圖們江干流流域氣候因素對徑流影響變化分析

孫凡博　余鳳　趙春子

摘要 以圖們江干流1960—2016年的氣象數(shù)據和徑流數(shù)據為基礎，運用線性趨勢法、Mann-Kendall突變檢驗、冗余分析、灰色關聯(lián)度分析、多元回歸分析和BP神經網絡分析等方法，對圖們江干流的各個氣候因子和徑流變化及特征進行分析，并對徑流模擬預測。結果表明，在研究年份中，秋、冬季平均氣溫和春季降水量上升最為明顯。春季蒸發(fā)量、春季日照時數(shù)、夏季降水、夏季相對濕度、夏季和冬季平均徑流以及各季節(jié)平均風速均呈明顯的下降趨勢，而徑流量、相對濕度、日照時數(shù)分別在1973、1975、1978年附近出現(xiàn)由多到少的變化，氣溫則在1987年前后出現(xiàn)由冷變暖的轉變;夏季降水量、春季風速、秋季相對濕度對徑流變化的影響最為顯著;多元回歸模型模擬值在1960、1962、1963—1966和1975—1983年數(shù)值差異較大，且模擬值與實測值存在一定差異，而BP神經網絡徑流模擬曲線與實測值曲線幾乎吻合。

關鍵詞 圖們江干流流域;氣候因素;徑流量;變化特征

中圖分類號 P467文獻標識碼 A

文章編號 0517-6611（2019）21-0001-04

doi：10.3969/j.issn.0517-6611.2019.21.001

開放科學（資源服務）標識碼（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 國家自然科學基金項目（41361015）;吉林省教育廳“十二五”科學技術研究項目（吉教科合字〔2015〕第35號）。

作者簡介 孫凡博（1995—），女，吉林長春人，碩士研究生，研究方向：水文水資源。 通信作者，副教授，碩士，碩士生導師，從事水文水資源研究。

收稿日期 2019-07-25

圖們江是中朝俄界河，圖們江流域是延邊朝鮮族自治州（以下簡稱延邊州）內最大的水系。近年來，隨著流域經濟的發(fā)展，大量的耕地和建設用地的開墾也破壞了水資源生態(tài)系統(tǒng)，導致了水資源開發(fā)利用的問題。因此，對圖們江流域水資源進行分析，并探討流域內的氣候因子與徑流量之間的相互關系，可以為區(qū)域水資源的合理利用和規(guī)劃提供理論依據。筆者以圖們江干流為研究對象，分析1960—2016年圖們江干流徑流變化及其與氣象要素的關系，以期為延邊州水資源的合理開發(fā)利用提供參考。

1 資料與方法

1.1 研究區(qū)域概況

圖們江地處我國吉林省東部，流域總面積約為42 700 km2。河流發(fā)源于長白山，最終注入日本海。流域處在溫帶大陸性季風氣候區(qū)，夏季高溫多雨，冬季寒冷干燥，受地形與海拔的影響，各氣候要素在垂直方向上變化顯著[1]。流域地貌多為中山低山，山間谷地較為狹窄。圖們江流域森林資源豐富，坡度較低的丘陵地區(qū)已被開墾，耕地和荒地水土流失嚴重[2]。

1.2 數(shù)據來源

所有數(shù)據來源于延邊朝鮮族自治州氣象局和水文水資源局提供的1960—2016年氣候因子和徑流量的數(shù)據，包括月溫、降水、蒸發(fā)、日照、相對濕度、風速等。

1.3 分析方法

1.3.1 線性趨勢法。

采用線性趨勢法分析氣候因子和徑流量的季節(jié)變化特征。在時間序列中，以時間為自變量、氣候因子為因變量，建立二者之間的線性回歸方程：

y′（t）=b0+b1t（1）

b0=dy′（t）dt（2）

b1=ni=1（yi-）（ti-）ni=1（ti-）2（3）

其中，t表示時間，y表示氣象因子或水文變量。b1表示要素的變化傾向率，表明氣象因子或水文要素隨時間而上升或下降的變化趨勢，當b1>0時，要素隨時間的變化呈現(xiàn)上升趨勢，當b1<0時，要素隨時間的變化呈現(xiàn)下降趨勢，而b1的絕對值大小表示上升或下降趨勢的程度[3-4]。

1.3.2 Mann-Kendall突變檢驗法。

采用Mann-Kendall突變檢驗法分析各氣候因子的突變時間及其與徑流的突變關聯(lián)性。其公式如下：

dk=ki=1mi（2≤k≤n） （4）

新建序列d2，…，dn的均值和方差可記為：

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曲線圖，如果UFk<0或UBk<0，則要素值隨時間的變化呈現(xiàn)下降趨勢;若UFk>0或UBk>0，則要素值隨時間的變化呈現(xiàn)上升趨勢。若UFk線和UBk線超過±1.96臨界線，則變化趨勢非常明顯，且超出的范圍代表突變范圍。當UFk線和UBk線在±1.96臨界線上有交點時，則交點時間代表序列的突變時間[5-6]。

