-
水沙过程是地表物质循环的重要组成部分, 是受全球变化影响最直接、最重要和最敏感的领域之一, 在区域水土资源形成和演变中起着关键性作用。全球变化对流域水沙过程的影响是当前研究的前沿和热点问题。黄河是中华文明的发源地, 被称为中华民族的母亲河, 黄河流域生态保护和高质量发展已上升为国家战略。然而, 流域内水资源短缺形势严峻, 水土流失问题突出, 生态环境脆弱, 成为制约区域经济社会可持续发展最大的刚性约束[1]。近70 a来, 受气候变化和人类活动等因素的影响, 黄河流域径流与泥沙呈现出显著的下降趋势[2-4]。以干流潼关水文站为例, 与1919—1959年相比, 2000—2018年的实测多年平均径流量和输沙量分别减少了约45%和85%[5]。水沙锐减对黄河流域的水资源开发利用、水土保持措施开展、下游河道整治和三角洲治理与保护等带来了新的问题与挑战。因此, 认识黄河流域水沙演变规律, 识别环境变化对水沙过程的驱动机制, 定量分析水沙变异的成因, 能够提高对水沙运动机理的认识, 对于黄河流域生态保护和高质量发展具有重要的科学意义和支撑作用。
国际水文科学协会将“水文与社会系统中的变化”列为2013—2022年十年研究计划的主题[6]。长期以来, 水文学家在径流和泥沙演变规律认识、驱动要素识别及影响机制分析以及未来情景预估等方面取得了一系列研究成果。随着对水沙过程机理认识的深入和模拟技术的进步, 该领域的研究从最开始利用数理统计方法检测径流和泥沙等要素的演变趋势及其与驱动因子的相关关系[7]、利用假定的气候情景来研究水沙要素对气候变化的响应[8-9], 逐渐发展为利用流域水沙模型和水保措施的减水减沙效应等技术定量分析水沙变异的成因[10-12], 以及利用全球气候模式的情景和人类活动特征来预估未来的水沙情势等[13-14]。关于黄河流域水沙变化的定量演变特征及其驱动机制的定性分析, 已有大量的研究成果并取得了基本一致的结论, 即上游径流变化趋势不显著, 中下游径流和输沙量呈显著减少趋势, 区域人类活动的贡献大于气候变化的贡献, 是径流和泥沙减少的主要驱动力[15-17]。由于流域水沙动力过程及其对全球变化响应机制的复杂性, 不同学者基于不同近似与概化构建的流域水沙模型模拟的水沙变化过程差异显著, 关于人类活动与气候变化对水沙变化贡献率的定量分析结果变幅较大, 相关结论仍具有较大的不确定性[18-22]。姚文艺和焦鹏[21]对此作了系统总结, 发现由于研究时段、研究区域、研究方法等的差异, 人类活动对黄河径流减少贡献的变化幅度为30%~98%, 对泥沙减少贡献的变化幅度为26.6%~88.6%。基于多模型的集合模拟克服了单一模型模拟结果随机性较大的问题, 是提高结论可靠性的重要技术手段, 并在水文气象预报、机器学习、人工智能等领域取得了较为成功的应用。因此, 利用多种模型开展流域水沙过程的集合模拟, 科学识别水沙变异的成因, 降低结论的不确定性是未来研究的重要突破方向。
在以往研究的基础上, 以黄河中游主要产沙区的窟野河流域为例, 在水沙演变规律及其与驱动因子相关分析的基础上, 构建基于可变下渗容量(VIC)模型的径流模型和基于8种机器学习算法的输沙量模型, 建立流域水沙过程多模型集合模拟技术, 定量识别水沙变异的成因, 进而增强对水沙运动机理的认知水平和模拟能力, 支撑流域水资源开发利用和水沙治理。
-
黄土高原是世界最大的黄土沉积区, 也是中国乃至世界上水土流失最严重、生态环境最脆弱的地区。窟野河是黄土高原侵蚀地区的典型河流, 位于毛乌素沙漠与陕北黄土高原的接壤地带, 也是黄河晋陕峡谷右岸较大的支流之一, 发源于内蒙古自治区鄂尔多斯市柴登乡拌树村, 流经内蒙古伊金霍洛旗和陕西省府谷县, 于神木县贺家川镇沙峁村汇入黄河, 干流全长242 km, 流域面积约8 706 km2(图 1)。窟野河流域下垫面条件复杂, 上游是风沙草原区, 中下游是黄土沟壑区, 土质疏松, 地表植被稀少, 是多沙粗沙来源区。流域地理位置为109°28′E—110°52′E、38°23′N—39°52′N, 高程766~1 580 m, 年平均气温7.6 ℃, 降水量387.3 mm, 属于半干旱气候, 降水的年际变率大, 年内分配极为不均, 汛期(6—9月)降水量占年降水量的75%左右, 且多为暴雨。
图 1 窟野河流域概况及其在黄河流域的位置
Figure 1. Basic information of the Kuye River and its location in the Yellow River basin
