西南直入于桥水库，占水库总流域面积的42.0%，为于桥水库3条支流（淋河、沙河、黎河）中流域面积最大、水源最为丰富的支流。该河下游设有水平口水文站，控制面积799 km2，占沙河总流域面积的92.3%[1]，为沙河控制站。

3 水文特征值演变趋势分析

3.1 降雨量变化趋势分析

本流域洪水、泥沙主要由汛期暴雨形成，故选取年降水量、汛期（6—9月）降水量、连续最大3 d、最大1 d降水量来分析沙河流域降水量变化趋势［2］。选取沙河流域6处雨量站1956—2010年资料系列分析流域年均降水量及汛期平均降水量变化趋势，选取遵化站1956—2010年最大1 d、最大3 d降水资料分析暴雨变化趋势，并点绘逐年雨量特征参数图。由图1可知，沙河流域逐年降雨量特征参数整体呈减少趋势。

图1 沙河流域逐年降雨量参数变化

分析不同年代降水量变化趋势，分不同的时间段统计降水量参数，见表1。由表1可以看出，流域降雨量20世纪80年代之前持续减小，20世纪90年代有所增加，2000年后又减少；20世纪70年代前后呈现明显变化，20世纪70年代之前明显大于20世纪70年代之后，且20世纪70年代之前都高于多年平均值；最大值为20世纪50年代，其中2000—2009年各参数较20世纪50年代分别下降了31.0%、42.5%、55.9%、54.8%，较整个系列平均值分别下降了17.5%、25.4%、32.1%、29.5%。由此可以看出，近10年沙河流域降雨量减少较大，成为整个系列的最小值，是整个研究系列的最枯时段。

表1 沙河流域年代降雨量参数统计mm

3.2 径流量变化趋势分析

统计沙河流域水平口站1961—2010年实测年径流量资料，点绘逐年径流量过程线，从中可以看出流域径流量整体呈明显减少趋势，如图2所示。结合流域年均降雨量资料，点绘年降雨量、年径流量双累积曲线，如图3所示，确定产流变化转折点［3］。由图3可以确定，流域年降雨量、径流量变化分3个不同阶段，即1961—1979、1980—1998、1999—2010年。根据3个阶段的资料点绘降雨、径流深关系图，如图4所示。由图4可以看出，随着时间的推移，相同级别的降水量在3个不同阶段产生的径流深越来越小。

图2 水平口站逐年实测径流量过程线

图3 水平口站年降雨量、年径流量双累积曲线

图4 水平口站年降雨、年径流关系

3.3 悬移质输沙量变化趋势分析

输沙量变化影响因素较多，主要有流域自然地理特征影响、降雨特性的影响、河道外形的影响及其他影响［4］。对于同一流域，影响因素主要是流域植被情况、降雨强度、水工建筑物运用、河道整治及水保措施等影响。

统计沙河流域水平口站1961—2010年实测年输沙量资料，点绘逐年输沙量过程线，结合年径流量过程线可以得出年输沙量变化与年径流量非常相似，呈现大水大沙、小水小沙或小水无沙情况，如图5所示。

图5 水平口站年径流、年输沙量过程线

图6 水平口站累积年径流量、累积年输沙量关系

年径流量和年输沙量的双累积曲线为检验2个参数间关系一致性及其变化的常用方法。如果该站水沙关系不变，双累积曲线应呈线性增加；如果水流输沙能力突然增大或减少，则双累积曲线将出现向下或向上的拐点。年径流量、年输沙量双累积曲线能很好地显示径流和泥沙的这种变化，与流域内水库兴建和植被情况及水保工程情况相互印证，就能分析得出一个可信的结论，如图6所示。由图5可以看出，水平口站发生转折的年份为1979、1999年。1970年开始修建水库直到1979年3座中小型水库竣工，水库截留大量泥沙；2000年以后降雨小，水窖增加，工业用水量增加，泥沙也相应减少。