1.3.3 冗余分析。

將氣候因子與徑流的相關性進行冗余分析，結果可知各自變量對因變量變化的貢獻率，結果圖是對各自變量與因變量相關性大小的描述，它是處理隨機變量之間關系的有效方法[7-8]。

1.3.4 灰色關聯(lián)度分析。

基于冗余分析的結果，對主要影響徑流的氣候因子進行灰色關聯(lián)分析，得出各氣候因子的關聯(lián)序。

為了獲得關聯(lián)度量化模型，首先將原始氣候因子和徑流數(shù)據標準化;其次，計算關聯(lián)系數(shù)ξ0i（k），用公式表示為：

ξ0i（k）=（Δmin+ρΔmax）/（Δ0i（k）+ρΔmax）（9）

其中，所有序列的每個時刻絕對差的最小值為Δmin，Δmax代表最大值，Δ0i（k）表示k時刻2個比較序列之間的絕對值差，分辨系數(shù)范圍為ρ∈（0，1），通常情況下取0.5～1.0;然后，計算出2個比較序列中所有關聯(lián)系數(shù)的平均值，并獲得序列的關聯(lián)度，公式如下：

R0i=1nnk=1ξ0i（k）（10）

其中，R0i是子序列i和母序列0這2個序列間的關聯(lián)度，n為序列長度。

最后，對關聯(lián)度進行排序獲得關聯(lián)序。關聯(lián)序的排列順序反映了各子序列與母序列的緊密程度[9-10]。

1.3.5 多元回歸分析。

根據冗余分析和灰色關聯(lián)分析結果，將影響徑流的氣候因子作為輸入條件，建立多元回歸模型計算徑流模擬值，并與實測徑流進行對比。自變量與因變量的定量關系由數(shù)學公式表示為多元線性回歸模型[11]。多元線性回歸方程可以表示為：

y=b0+b1x1+b2x2+…+bkxk（11）

47卷21期 孫凡博等 圖們江干流流域氣候因素對徑流影響變化分析

1.3.6 BP神經網絡模型。

基于BP神經網絡模型，利用對徑流影響顯著的氣候因子作為輸入條件模擬圖們江干流57年徑流量，并與多元回歸分析結果進行比較[12-13]。

2 結果與分析

2.1 氣候因子與徑流量變化趨勢分析

由式（1）計算得到氣候因子與徑流量變化參數(shù)的季節(jié)變化，結果如表1所示。在研究年份中，夏季多年平均氣溫最高，為19.76 ℃，冬季平均氣溫最低，為-11.36 ℃;在各季節(jié)中，冬季的平均氣溫上升最明顯，傾向率為0.032 ℃/10 a，其次是秋季，傾向率為0.021 ℃/10 a，溫度顯著上升。在降水量變化中，夏季多年平均降水量最高，為112.73 mm，但下降趨勢明顯，傾向率為-0.172 mm/10 a，其他季節(jié)降水量都呈現(xiàn)增多趨勢，春季降水量上升趨勢最明顯，傾向率為0.240 mm/10 a，因此應預防春澇現(xiàn)象出現(xiàn)，以便春耕工作的開展。

圖們江干流各季平均蒸發(fā)量中，夏季平均蒸發(fā)量最高，為441.84 mm，其次是春季，為436.45 mm，冬季最少，為9514 mm，各季平均蒸發(fā)量均存在下降趨勢，春季下降趨勢最顯著，傾向率為-2.394 mm/10 a。日照時數(shù)方面，春季平均日照時數(shù)最多，為664.87 h，但下降趨勢顯著，傾向率為-1.626 h/10 a，夏季、秋季和冬季日照時數(shù)接近，其中冬季日照時數(shù)最少，為525.44 h，夏季日照時數(shù)稍有下降，秋、冬季節(jié)平均日照時數(shù)雖有下降，但未通過檢驗。

圖們江干流流域相對濕度均大于55%，夏季相對濕度最大，為78.46%，其次是秋季，為66.35%，春季和冬季相對濕度接近，春季的相對濕度最小，為55.78%。根據各季相對濕度傾向率可知，夏季相對濕度下降的趨勢最顯著，為-0.044%/10 a，其他季節(jié)的變化趨勢不明顯。全年風速變化均呈現(xiàn)顯著的下降趨勢，其中春季風速最大，為2.93 m/s，其次是冬季和秋季，平均風速分別為2.67、2.16 m/s，夏季風速最小，為1.99 m/s。從徑流量變化來看，夏季徑流量最大，為7206×108 m3，其次是秋季和春季，分別為35.27×108、24.61×108 m3，冬季徑流量最小，為4.96×108 m3，夏季平均徑流量下降趨勢顯著，傾向率為-0.878 m3/10 a。

