基于長短記憶模型的鄱陽湖流域徑流模擬及其演變的歸因分析*

范宏翔,何菡丹,徐力剛,張明睿,姜加虎

(1:中國科學(xué)院南京地理與湖泊研究所,中國科學(xué)院流域地理學(xué)重點實驗室,南京 210008) (2:中國科學(xué)院大學(xué),北京 100049) (3:江蘇省水資源服務(wù)中心,南京 210029) (4:中國長江三峽集團有限公司長江生態(tài)環(huán)境工程研究中心,北京 100038) (5:安徽工業(yè)大學(xué),馬鞍山 243002)

氣候變化和人類活動直接或間接地影響著全球和區(qū)域水文循環(huán)過程,是導(dǎo)致水文水資源時空分布的主要因素,同時也是湖泊-流域水文情勢變化的主要原因. 近年來,全球氣候發(fā)生了巨大的變化,其中很多變化是數(shù)十上百年來前所未見的[1],因此,研究氣候變化作用下區(qū)域水循環(huán)的變化對人類社會、生態(tài)系統(tǒng)和區(qū)域水資源管理具有十分重要的意義[2]. 上個世紀,特別是1980s以后,全球變暖顯著改變了全球和區(qū)域的水循環(huán)過程. 在全球尺度上有研究表明,北半球的平均地表溫度在1901-2010年間每年增加了0.010℃,而在1979-2010年間其增長速率達到了0.026℃/a[3]. 氣溫變化和降雨變化是目前研究氣候變化對水文情勢影響的研究重點,如Labat等[4]就發(fā)現(xiàn)陸地表面溫度每上升1℃就會導(dǎo)致地表徑流量增加5%. 而在區(qū)域尺度上,Zhang等[5]在長江流域的研究表明氣候變化是1931-1960年長江流域徑流變化的主要影響因素,其導(dǎo)致的徑流增長占總體徑流變化的67.10%～78.70%. 人類活動則通過毀林、造林、開墾和城市化等土地利用方式的轉(zhuǎn)變,影響水文循環(huán)過程的各個環(huán)節(jié). 目前對人類活動的研究主要可以分為兩類:(1)土地利用變化,如Guo等[6]利用SWAT模型研究了土地利用變化對鄱陽湖流域徑流變化的影響,結(jié)果表明土地利用變化會顯著影響季節(jié)性的徑流變化并改變年內(nèi)的徑流過程. (2)水利工程,如Nilsson等[7]指出全球大部分的大型河流水文情勢受到大壩建設(shè)的影響;而Agostinho等[8]也指出,水利工程建設(shè)是巴西Paran流域水文改變變化的主要驅(qū)動因素;同樣地,Arias等[9]研究也發(fā)現(xiàn)湄公河支流上的大壩是柬埔寨TonleSap洪泛平原水文改變的主要原因,類似的研究還有Arias等[9]、Ty等[10]和Cohen等[11].