在20世纪50至70年代, 窟野河流域内的人类活动较少, 对水沙过程的影响较弱。为防治水土流失, 自20世纪七八十年代以来, 流域内开展了大量的水土保持措施。截止到1999年, 共修建中小型水库30座, 总库容达到8 173万m3, 修建骨干工程61座, 总控制面积530 km2, 淤地坝220座, 谷坊979道, 水窖4 327眼, 修建梯田8 280 hm2, 造乔木林27 902 hm2, 种草65 594 hm2, 淤成坝地3 117 hm2。更显著的是1999年以来中国政府在水土流失重点区域实行“退耕还林还草”措施, 全国共1 326.7万hm2的耕地转变为草地或林地, 1 753.3万hm2的荒地被人工造林, 306.7万hm2的山丘被封山育林[23-24]。窟野河流域内的这些人类活动在一定程度上改变了下垫面条件, 使流域产水产沙条件发生了显著的变化。
-
研究采用的数据资料包含流量、输沙量、平均气温、降水量、植被指数、植被覆盖、土壤质地、数字高程等多个要素。流量和输沙量数据来源于窟野河流域最下游入黄控制站温家川水文站实测数据, 资料年限为1960—2014年, 时间分辨率为月, 来源于水利部组织整编的《中国水文年鉴》。平均气温和降水量数据来源于中国气象局基于全国2 000余个气象站日观测数据插值生成的0.25°×0.25°网格化气象要素数据集, 采用的资料年限为1960—2014年, 发布之前对数据质量做了全面的检验和处理。植被指数包含GIMMS归一化植被指数(NDVI)和SPOT/VGT NDVI 2套植被指数数据集。其中, GIMMS NDVI数据的资料年限为1981年7月至2006年12月, SPOT/VGT NDVI数据的资料年限为1998年以来。根据2套植被指数数据集在重合期(1998—2006年)的偏差, 对1981—1997年的GIMMS NDVI数据进行校正, 效果较好, 再将其与SPOT/VGT NDVI合并得到窟野河流域1982—2014年的月过程NDVI数据。植被覆盖数据和土壤质地数据采用的是VIC模型构建时使用最为广泛的数据源, 在全球和中国很多流域都得到了应用。植被覆盖数据来源于Maryland大学发布的全球1 km土地覆盖数据集, 共分为14种土地覆盖类型。土壤质地数据来源于联合国粮农组织发布的全球10 km土壤质地数据集, 共分为16种土壤质地类型。数字高程数据来源于美国航空航天局和国防部国家测绘局发布的全球90 m分辨率SRTM数字高程数据。
-
VIC模型是华盛顿大学和普林斯顿大学共同研制开发的一个大尺度水文模型, 广泛应用于全球水文模拟工作[25-26]。VIC模型是基于网格的半分布式水文模型, 能够描述地表间的主要水文气象过程, 包括: 土壤层蒸发、植被散发、地表截留蒸发、下渗、地表径流、基流、土壤水运动、侧向热通量、感热通量、地表热通量等。蒸散发由不同植被覆盖类型的蒸散发能力及其对应的网格土壤含水量计算。VIC模型将土层划分为3层, 上两层产生地表径流(Rs), 下层产生基流(Rb), 3层间的土壤水分运动由理查兹方程计算。流域出口断面的总径流由地表径流和基流两部分组成, 其计算公式如下:
$$ R_{\mathrm{s}}= \begin{cases}P_{\mathrm{E}}-\left(W_{\mathrm{m}}-W_{0}\right) & P_{\mathrm{E}}+W \geqslant W_{\mathrm{mm}} \\ P_{\mathrm{E}}-\left(W_{\mathrm{m}}-W_{0}\right)+W_{\mathrm{m}}\left(1-\frac{P_{\mathrm{E}}+W}{W_{\mathrm{mm}}}\right)^{1+b} & P_{E}+W<W_{\mathrm{mm}}\end{cases} $$ (1) $$ R_{\mathrm{b}}= \begin{cases}\frac{D_{\mathrm{s}} D_{\mathrm{m}}}{W_{\mathrm{s}} \theta_{3, \mathrm{~s}}} \theta_{3} & 0 \leqslant \theta_{3} \leqslant W_{\mathrm{s}} \theta_{3, \mathrm{~s}} \\ \frac{D_{\mathrm{s}} D_{\mathrm{m}}}{W_{\mathrm{s}} \theta_{3, \mathrm{~s}}} \theta_{3}+\left(D_{\mathrm{m}}-\frac{D_{\mathrm{s}} D_{\mathrm{m}}}{W_{\mathrm{s}}}\right)\left(\frac{\theta_{3}-W_{3} \theta_{3, \mathrm{~s}}}{\theta_{3, \mathrm{~s}}-W_{\mathrm{s}} \theta_{3, \mathrm{~s}}}\right)^{2} & \theta_{3}>W_{\mathrm{s}} \theta_{3, \mathrm{~s}}\end{cases} $$ (2) 式中: PE为有效降水量, 等于降水量减去蒸散发量；W和Wmm分别表示网格内单点和最大的土壤蓄水容量；b为描述土壤蓄水容量曲线的形状参数；Wm和W0分别为上两层的土壤蓄水容量和当前含水量；Dm为基流的日最大出流量；Ds为基流出流量占最大出流的比例；Ws为基流开始发生非线性消退时, 第3层土壤含水量占蓄水容量的比例；θ3和θ3, s分别为第3层的当前土壤含水量和蓄水容量。