分別對圖們江干流流域57年來各氣候因子及徑流量的平均值和標準差進行M-K突變檢驗，結果表明，在研究年限中，徑流量、相對濕度、日照時數(shù)分別在1973、1975、1978年附近出現(xiàn)由多到少的變化，氣溫則在1987年前后出現(xiàn)由冷變暖的轉變;降水量與徑流量的變化趨勢幾乎相同;相對濕度和徑流量變化趨勢基本一致;日照時數(shù)和風速與徑流量的變化趨勢同步性不明顯。

2.2 氣候因子與徑流量的相關性分析

基于SPSS軟件，對氣溫、降水量、蒸發(fā)量、日照時數(shù)、相對濕度、風速及徑流量進行相關分析，計算各因子與徑流量季節(jié)和年際相關系數(shù)之間的關系[14-15]，結果如表2所示。

由表2可知，徑流量與降水量、相對濕度和風速均呈顯著的正相關，與氣溫呈顯著的負相關，相關系數(shù)分別為0.62、0.50、0.33、-0.46。其中，徑流量與夏季降水量、相對濕度和秋季風速相關性較大，相關系數(shù)分別為0.63、0.42和0.37。因此，氣溫、降水量、相對濕度和風速的季節(jié)和年際變化對圖們江干流徑流變化有顯著影響。

根據表1，對氣候因子與徑流量年際變化進行冗余分析，結果表明，研究區(qū)降水量和相對濕度與徑流量呈顯著正相關，是影響圖們江干流徑流變化的主要因素;氣溫與徑流量呈負相關，對徑流有顯著影響;風速與徑流量呈正相關，對徑流影響較大;蒸發(fā)量與徑流量呈負相關，對徑流的影響較小。

基于以上分析選取降水量、氣溫、相對濕度和風速4個氣候因子來研究圖們江干流徑流量與各個氣候因子的關聯(lián)度。用數(shù)據標準差標準化方法將1960—2016年圖們江干流的氣溫及降水數(shù)據進行轉換，并根據公式（9）進行計算，得到圖們江干流徑流與各氣候因子的關聯(lián)系數(shù)。

通過公式（10）計算年徑流量與各氣候因子的關聯(lián)度，其結果為R1（年均溫）=0.670、R2（春季氣溫）=0.646、R3（夏季降水量）=0.772、R4（年降水量）=0.768、R5（年相對濕度）=0.686、R6（秋季相對濕度）=0.728、R7（年風速）=0.727、R8（春季風速）=0.729、R9（秋季風速）=0.721，由此得到關聯(lián)序R3>R4>R8>R6>R7>R9>R5>R1>R2。結果表明，圖們江干流降水因子對徑流影響最大，其次為濕度因子和風速因子，氣溫因子對徑流影響相對較小。其中，降水因子中的夏季降水量、風速因子中的春季風速以及濕度因子中的秋季相對濕度對徑流變化影響最大。

2.3 氣候因子與徑流模擬研究

2.3.1 多元回歸模擬。

根據氣候因子與徑流的相關性分析結果，可知氣溫、降水量、相對濕度和風速是影響圖們江干流徑流變化的主要因素。

采用多元線性回歸模型，對氣候因子與徑流的關系進行定量分析，結果表明，回歸方程的回歸系數(shù)為0.797，通過0.01的顯著水平檢驗，表明該模型有較好的代表性，4個因子與徑流量之間存在顯著的線性回歸關系，4個因子對徑流在總體上有顯著影響。根據分析結果，得出回歸模型方程為：

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

其中，W為徑流量（×108 m3），P為降水量（mm），T為平均氣溫（℃），φ為相對濕度（%），v為風速（m/s）。

方程中降水量、相對濕度和風速的回歸系數(shù)分別為0070、0.934和10.429，表明降水量、相對濕度和風速與徑流量呈正相關關系，氣溫的回歸系數(shù)為-5.088，表明氣溫與徑流量呈負相關關系，與相關性分析結果一致。

運用式（12）計算，獲得圖們江干流的徑流模擬值，將模擬值與實測值進行比較，結果如圖1所示，模擬值在1960、1962、1963—1966和1975—1983年數(shù)值差異較大，與實測值存在一定差異。

2.3.2 BP神經網絡模擬。

用氣溫、降水量、相對濕度和風速4個氣候因子作為輸入層，并將1960—2000年徑流數(shù)據作為建模樣本，且用2001—2016年徑流數(shù)據作為BP神經網絡建模的預測樣本進行建模，結果顯示，模型的回歸系數(shù)為0896，表明BP神經網絡的模擬效果好。將BP神經網絡計算的模擬值與實測值進行比較（圖2），發(fā)現(xiàn)流域年徑流量模擬曲線與實測值曲線基本一致。