關(guān)于氣候變化和人類活動對水文情勢演變歸因分析的研究方法目前主要有兩類[12]:(1)通過改變水文模型的輸入,以觀察由此產(chǎn)生的徑流變化;(2)水熱耦合平衡方法. Githui等[13]、Zhang等[14]和Narsimlu等[15]利用SWAT模型分別對不同流域分區(qū)的徑流對氣候變化或者人類活動的響應(yīng)關(guān)系進行了深入研究,取得了豐碩的研究成果. 采用模型的手段雖然具有一定的物理意義,但是也有諸多問題,比如數(shù)據(jù)時空轉(zhuǎn)換的問題,模型參數(shù)率定的不確定性等. 同時構(gòu)建模型時,還需要大量的觀測數(shù)據(jù)資料,這些都制約著水文模型的大規(guī)模使用. 相較而言,水熱耦合平衡方法在減少模型的不確定性方面具有一定的優(yōu)勢,可以有效區(qū)分氣候變化和人類活動對流域徑流過程的影響. Ye等[16]利用水熱耦合公式定量區(qū)分了氣候變化和人類活動在不同年代對鄱陽湖徑流變化的影響,其結(jié)果表明氣候變化是鄱陽湖流域徑流變化的最主要因素,其對徑流增加的貢獻率為105%～212%,而人類活動主要導(dǎo)致徑流量的減少,其貢獻率為-5%～112%. 但是,水熱耦合平衡方法的穩(wěn)態(tài)假設(shè)限制了其應(yīng)用的時間尺度[17],以往研究大多在長時間尺度上(10～30 a)應(yīng)用水熱耦合平衡方法[18-20],因此其無法對精細尺度上的徑流變化影響因素進行區(qū)分. 為了解決上述研究難點,亟需一種簡單高效的手段來對流域徑流過程進行精細尺度的模擬,從而定量區(qū)分導(dǎo)致其變化的主要影響因素. 近年來,有許多研究都證明了數(shù)據(jù)驅(qū)動型方法(如多元線性回歸、支持向量機以及人工神經(jīng)網(wǎng)絡(luò))在水文領(lǐng)域的適用性[21],并且也討論了其與傳統(tǒng)水文模型、方法之間的對比. 研究表明,以上機器學(xué)習(xí)方法在水位預(yù)測[21]、地下水模擬[22]、土壤水分[23]反演以及徑流模擬[24]等方面都取得了較傳統(tǒng)方法一致甚至更好的結(jié)果. 然而,傳統(tǒng)的機器學(xué)習(xí)方法,如人工神經(jīng)網(wǎng)絡(luò),并不是專門為處理時間序列數(shù)據(jù)而設(shè)計的,不能直接處理時間序列間依賴性. 而長短記憶模型的提出,解決了時間序列的長短期依賴問題,大大提高了時間序列預(yù)測的精度,其在水文領(lǐng)域的應(yīng)用也越來越廣泛[25-28]. 利用深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建流域徑流預(yù)測模型,并通過與歷史時期的數(shù)據(jù)進行對比,可以在更加精細的時間尺度上區(qū)分影響流域徑流變化的主要因素. 值得注意的是,長短記憶模型的一個重要參數(shù)是模擬窗口的大小,在以往的研究中,往往會給定一個經(jīng)驗值[24],忽視窗口大小對模擬結(jié)果的影響,因此,針對流域?qū)嶋H情況,確定合適的模擬窗口大小,也是提高模擬精度的重要手段之一.

綜上所述,本文旨在(1)基于利用長短記憶網(wǎng)絡(luò),構(gòu)建鄱陽湖流域氣象-徑流模型,通過設(shè)置不同的模擬窗口大小來確定適合鄱陽湖流域的最佳模擬窗口長度;(2)通過引入基準(zhǔn)期的概念,利用構(gòu)建的鄱陽湖流域氣象-徑流模型模擬自然條件下流域徑流的變化過程;(3)通過與實際觀測數(shù)據(jù)對比,定量區(qū)分鄱陽湖流域徑流改變的主要影響因素. 研究結(jié)果能夠為鄱陽湖流域水資源管理提供技術(shù)支持,同時為定量區(qū)分人類活動和氣候變化對流域徑流變化的影響提供一種新思路.

1 材料與方法

1.1 數(shù)據(jù)

1.1.1 氣象數(shù)據(jù) 根據(jù)資料搜集情況,選取鄱陽湖流域時間序列最長的14個國家級氣象站(圖 1)的日氣象數(shù)據(jù):其中降水?dāng)?shù)據(jù)時段為1955-2015年,其他氣象數(shù)據(jù)(包括氣溫、氣壓、濕度、日照時數(shù)、風(fēng)速、飽和水汽壓等)時段為1960-2015年.