3.4 次雨洪过程特征值分析

由于受人力和时间等多种因素的限制，大面积、长历时的宏观研究相对容易，但在此基础上再进行深层次和机理性的研究就明显困难。由于众多随机因素的存在，暴雨的时间分布和空间分布每一次都不同，再加上下垫面也存在时季差异，因此尽可能地划分小空间单元和时间长度，才可能使所研究问题的主要矛盾得以突显。要研究对场次洪水、泥沙的影响因素，其场次洪水对应的暴雨、洪水、泥沙资料的处理尤为关键［5］。

根据实测资料，选取前期影响雨量与本次降水之和比较接近的场次，计算该场降水的洪水总量及输沙量，对比前面分析的3个不同产水、产沙时段各水文特征参数的变化，见表2。由表2可知，随着年代的推移，降雨影响因素相近（降雨量、降雨强度及暴雨中心）情况下，流域径流量、洪峰流量、最大含沙量及输沙量呈减小趋势；由于水利水保工程的逐步完善及植被率的提高，相同量级的暴雨产生的洪水总量减小，汇流历时加长。

表2 沙河流域水平口站场次洪水特征参数统计

4 流域治理及水利水保工程情况

水平口水文控制站以上流域建有中型水库2座，小（1）型水库1座，塘坝5处，拦河坝、蓄水闸、橡胶坝6处，机井7 728眼（其中，灌溉机井7 327眼，城镇工业154眼，人饮机井238眼，城镇供水9眼）；建成库井灌区2个，总灌溉面积2.406万hm2，节水灌溉面积达1.662万hm2；打水窖2 979个，总容积6.01万m3。

流域内有过2次小流域治理。其中，一次是1991年曹家堡20.1km2小流域治理，水土流失面积16.2 km2，完成治理面积16.17 km2，通过整修梯田、坝地建设和采取造林和经济林建设等配套措施，林草覆盖率98%，拦沙效益达到79.6%；一次是1993年侯家寨58.66 km2小流域治理，水土流失面积29.62 km2，完成治理面积28.35 km2，通过整修梯田、坝地建设和采取造林和经济林建设等配套措施，林草覆盖率82%，拦沙效益达到86%。

5 径流量及泥沙影响因素分析

5.1 分析方法

人工神经网络（Artificial Neural Networks）是一种由大量简单的人工神经元广泛连接而成的，用以模仿人脑神经网络的复杂网络系统［6］。人工网络具有高维性、并行分布处理性、自适应性、自组织、自学习等优良特性，为一些传统方法所难以解决的问题提供了一条新途径，已在人工智能、模式识别、自动控制和信息处理等领域取得了显著的应用效果。

BP（Back Propagation）算法是人工神经网络中最重要的一种学习算法，其应用最为广泛。BP神经网络是一个包含输入层、隐含层和输出层的多层网络，上下层之间各个神经元之间实现全连接，即下层的每个单元都实现权连接，而每层各神经元之间无连接。人工神经网络BP模型实际上是对一组样本逐个进行输入、输出计算，求出各连接权值和阈值修正量，接着计算出修正后的连接权值和阈值，反过来再重复进行各节点输入、输出计算的一个循环训练过程。BP算法从本质上讲是把一组样本的输入输出问题变为一个非线性优化问题，它使用了优化技术中最普通的一种梯度下降算法，用迭代运算求解权值相当于学习记忆问题。人工神经网络BP模型结构，如图7所示。

图7 人工神经网络BP模型结构

根据预测要素和网络结构特点，节点作用选择对数-S形（Sigmoid）函数，表达式为：

模型采用Excel平台运用VBA编程来实现计算。微软Excel表格工具有着强大的计算功能，我们可以把已知的样本数据、模型参数定位赋值到单元格中，然后利用Excel内置函数将单元格和人工神经网络BP模型计算公式定位连接起来，建立能够进行一次性运算的人工神经网络计算模板，最后运用VBA代码进行迭代赋值，从而实现多次运算。

