人工神經網絡結合SWAT模型在河道徑流量預測中的應用

王福振

(錦州市義縣水利局， 遼寧 錦州 121100)

人工神經網絡結合SWAT模型在河道徑流量預測中的應用

王福振

(錦州市義縣水利局， 遼寧 錦州 121100)

徑流量預測的常用方法具有不確定性大、未考慮大氣變化及人類活動等因素影響的缺點，因此提出人工神經網絡結合SWAT模型的預測方法來對其進行優化。應用該方法對遼寧省哈巴氣水文站的降雨量及徑流量進行模擬，預測結果與實測值吻合度較高，證明了該方法的合理性。此外，應用該方法對該站未來15年的徑流量變化情況進行了預測，為該地區的水資源規劃提供基礎資料。

人工神經網絡； SWAT模型； 徑流量； 預測

1 概 述

河道徑流量的預測是水土保持以及水資源管理與規劃的重要參考標準，也是研究水環境與水生態演變規律的主要指標之一[1]，但其預測卻沒有統一且認可度較高的方法。徑流量的常用預測方法為經驗法與數理統計法，但經驗法不確定性較大，而數理統計法難以考慮到氣候變化以及人類活動的影響[2]。近些年發展起來的水文模擬法可改正以上兩項缺點，且正得到越來越廣泛的應用。目前，國際上最流行的水文模型之一為SWAT模型[3]，它基于實際的物理原理，因此需要對其提供降水量、風速、氣溫等輸入數據[4]。由此可知，輸入數據的預測是河道徑流量預測的基礎，而在所有的基本輸入數據中，降雨量的變化幅度較大且其對徑流量的影響較強，因此是徑流量預測是否成功的關鍵。本文采用人工神經網絡法對降雨量進行預測，該方法可準確考慮到降雨量的內部與外部影響因素，以及這些因素之間的相互關系，因此其預測精確度相對于傳統方法更強[5]。以遼寧省哈巴氣水文站為例，選用該水文站1958—2015年的降雨量及徑流量數據對人工神經網絡模型和SWAT模型進行訓練與驗證，證明將以上兩種模型耦合利用的方法精確度較高。此外，應用該耦合方法對該站點未來15年的徑流量變化情況進行了預測，為該地區的水資源管理提供參考。

2 方 法

2.1 人工神經網絡

人工神經網絡法是一種多元線性回歸分析與建模工具，主要由輸入層、隱藏層和輸出層3層神經元結構構成。本案例中的人工神經網絡分析在NeuroSolution平臺中進行，用于降雨量的預測，為SWAT模擬提供基礎資料。該方法可同時考慮到降雨量的內部與外部影響因素，以及這些因素之間的相互關系，因此其預測能力較強。該系統主要是利用一系列權重系數以及轉移函數來表示神經元之間的非線性特性，首要步驟是將輸入數據與權重系數相乘，其次根據反向傳播算法對其乘積進行相加，最后再根據轉移函數將相加結果轉化為輸出值。輸出神經元的計算過程可表達為[6]

(1)

o=f(net)

(2)

式中netj——凈值；n——輸入神經元數；x——輸入神經元矩陣；w——權重矩陣；b——偏移值矩陣；o——輸出神經元值；f——轉移函數。

轉移函數的表達式為

(3)

因此，輸出神經元也可表示為

(4)

權重系數的確定采用迭代優化法，其目標是使誤差函數取最小值，其思路可表達為

(5)

其中

(6)

式中η——模型學習率;

E——誤差函數：

PT——訓練類型數;

NO——輸出神經元數;

Rpre——預測值;

RM——實測值。

2.2 SWAT模型

SWAT模型是當前國際最為流行的水文模型之一，它基于物理原理，可用于模擬徑流量、蒸散發量、入滲量、營養物質的擴散與遷移等。該模型中水文循環的計算主要基于水量平衡方程，其表達式為

(7)

式中SWt——最終的土壤含水量;

SWo——初始含水量;

t——時間;

Rday——降雨量;

Qsurf——地表徑流量;