1.1.2 水文數(shù)據(jù) 鄱陽湖流域由贛江流域、撫河流域、信江流域、饒河流域以及修水流域5個子流域組成,鄱陽湖入湖水量主要來自五大河,其中大部分來自贛江(55.0%),其次是信江(14.4%)和撫河(12.1%),三者之和超過總?cè)牒搅髁康?0%[20]. 選取5個子流域下游出口斷面流量監(jiān)測站(圖 1)月平均徑流數(shù)據(jù)來分析鄱陽湖流域水文時間序列所蘊含的趨勢與規(guī)律.

圖1 鄱陽湖流域地理位置及氣象站、水文站分布Fig.1 Location of Lake Poyang Basin and the meteorological and hydrological stations inside the basin

本文所用到的水文站基本情況如表1所示.

表1 鄱陽湖流域主要水文站基本信息

圖2 長短記憶模型記憶單元結(jié)構(gòu)示意圖Fig.2 The architecture of LSTM memory cell

1.2 研究方法

1.2.1 長短記憶模型原理 長短記憶模型(long-short-term-memory)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network)結(jié)構(gòu),旨在解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)長期依賴問題上的不足. LSTM最早由Hochreiter等[29]提出,并在最近被Graves等[30]推廣和改進. LSTM在時間維度上具有深層結(jié)構(gòu),通過巧妙設(shè)計的門和記憶單元(圖2),LSTM能夠決定在何時遺忘狀態(tài)信息和將狀態(tài)信息保存多久. 在很多問題上,LSTM都取得了很大的成功,并得到了廣泛的應(yīng)用[23-24,31-34].

LSTM的關(guān)鍵就是細胞狀態(tài),細胞狀態(tài)類似于傳送帶. 直接在整個鏈上運行,只有一些少量的線性交互,使得信息能夠保持不變. 細胞狀態(tài)由3個巧妙設(shè)計的門進行控制. 在t時刻,記憶塊(當(dāng)前神經(jīng)元)的輸入包括:當(dāng)前時刻輸入變量Xt、前一時刻隱藏層狀態(tài)變量ht-1和前一時刻記憶單元狀態(tài)變量Ct-1. 之后模型依次通過遺忘門fc、輸入門it、輸出門ot. 記憶塊的輸出包括:當(dāng)前時刻輸出變量ht和當(dāng)前時刻記憶單元狀態(tài)變量Ct.

1.2.2 模型基本設(shè)定 在本文中,基于長短記憶模型框架構(gòu)建了一個神經(jīng)網(wǎng)絡(luò)模型來模擬鄱陽湖流域的徑流過程. 模型框架如圖3所示. 構(gòu)建的模型有一個輸入層,共包含128個LSTM神經(jīng)元,用來輸入流域的氣象參數(shù). 在此模型中,所用的氣象數(shù)據(jù)包括降雨、氣溫、太陽輻射、相對濕度和近地面風(fēng)速. 另外,為了防止模型出現(xiàn)過擬合的現(xiàn)象,在輸入層之后設(shè)置了一個丟棄層(dropout layer),并設(shè)置其丟棄率(dropout rate)為0.4[35],即神經(jīng)元有60%的概率被保存. 之后,建立了一個輸出層,用來輸出5個獨立的徑流時間序列(分別代表贛江、撫河、信江、饒河和修水的徑流過程). 前人的研究大多采用降雨作為徑流模型的驅(qū)動變量,但是其余氣象要素如氣溫、相對濕度、太陽輻射等也會對徑流過程產(chǎn)生影響,因此,通過輸入多個氣象要素(降雨、相對濕度、氣溫、太陽輻射、日照時間和風(fēng)速)訓(xùn)練了鄱陽湖流域氣象-徑流模型. 在前人的研究中,多將1960-1969年作為基準(zhǔn)期,即該時期的人類活動較少,可以反映自然條件下鄱陽湖流域的徑流特征[16,19,36]. 同時,考慮到LSTM模型的特殊性,基準(zhǔn)期選取時也考慮了不同的流域來水情景. 根據(jù)水文情報預(yù)報規(guī)范(GB/T 22482-2008),按照鄱陽湖流域年最大流量進行水文年的劃分. 其中,1962年為典型豐水年,1963年為典型枯水年,1966年和1968年為典型平水年. 因此,為了進一步區(qū)分人類活動與氣候變化對鄱陽湖徑流的影響,在模型訓(xùn)練和驗證時僅使用基準(zhǔn)期(即1960-1969年)的氣象水文數(shù)據(jù). 基于此,將基準(zhǔn)期劃分為訓(xùn)練期和驗證期兩個階段:模型的訓(xùn)練周期為1960年1月1日-1968年12月31日,共計3287 d. 模型的驗證周期為1969年1月1日-1969年12月31日,共計365 d.