建立神经网络学习算法的目的是确定评价指标的权重，而神经网络训练得到的结果只是各神经网络神经元之间的关系，想要得到输入因素相对于输出因素之间的真实关系，也就是输入因素对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理。为此，利用以下几项指标来描述输入因素和输出因素之间的关系。

相关显著性系数为：

相关指数为：

绝对影响系数为：

上述公式中：i为神经网络输入单元，i=1，…，m；j为神经网络输出单元，j=1，…，n；k为神经网络的隐含单元，k=1，…，p；ωjk为输入层神经元i和隐含层神经元k之间的权系数；ωjk为输入层神经元j和隐含层神经元k之间的权系数。绝对影响系数S就是评价因素的权重［7］。

5.2 对径流量影响因素分析

分析水平口水文站资料，选取年降水量、地下水埋深、植被覆盖率、人类工农业用水4个指标作为输入层输入因子来进行拟合计算。根据本站及属站资料计算出流域平均年降水量，其他数据来自统计资料。为了确定不同时期相关因素对径流的影响程度，按照前节径流分析结果参照转折点将水平口水文站径流系列分为3段：1961—1979、1980—1998、1999—2010年。

经过对1961—1979年段径流及雨量对比分析，可见当时的径流主要受降水量影响，年径流变化趋势与年降水量变化趋势一致。其中，最大年1964年年降水量1 124.6mm，年径流为4.099×108m3；1961年年降水量550.5mm，年径流仅为0.801 1×108m3。

1980—1998、1999—2010年段，由于流域内建设了水利工程及水保工程，降水量就不是径流量影响的单一因素，这里采用人工神经网络BP模型进行拟合计算，计算结果及权重分析结果见表3-4。

根据以上计算结果，1980—1998年段地下水埋深和工农业用水2项指标共占权重0.507，1999一2010年段工农业用水1个指标就占权重0.393 6，加地下水埋深权重合占0.621 6。可见，由于建设了水利工程、水保工程，工农业用水大大增加，人类活动用水已成为影响径流的主要因素。

5.3 对沙量影响因素分析

影响产沙的因素很多，实际计算中考虑因素过多模拟是十分困难的。根据本次计算的实际情况，确定将最大1 d降水量、植被覆盖率、水土保持治理面积、水利工程控制面积4个指标作为输入层输入因子来进行拟合计算，通过模型计算得4个指标对输沙量影响权重。依据2005年前系列，利用模型预测2006—2010年在没有水利水保工程影响情况的输沙量，从而得出水利水保工程对流域沙量减少起到的作用。

表3 水平口站1980—1998年段人工神经网络BP模型权值及阈值计算结果

表4 水平口站1999—2010年段人工神经网络BP模型权值及阈值计算结果

由于本流域多为暴雨性洪水，暴雨对河道输沙量影响巨大，故选取最大1 d降雨量作为分析本流域洪水特征值的影响因子。次洪对应最大1 d降雨量雨强的大小决定了降水的产流方式是超渗产流还是蓄满产流，当为超渗产流时携带的地表泥沙更多地进入河道，从而加大河道输沙量。

选取水平口水文站1961—2010年输沙量系列，将最大1 d降水量、植被覆盖率、水土保持治理面积、水利工程控制面积4个指标作为输入层输入因子来进行拟合计算，得出水利工程控制面积对输沙量影响权重最大，达到36.7%；其次为水土保持治理面积，为25.2%。经模型预测2006—2010年输沙量，水利水保工程对减少泥沙量起到了重要作用，实测沙量仅为无水利水保工程时预测沙的的7.4%，详见表5。

6 结论及建议

（1）1961—1979年段径流主要受降水量影响，年径流变化趋势与年降水量变化趋势一致。其中，最大年1964年年降水量1 124.6 mm，年径流为4.099×108m3；1961年年降水量550.5mm，年径流仅为0.801 1×108m3。