Ea——蒸散發量;

wseep——滲流量;

Qgw——回流量。

本案例采用SWAT模型中的ArcSWAT版本，其中主要參數值的確定采用經驗系數法，具體數值如下：土壤有效含水率系數為0.22，河道曼寧系數為0.05，土壤剖面最大根系深度為500mm，土壤水力導水率為460mm/h，徑流延遲系數為4，土壤蒸發補償因子為0.95，地下水遲滯時間系數為50。

2.3 實際案例

以遼寧省哈巴氣水文站資料為例對以上兩種模型進行驗證與應用。該水文站位于遼寧省西部山區大凌河西支主干流、朝陽市凌源市下游約15km處[7]，具有1958年至今的完整水文監測資料。案例研究共分為四步：首先，隨機選取其中40年的降雨量資料對人工神經網絡模型進行訓練；其次，在數據庫中加入未被選用的降雨量資料對模擬結果進行驗證；第三，采用該模型對未來15年內的降雨量進行預測；最后，將預測的降雨量值應用于SWAT模型的模擬中，從而預測出該站點未來15年內的徑流量變化情況。

3 結 果

3.1 降雨量模擬與分析

采用人工神經網絡法對哈巴氣站的降雨量進行分析，首先隨機選取該站點40年的降雨量資料對模型進行訓練，并計算得到該站1955—2015年的平均降雨量時間序列，結果如圖1所示。其中最小值出現于1987年，為284mm；最大值出現于2000年，為768mm。該地區降雨量整體呈下降趨勢，在研究時間區間內的年均降水量下降值約為0.59mm，這說明降雨量的變化是該地區水資源短缺問題日益嚴重的原因之一。

圖1 哈巴氣站1955—2015年平均降雨量

采用加權平均法[8]對降雨量的預測值進行分析，得到各時間段內的多年平均降雨量，并與實測值[9]進行比較，結果見表1。

表1 哈巴氣站多年平均降雨量預測的誤差分析

由表1可知，人工神經網絡的模擬結果誤差值較小，小于10mm標準，其中誤差最大的為7mm，絕對平均誤差值為4.4mm，平均誤差值僅為0.8mm；誤差率均低于5%，其中誤差率最高的為1.52%，絕對平均誤差率為0.90%，而平均誤差率僅為0.13%。以上誤差的產生主要是由于模型輸入量不足，例如在模型訓練中只隨機選擇了40年的降雨量以保證有足夠的剩余數據來對模型進行驗證。但總體而言，該方法的模擬結果十分精確，可用于未來降雨量的預測中。

3.2 徑流量模擬與分析

采用SWAT模型對哈巴氣站的徑流量進行模擬，得到該站1955—2015年的徑流量時間序列，結果如圖2所示。其中最小值出現于1998年，為0.205億m3；最大值出現于1962年，為3.815億m3。

圖2 哈巴氣站1955—2015年徑流量

該地區徑流量呈明顯的下降趨勢，在研究時間區間內的年均徑流量下降值約為0.018億m3，這一方面是由于降雨量下降、蒸發量增加等自然條件的變化，另一方面也是因為工業及城市化發展使該流域的水資源開發量大幅增加。

采用加權平均法對徑流量的預測值進行分析，得到各時間段內的多年平均徑流量，并與實測值[10]進行比較，結果見表2。SWAT模型的預測結果誤差值均小于0.1億m3，其中誤差最大的為0.058億m3，絕對平均誤差值為0.027億m3，平均誤差值僅為-0.025億m3；誤差率均低于5%，其中誤差率最高的為-4.70%，絕對平均誤差率為3.05%，而平均誤差率為-2.93%。以上誤差的產生主要是由于模型參數不完全符合實際情況，例如現實中的河道糙率具有空間變異性，因此采用單一的曼寧系數無法完全精確地表達出河道糙率的具體情況。但該方法的模擬結果已經十分準確，因此可用于對該地區的河道徑流量進行預測。