圖3 長短記憶模型結(jié)構(gòu)示意圖Fig.3 Structure of the LSTM model

1.2.3 模型預(yù)測窗口設(shè)定 由于長短記憶模型在本質(zhì)上是一種時間序列預(yù)測模型,其本身需要先前的時間序列作為輸入變量. 先前時間序列的長度稱為預(yù)測窗口的長度或大小,其取值對模型最終的模擬效果至關(guān)重要. 因此,在本章中,分析了不同窗口大小對模擬效果的影響,并嘗試找出模擬的最優(yōu)窗口大小. 考慮到計算效率和模擬時間,設(shè)置了9組窗口大小,分別是1、5、10、15、25、30、60、90和180 d. 模擬效果最好的窗口被作為最終的模擬窗口大小.

1.2.4 超參數(shù)率定 神經(jīng)網(wǎng)絡(luò)模型往往包含大量的超參數(shù)(hyper-parameters). 超參數(shù)是在開始學(xué)習(xí)過程之前設(shè)置值的參數(shù),而不是通過訓(xùn)練得到的參數(shù)數(shù)據(jù). 通常情況下,需要對超參數(shù)進行優(yōu)化,給學(xué)習(xí)機選擇一組最優(yōu)超參數(shù),以提高學(xué)習(xí)的性能和效果. 超參數(shù)優(yōu)化或模型選擇是為學(xué)習(xí)算法選擇一組最優(yōu)超參數(shù)時的問題,通常目的是優(yōu)化算法在獨立數(shù)據(jù)集上的性能的度量. 通常使用交叉驗證來估計這種泛化性能[37]. 常用的率定方法有網(wǎng)格搜索[38]、貝葉斯優(yōu)化[39]、隨機搜索[40]和基于梯度的優(yōu)化[41]等. 在本文中,使用均方根誤差函數(shù)作為損失函數(shù)來進行超參數(shù)的優(yōu)化.

常見的超參數(shù)包括學(xué)習(xí)率、訓(xùn)練次數(shù)、輸出維度等. 其中,學(xué)習(xí)率表示梯度下降算法中的步長(本章使用隨機梯度下降算法),在鄱陽湖徑流模型中,將初始學(xué)習(xí)率設(shè)置為0.2并設(shè)置了相應(yīng)的衰減速率來更新每次訓(xùn)練過程中的學(xué)習(xí)率. 另外,訓(xùn)練次數(shù)是指神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)一次全部數(shù)據(jù)的過程,其作用是將訓(xùn)練過程分解為獨立的不同階段. 訓(xùn)練時間過長會導(dǎo)致模型出現(xiàn)過擬合的現(xiàn)象,即會讓模型學(xué)習(xí)到只有訓(xùn)練數(shù)據(jù)中才含有的特征. 反之,訓(xùn)練時間過短則會出現(xiàn)欠擬合的現(xiàn)象,讓模型無法充分學(xué)習(xí)數(shù)據(jù)中的特征. 在本章中,首先設(shè)置了一個較長的訓(xùn)練次數(shù):200,隨后,發(fā)現(xiàn)最佳的擬合結(jié)果出現(xiàn)在訓(xùn)練50次后. 因此將后續(xù)的訓(xùn)練次數(shù)都設(shè)置為50. 其他的一些超參數(shù)如輸出維度等則通過網(wǎng)格搜索方式進行優(yōu)化. 模型主要參數(shù)如表2所示.