氣候因子和徑流模擬的研究結果顯示，多元回歸分析和BP神經網絡分析的模擬效果都較好，但是BP神經網絡分析的模擬精度明顯高于多元回歸分析，并更適用于圖們江干流的徑流模擬及預測。

3 結論與討論

（1）1960—2016年圖們江干流氣溫變化呈顯著上升趨勢，年變化趨勢較小;降水量變化總體較穩(wěn)定，略有增多趨勢，冬季降水年變化幅度最大;蒸發(fā)量、日照時數(shù)、相對濕度和風速總體波動減弱，但年際變化幅度較小;徑流量總體呈波動下降趨勢，秋季徑流量年變化幅度最大。氣溫、蒸發(fā)量與徑流量的變化趨勢相反，降水量和相對濕度與徑流量的周期變化基本一致，日照時數(shù)和風速與徑流量的變化趨勢同步性不明顯。圖們江干流氣溫、日照時數(shù)、相對濕度以及徑流量的突變分別發(fā)生在1987、1978、1975和1973年，而風速、降水量和蒸發(fā)量沒有發(fā)生突變。

（2）相關因素分析表明，在研究年限中，圖們江干流徑流量與夏季降水量、相對濕度、秋季風速、秋季相對濕度、春季風速和春季氣溫呈顯著相關關系，與蒸發(fā)量和日照時數(shù)沒有明顯的

相關性;圖們江干流降水因子對徑流量影響最大，其次為濕度因子和風速因子，氣溫因子對徑流量影響較小。而夏季降水量、春季風速、秋季相對濕度對徑流量變化的影響最大。就氣溫而言，年均氣溫對徑流量的影響大于春季氣溫。

（3）徑流模擬結果表明，以氣溫、降水量、相對濕度和風速4個因子為自變量的多元回歸模型的回歸系數(shù)為0.797，并通過0.01的顯著水平檢驗，表明該模型有較好的代表性。多元回歸模型擬合值變化曲線近似地反映了圖們江干流徑流實測值的變化趨勢，其中模擬值在1960、1962、1963—1966和1975—1983年數(shù)值差異較大，模擬值與實測值存在一定差異;BP神經網絡回歸系數(shù)為0.896，徑流量模擬曲線與實測值曲線基本一致。

氣候變化過程十分復雜，影響徑流量變化的氣候因素較多。通過回歸分析插值法對該研究中部分缺失的氣象數(shù)據和水文數(shù)據進行補充，研究結果可能存在一些人為誤差。因此，該研究僅分析了圖們江干流氣候因素的變化。在今后的研究中，還應分別對圖們江干流上中下游氣候因素與徑流的關系做更細化的分析。

參考文獻

[1] 余鳳.氣候變化對圖們江干流徑流變化影響研究[D].延吉：延邊大學，2018.

[2] 馮婧.氣候變化對黑河流域水資源系統(tǒng)的影響及綜合應對[D].上海：東華大學，2014.

[3] 賀偉，布仁倉，熊在平，等.1961—2005年東北地區(qū)氣溫和降水變化趨勢[J].生態(tài)學報，2013，33（2）：519-531.

[4] 吉林省地方志編纂委員會.吉林省志：自然地理志[M].長春：吉林人民出版社，1996.

[5] 張躍華.嘉陵江流域徑流量變化規(guī)律及其對氣候變化的響應[D].重慶：西南大學，2012.

[6] 繆馳遠，魏欣，孫雷，等.嫩江、哈爾濱兩地48年來夏季降雨特征分析[J].資源科學，2007，29（6）：25-31.

[7] 馮明.氣候變化對水文水資源的影響研究[D].武漢：武漢大學，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，胡卓瑋，王志恒.基于灰色關聯(lián)度的氣象因子與雪災災情相關性分析[J].安徽農業(yè)科學，2015，43（7）：99-103.

[11] 朱金峰，梁忠民，湯曉芳.湖南省農村水資源保護現(xiàn)狀評價與趨勢預測[J].南水北調與水利科技，2013，11（3）：6-11.

[12] 莊宇，胡曉蕊，馬賢娣.水環(huán)境承載力與經濟效率的多元回歸模型及應用[J].干旱區(qū)資源與環(huán)境，2007，21（9）：41-45.

[13] 熊海晶.基于神經網絡和小波分析的降水預報研究[D].南京：南京大學，2012.

[14] 劉雙，謝正輝，曾毓金.基于神經網絡與半分布式水文模型相結合的缺資料區(qū)徑流估計模型：以鶯落峽流域為例[J].北京師范大學學報（自然科學版），2016，52（3）：393-401.

[15] 馬金珠，朱中華，于保靜.石羊河流域水環(huán)境演化與水資源可持續(xù)利用[M].蘭州：蘭州大學出版社，2005.