表2 哈巴氣站年徑流量預測的誤差分析

3.3 徑流量預測與分析

采用以上已經驗證的人工神經網絡模型及SWAT模型對哈巴氣站未來15年內的降雨量及徑流量進行預測，所得結果如圖3所示。根據預測結果可知，降雨量與徑流量的增高與下降趨勢較為相似，說明徑流量與降雨量基本保持正相關關系。在2016—2030年，哈巴氣站的最小降雨量將出現于2028年，為323mm；最大降雨量將出現于2025年，為252mm，總體呈下降趨勢，年均下降值為4.57mm。該站最小徑流量將出現于2018年，為0.289億m3；最大徑流量將出現于2027年，為1.396億m3，總體同樣呈下降趨勢，年均下降值為0.011億m3。

圖3 哈巴氣站未來15年內的降雨量與徑流量預測值

綜上，哈巴氣站的徑流量在未來總體呈下降趨勢，說明該地區水資源短缺壓力將進一步加劇，因此應根據分析結果合理安排水資源開采量，控制工業與城市化建設的速度與規模，并提高用水效率。

4 結 論

采用人工神經網絡結合SWAT模型法對哈巴氣的降雨量與徑流量進行了模擬，證明該方法精確度較高。采用人工神經網絡法對該站未來15年內的降雨量進行了預測，并將該預測值應用于SWAT模擬中，從而預測了該站未來15年內的徑流量變化情況。結果表明，該河道徑流量將呈下降趨勢，年均下降值為0.011億m3，說明該地區水資源短缺狀況將進一步惡化，因此有必要根據該變化趨勢采取合理的防治措施。該方法也可應用于其他地區的徑流量預測中，并為水資源規劃與管理提供基礎資料；此外，也可以根據大量的實測數據對模型中的經驗參數進行修正，從而進一步提高預測精確度。

[1] 唐道來.水利工程建設與生態環境可持續發展的相關性[J].水利技術監督,2015,23(5):36-37.

[2] 陳滋月.氣候變化情景模式對流域水土流失影響的定量分析[J].水利規劃與設計,2016(6):32-35.

[3] 崔杰石.基于SWAT模型的湯河流域面源污染時空分布研究[J].水利規劃與設計,2016(2),4-6.

[4] 徐飛.沈陽地區水資源短缺原因分析及對策研究[J].水資源開發與管理，2015(1)：24-26.

[5] 李純良,李銳.基于一種新型人工神經網絡的水流挾沙力模型研究[J].水利規劃與設計,2009(1): 22-24.

[6] Akiner,M.E.,Akkoyunlu, A.Modeling and forecasting river flow rate from the Melen Watershed,Turkey[J].Journal of hydrology,2012(456):121-129.

[7] 段佩華.朝陽市哈巴氣水文站以上流域的水源分析[J].現代農業科技,2013(4):195-195.

[8] 汪躍軍.淮河干流蚌埠水文站年徑流系列多時間尺度分析[J].水利技術監督,2007,15(1):37-40.

[9] 李曉光,李菲.朝陽地區多年降雨特性分析[J].水土保持應用技術,2016(2):21.

[10] 董婷婷.遼寧省市際以上界河信息調查與成果分析[J].中國水能及電氣化,2016(5):30-32.

Application of artificial neural network combined SWAT model in prediction of river channel runoff volume

WANG Fuzhen

(JinzhouYixianWaterConservancyBureau,Jinzhou121100,China)

Common methods of runoff volume prediction has defects of large uncertainty, none consideration of climate change and influence of human activities and similar factors. Therefore, the method is optimized through the prediction method of artificial neural network combined with SWAT model. The method is applied to stimulating the precipitation and runoff volume in Liaoning Habaqi Hydrological Station. The prediction results are highly fit with measured value. The rationality of the method is proved. In addition, the method is applied for predicting the runoff volume change condition of the station within 15 years in the future, thereby providing basic information for water resources planning in the area.

artificial neural network; SWAT model; runoff volume; prediction

10.16616/j.cnki.10-1326/TV.2017.08.019

TV214

A

2096-0131(2017)08- 0067- 04