表2 模型主要參數(shù)

1.2.5 模型評價指標(biāo) 模型的模擬效果采用常規(guī)的統(tǒng)計指標(biāo)來量化評價,在本章中主要采用的指標(biāo)為納什效率系數(shù)(NSE)和均方根誤差(RMSE),其計算公式分別為:

(1)

(2)

1.2.6 情景設(shè)置 本文通過引入基準(zhǔn)期的概念,應(yīng)用LSTM模型定量區(qū)分氣候變化和人類活動對鄱陽湖徑流變化的貢獻率. 為了達成此目標(biāo),本文擬設(shè)置3個情景,具體如表3所示. 通過對比S1和S0,可以定量區(qū)分氣候變化對鄱陽湖流域徑流過程的影響分量;而通過對比S2和S1,則可以定量區(qū)分人類活動對鄱陽湖流域徑流變化的影響貢獻. 由于不同情景方案模擬結(jié)果誤差高度相似,因此基于情景方案的數(shù)值模擬結(jié)果相比較可消除模型系統(tǒng)誤差的影響[42].

表3 情景設(shè)置

1.2.7 影響程度計算方法 參照Ye等[16]關(guān)于定量區(qū)分氣候變化和人類活動對鄱陽湖流域徑流量影響程度的分析方法,由氣候變化和人類活動引起的鄱陽湖流域徑流變化量可以分別用下式來解釋:

(3)

式中,Q0、Q1和Q2分別代表S0、S1以及S2情景下鄱陽湖流域五河多年平均日流量過程,ΔQC和ΔQH分別代表氣候變化和人類活動引起的鄱陽湖流域徑流變化的絕對分量.

氣候變化以及人類活動對鄱陽湖流域徑流變化的影響程度計算方法為:

(4)

式中,ηC和ηH分別代表氣候變化和人類活動對鄱陽湖徑流變化的相對影響程度.

2 研究結(jié)果

2.1 不同預(yù)測窗口下模型的預(yù)測精度

為了研究不同預(yù)測窗口大小對模型預(yù)測結(jié)果的影響,用9組窗口大小訓(xùn)練了9個獨立的LSTM模型. 模型的表現(xiàn)用RMSE和NSE來衡量,RMSE越低則說明模擬值與真實值之間的差距越小,而NSE越高則說明模擬值與真實情況越接近. 不同窗口大小下的模擬結(jié)果如圖4所示. 從圖4中可以發(fā)現(xiàn),在預(yù)測窗口增大的初期,RMSE迅速下降,并在預(yù)測窗口為10 d時達到最小值. 而當(dāng)預(yù)測窗口繼續(xù)增大至60 d時,RMSE出現(xiàn)了明顯的增大. 這有可能意味著模型出現(xiàn)了過擬合現(xiàn)象. 而當(dāng)預(yù)測窗口超過60 d后,窗口大小的繼續(xù)增加對模型效果影響并不大. 類似的變化特征在納什效率系數(shù)上也得到了相應(yīng)的體現(xiàn). 當(dāng)預(yù)測窗口小于15 d時,窗口越大NSE越高,模擬效果越好;當(dāng)窗口大小超過15 d時,窗口大小增加會導(dǎo)致NSE迅速下降. 而當(dāng)窗口超過60 d時,窗口大小的增加對模擬效果的影響會減弱.RMSE和NSE的變化趨勢都說明了預(yù)測窗口大小并不是越大越好,在同時考慮計算效率和模擬效果的前提下,在鄱陽湖徑流模型中使用10 d的預(yù)測窗口大小較為合理.