1980—1998、1999—2010年段，由于流域内建设了水利工程及水保工程，增加了土壤含蓄水能力，改变了流域产汇流历时。水利水保工程对径流量的影响日益明显，尤其在1980年后的30年间尤为显著。降水量已经不是径流量影响的单一因素。1980—1998年段地下水埋深和工农业用水2项指标共占权重0.507，1999—2010年段工农业用水1个指标占权重0.393 6，加地下水埋深权重合占0.621 6。可见，由于建设了水利工程、水保工程，工农业用水大大增加，人类活动用水已成为影响径流的一个主要因素。

（2）依据2005年前系列，利用模型预测2006—2010年在没有水利水保工程影响情况的输沙量，从而得出水利水保工程对流域沙量减少起到的作用。

由于本流域多为暴雨性洪水，暴雨对河道输沙量影响巨大，故选取最大1 d降雨量作为分析本流域洪水特征值的影响因子。次洪对应最大1 d降雨量雨强的大小决定了降水的产流方式是超渗产流还是蓄满产流，当为超渗产流时携带的地表泥沙更多地进入河道，从而加大河道输沙量。

1961—2010年段水利工程控制面积对输沙量影响权重最大，达到36.7%；其次为水土保持治理面积，为25.2%。经模型预测2006—2010年输沙量，水利水保工程对减少泥沙量起到了重要作用，实测沙量仅为无水利水保工程时预测沙的的7.4%。

建议充分利用现有的水利水保工程，发挥现有工程的最大效益。相关部门继续加强水利水保工程建设，提高流域水资源涵养能力。虽然水利水保工程对减少水土流失及增加地下水储量起到了积极作用，但通过地下水水位井监测数据分析，并没有提高地下水储量［8］。这就要求各级政府在进行水土保持工作的同时，加强对地下水开采监督工作，多开发利用地表水，控制地下水开采。同时，加强尾矿排放管理，做好铁选厂尾矿水保措施，严防尾矿砂在河道中发生淤积，影响行洪安全。

表5 水平口站人工神经网络BP模型权值及预测计算结果

［1］刘玉伟.于桥水库入库水量变化趋势分析[J].水资源保护，2009，（5）：54-57.

［2］杨诚芳.地表水资源与水文分析［M］.北京：水利水电出版社，1992：230-265.

［3］冉大川，刘斌，付良勇，等.双累积曲线计算水土保持减水减沙效益方法探讨[J].人民黄河，1996，（6）：21-24.

［4］徐建华，李晓宇，陈建军，等.黄河中游河口镇至龙门区间水利水保工程对暴雨洪水泥沙影响研究［M］.郑州：黄河水利出版社，2009：162-180.

［5］芮孝芳.关于降雨产流机制的几个问题的讨论[J].水利学报，1996，（9）：22-26.

［6］邹文安，刘文博，王凤.人工神经网络模型在枯季径流量预测中的应用[J].水资源研究，2008，（3）：45-47.

［7］孙会君，王新年.应用人工神经网络确定评价指标的权重[J].山东科技大学学报，2001，（3）：84-86.

［8］赵宏亮，李志军.唐山市平原区浅层地下水动态及趋势预测［J］.河北煤炭，2009，（2）：36-39.

Exp loreand Analysison Effect Factor of Shahe Runoff and Sediment Discharge Change

YOU Jin-guo
（Hydrology andWater ResourcesSurvey Bureau of Tangshan in HebeiProvince，Tangshan 063000，China）

Through analyzing hydrologic data observed at Shuipingkou station，the rainfall and sediment discharge decreased in Shahebasin.Water production and sedimentyield in thebasin can be divided into3 differentperiods.With principle ofwater balance and themechanism for sediment yield，combining implementing situation ofwater-soil conservation project，the BP artificial neural network established to analyzing the influence degree of runoff and sediment at different stagesby related factors.

water-soilconservation project；runoff；sedimentdischarge

TV121；TV143

A

1004-7328（2014）03-0044-06

10.3969/j.issn.1004-7328.2014.03.017

2014-01-13

尤金国（1957-），男，高级工程师，主要从事水文水资源及水环境研究工作。