圖4 不同窗口大小下的模型表現(xiàn)Fig.4 Model performance with different window sizes

2.2 模型精度評價

鄱陽湖氣象-徑流模型的總體表現(xiàn)如表4所示. 訓(xùn)練期,模型在贛江、撫河、信江、饒河和修水5個子流域內(nèi)的RMSE分別為630.80、143.64、194.74、129.46和144.01 m3/s;而在驗證期,模型在贛江、撫河、信江、饒河和修水5個子流域內(nèi)的RMSE分別為671.03、158.90、212.04、139.52和162.79 m3/s. 訓(xùn)練期模型在贛江、撫河、信江、饒河和修水5個子流域的NSE分別為0.94、0.95、0.95、0.95和0.94;而在驗證期,模型在贛江、撫河、信江、饒河 和修水個子流域的NSE分別為0.90、0.95、0.95、0.98和0.96.

表4 氣象-徑流模型總體表現(xiàn)

為了更加直觀地反映氣象-徑流模型在徑流過程模擬上的表現(xiàn),將氣象-徑流模型模擬的時間序列與觀測數(shù)據(jù)做了對比,結(jié)果如圖 5A所示. 從氣象-徑流模型在訓(xùn)練期的模擬結(jié)果可以發(fā)現(xiàn),LSTM能夠很好地模擬流域的徑流過程,在訓(xùn)練期模型能夠充分學(xué)習(xí)到鄱陽湖氣象要素與徑流過程間的相互關(guān)系,能夠很好地捕捉徑流的變化過程和極值(圖5B). 盡管氣象-降雨模型在訓(xùn)練期取得了很好的擬合效果,但是其在驗證期的結(jié)果仍然有待檢驗. 由模型在驗證期的結(jié)果可以發(fā)現(xiàn),氣象-徑流模型較降雨-徑流模型能夠更好地捕捉徑流的劇烈變化過程,對徑流極值的模擬效果也比較好(圖5C),因此可以認為構(gòu)建的氣象-徑流模型能夠很好地模擬鄱陽湖流域的徑流過程.

圖5 鄱陽湖流域氣象-徑流模型模擬結(jié)果(A：總體模擬效果；B：訓(xùn)練期模擬效果；C：驗證期模擬效果)Fig.5 The simulation performance of the LSTM model in Lake Poyang Basin (A: the overall performance; B: model performance during the training period; C: model performance during the validation period)

由鄱陽湖氣象-徑流模型的季節(jié)性模擬效果可見,在率定期模型在各個季節(jié)的模擬效果均較好,其中,春、夏、秋、冬季的平均NSE值分別為0.90、0.96、0.73、0.74. 在驗證期的模擬效果略差于率定期,春、夏、秋、冬季的平均NSE值分別為0.89、0.96、0.64、0.74(圖6). Moriasi等[43]的研究結(jié)果表明,模型模擬的NSE在0.75 左右即表示模型模擬效果良好. 因此,本文構(gòu)建模型的模擬精度較高,能夠反映鄱陽湖流域徑流的季節(jié)變化特征.

圖6 鄱陽湖流域氣象-徑流模型季節(jié)性模擬效果(A：訓(xùn)練期模擬效果；B：驗證期模擬效果)Fig.6 The seasonal simulation performance of the LSTM model in Lake Poyang Basin (A: model performance during the training period; B: model performance during the validation period)

2.3 氣候變化與人類活動對鄱陽湖流域徑流過程的影響區(qū)分

利用訓(xùn)練的鄱陽湖流域氣候-徑流模型模擬了鄱陽湖1970-2015年的徑流過程. 基于模擬結(jié)果,進一步定量區(qū)分了人類活動與氣候變化對鄱陽湖流域徑流過程的貢獻率,結(jié)果如圖 7所示. 從圖7A可以發(fā)現(xiàn),人類活動對徑流的影響主要發(fā)生在春、秋季,其中,人類活動在春季主要會造成徑流的增加,平均增加幅度約為139.47 m3/s,而在秋、冬季,人類活動則會導(dǎo)致徑流量平均減少約34.37 m3/s. 圖7B為人類活動和氣候變化對徑流過程影響相對貢獻率的年內(nèi)變化特征. 從相對貢獻率來看,春季人類活動對徑流造成的影響較大,平均相對貢獻率為77.26%. 其中,人類活動在春季對贛江流域徑流變化的影響貢獻最大,達到了96.97%,而撫河、信江、饒河以及修水流域人類活動對徑流變化的影響貢獻分別為62.77%、82.71%、93.31%和50.54%. 在其余季節(jié),鄱陽湖流域徑流過程的改變主要是由于氣候變化,平均相對貢獻率約為75.84%. 其中,氣候變化對秋、冬季徑流變化的影響較大,平均貢獻率分別達到了82.58%和77.46%;而在夏季,氣候變化對徑流變化的貢獻率要略低一些,平均為67.49%.

圖7 人類活動和氣候變化對徑流過程影響的年內(nèi)變化(A：絕對貢獻率；B：相對貢獻率)Fig.7 Contributions for intra-annual runoff variations (A: absolute contribution rate; B: relative contribution rate)

3 討論

近年來,氣候發(fā)生了相當(dāng)大的變化[44],有學(xué)者認為氣候變化很可能是對水循環(huán)產(chǎn)生影響的主導(dǎo)因素,繼而影響到水資源,造成洪旱災(zāi)害[2,45-49]. 鄱陽湖流域的氣候在近年來也發(fā)生了劇烈的變化. 降雨和蒸發(fā)作為影響流域水量平衡的兩大因素,在流域徑流過程的變化上起著決定性作用. 有研究顯示,近年來鄱陽湖流域的潛在蒸發(fā)量呈現(xiàn)長期下降趨勢[19],而實際蒸發(fā)量也呈現(xiàn)出波動下降的趨勢[50]. 蒸發(fā)量的下降會在一定程度上導(dǎo)致鄱陽湖流域徑流量的增加. 而降水作為影響徑流量的最主要因素,其年內(nèi)變化會對流域徑流量產(chǎn)生決定性影響. Zhang等[51]通過對比不同時期水汽通量變化,認為冬季水汽從自太平洋及南海北上增加導(dǎo)致鄱陽湖流域秋、冬季降水量增加,與本文氣候變化增加秋、冬徑流量的結(jié)果基本一致. 同時,Zhu等[52]研究指出,夏季水汽向北輸送能力減弱,水汽輸送量減少,使長江流域水汽含量下降,水汽上升運動減弱,導(dǎo)致長江流域夏季降水量顯著減少,這也很好地解釋了氣候變化導(dǎo)致鄱陽湖流域夏季徑流量的減小(圖 6).

以往的研究往往基于Budyko假設(shè)[53]來定量區(qū)分氣候變化和人類活動對徑流變化的影響分量,并且都指出氣候變化對流域徑流變化起著決定性的作用[5,16,54]. 其中,Ye等[16]指出,整個鄱陽湖流域1970-2007年年均徑流變化相對于1960s主要受氣候變化的影響,而人類活動起著補充作用. 本文結(jié)果顯示除了春季,鄱陽湖流域徑流過程的改變主要是由于氣候變化,其相對貢獻率約為75%,和以往的研究結(jié)果相符. 但是,由于Budyko假設(shè)是基于長時間的水量平衡方程,往往需要長時間尺度的數(shù)據(jù)[17,45,49],并且其結(jié)果僅可達到年尺度[5,54]. 對于月尺度或者更加精細尺度的區(qū)分,Budyko假設(shè)則無法勝任. 而本文通過引入基準(zhǔn)期的概念,利用LSTM模擬了日尺度的流域徑流過程,可以在月尺度或者更加精細的時間尺度上定量區(qū)分氣候變化以及人類活動對流域徑流過程的影響分量. 本文在月尺度上發(fā)現(xiàn)人類活動對流域徑流的改變存在不可忽視的貢獻作用. 人類活動對水文過程的影響主要體現(xiàn)在兩個方面,一是改變流域下墊面特征,從而改變降雨-徑流關(guān)系;有研究表明[55],從1980s開始,鄱陽湖流域的標(biāo)準(zhǔn)化植被指數(shù)(NDVI)呈現(xiàn)顯著的上升趨勢,有學(xué)者認為部分是由于鄱陽湖流域內(nèi)的退耕還林工程造成的[56]. 同時,隨著的江西山江湖開發(fā)治理工程的實施[57],1985-2001年,全省水土流失面積從330萬hm2下降到130萬hm2;全省植樹造林230萬hm2,基本消滅了宜林荒山,森林覆蓋率由31.5%上升到59.7%. 植被覆蓋的大量增加也導(dǎo)致了流域徑流的迅速減少. 此外,人類活動興建的大型水利工程改變了河道徑流在短時間尺度上的自然分配特性,并且,一般水利工程,特別是大型水庫的建設(shè)還可能增加流域中自由水體的面積,從而增加蒸發(fā)量. 要威等[58]的研究指出,三峽水庫調(diào)度對中下游水情影響主要表現(xiàn)為11月至次年4月徑流量增大,5-10月徑流量減小. 3月徑流量增加最多,10月減少最多,9月也減少較為明顯. 這與本研究結(jié)果基本一致,即人類活動在春、冬季會增加鄱陽湖流域徑流量,而在夏、秋季則會減少流域的徑流量(圖 6).

盡管神經(jīng)網(wǎng)絡(luò)技術(shù)改變了學(xué)術(shù)領(lǐng)域的方方面面,但是其在水文領(lǐng)域的應(yīng)用一直相對比較缺乏[20]. 同時,由于神經(jīng)網(wǎng)絡(luò)作為一個黑箱模型,模擬結(jié)果無法從水文的角度進行解釋,也在一定程度上阻礙其在水文領(lǐng)域的應(yīng)用前景. 最近Kratzert等[24]通過神經(jīng)元狀態(tài)與氣象水文觀測數(shù)據(jù)的對比,指出神經(jīng)網(wǎng)絡(luò)可以在某種程度上解釋一定的水文現(xiàn)象,但是其合理性仍有待于驗證. 盡管如此,LSTM出色的模擬效果證明了它可以用來進行高效的徑流模擬. 近年來,隨著很多高級的神經(jīng)網(wǎng)絡(luò)框架如Keras和Pytorch被開發(fā)出來,構(gòu)建一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)正在變得越來越方便,使得決策者和科學(xué)家能夠快速進行應(yīng)用. 同時,和傳統(tǒng)水文模型相比,LSTM需要的計算量更小,模型更加輕量化,因此其率定和驗證的效率會大大提高,使得其能夠運用在水文水資源的實時預(yù)報方面,為洪澇災(zāi)害的預(yù)警提供有力的工具.

4 結(jié)論

1)長短記憶模型的預(yù)測窗口對模型精度影響至關(guān)重要. 預(yù)測窗口并不是越大越好,過大的預(yù)測窗口會使模型發(fā)生過擬合的現(xiàn)象,造成模擬精度的下降. 在同時考慮計算效率和模擬效果的前提下,在鄱陽湖徑流模型中使用10 d的預(yù)測窗口大小較為合理.

2)基于長短記憶模型構(gòu)建的鄱陽湖流域氣象-徑流模型在訓(xùn)練期和驗證期在各個子流域的NSE均在0.90～0.98之間,可以很好地模擬鄱陽湖流域的徑流過程,能夠捕捉徑流的極值,并且對徑流的短期波動也能有很好的體現(xiàn).

3)人類活動對徑流的影響主要發(fā)生在春、秋季,其中,人類活動在春季主要會造成徑流的增加,平均增加幅度約為139.47 m3/s,而在秋、冬季人類活動則會導(dǎo)致徑流平均減少約34.37 m3/s. 對比二者的相對貢獻率,可以發(fā)現(xiàn),春季人類活動對徑流造成的影響較大,最大相對貢獻率超過了70%. 而在其余季節(jié),鄱陽湖流域徑流過程的改變主要是由于氣候變化,平均貢獻率約為75.84%.