VIC模型的参数包含气候强迫参数、植被参数、土壤参数及水文参数等。气候强迫参数由观测的气候要素网格化生成; 植被参数由植被覆盖类型及每种植被类型对应的植被参数库计算; 土壤参数由土壤质地类型及每种土壤质地类型对应的土壤参数库计算; 水文参数一般通过观测径流过程和模拟径流过程的吻合程度率定得到。选用Nash-Sutcliffe效率系数和水量平衡误差2个指标来描述径流模拟的优劣。
-
流域产沙包括坡面侵蚀、沟道侵蚀、流域汇沙等多个过程, 受降雨、产流、下垫面特征等要素的影响机理十分复杂[27-28]。由于流域特征的空间异质性, 在对流域输沙过程近似和概化基础上构建的输沙量模型不能完整真实地描述流域产沙的物理过程, 模拟的输沙量与实测值存在着一定的误差; 不同模型采用不同的概化方式和模拟参数, 模拟的输沙过程差异较大, 对流域产沙量的准确计算带来了较大的不确定性; 此外, 基于物理机制的模型需要的数据资料较多, 构建过程复杂, 参数较为敏感, 为实际应用带来了一定的困难。与物理模型相对应的统计模型是模拟目标变量对驱动因子响应过程的重要手段, 其需要的资料较少, 构建迅速, 能够快捷方便地应用于实际工作, 在流域输沙量模拟中得到了广泛的应用。
降雨和产流是影响流域输沙过程的2个关键驱动因子。基于这2个要素与输沙量的线性回归、多项式回归, 或者利用某个经验公式的回归是目前输沙量模拟的主要统计手段。这些方法结构简单, 应用方便, 但是不能较好地反映输沙量与降雨和产流之间复杂的响应关系, 存在着较大的误差。近些年来随着计算机技术的进步, 以机器学习为代表的人工智能技术飞速发展, 为统计模型提供了更多且更有效的技术手段[29]。本次研究主要利用机器学习中广泛应用的线性回归、多项式回归、支持向量机回归、决策树回归、随机森林回归、极端森林回归、提升树回归和K临近回归等8个机器学习算法来构建输沙量模型, 将其集合平均值作为输沙量的集合模拟结果。选用降水和径流2个变量作为自变量, 输沙量作为因变量, 基于模拟和观测输沙量过程的相关系数(r)和均方根误差(ERMS)等评价指标来训练8个机器学习算法。其中, 降水和输沙量由观测数据得到, 径流量由构建的VIC模型利用气象数据模拟得到。在预测时, 首先将观测的气象要素输入VIC模型模拟径流过程, 然后将观测的降水和VIC模型模拟的径流输入8个机器学习算法的输沙量模型模拟输沙过程, 再计算8种算法的加权平均值得到集合输沙过程。以径流为纽带, 耦合VIC模型和基于机器学习的输沙量模型, 可以实现从气象强迫到流域水沙过程的协同模拟, 进而能够模拟不同条件下的流域水沙演变过程, 为水沙变异归因识别提供技术支撑。
-
流域水沙变化是环境变化的综合结果。环境变化主要包括气候变化和人类活动引起的流域下垫面等自然状况的变化2个方面。水文模拟法是定量分析气候变化和人类活动对流域水沙变异贡献的重要技术方法[30]。首先, 利用数理统计等方法, 分析流域水文、气候等要素的演变规律, 并结合流域内的人类活动特征, 诊断流域水文序列发生突变的时间节点, 识别产水产沙特性的阶段性变化, 划分流域的天然时期和人类活动影响时期。然后, 利用天然时期的数据资料率定流域水沙模型, 则认为该模型能够反映天然条件下的流域产水产沙特征。再将人类活动影响时期的气象资料输入模型, 模拟重构天然水沙过程。由于利用天然阶段的资料率定的模型参数反映的是人类活动显著影响之前的流域下垫面特征对水沙过程的影响, 重构的人类活动影响期间的天然径流量和输沙量反映了流域天然下垫面条件下的产水产沙过程。因此, 可将人类活动显著影响时期实测水沙过程与重构天然水沙过程的差异归结为人类活动对水沙变异的贡献, 将天然时期和人类活动显著影响时期重构水沙过程的差异归结为气候变化对水沙变异的贡献。
-
1960—2014年窟野河流域实测年平均流量和输沙量都呈现出下降趋势, 特别是21世纪以来的下降幅度较大(图 2)。20世纪六七十年代, 流域多年平均流量约为23.0 m3/s, 到21世纪仅为6.00 m3/s, 输沙量从1.28亿t减少为0.05亿t左右。年平均流量和输沙量的下降速率分别为0.40 m3/(s·a)和0.028亿t/a。采用Mann-Kendall趋势检验与突变分析法对年平均流量和输沙量的趋势性进行显著性检验和突变分析, 结果表明, 年平均流量和输沙量的下降趋势都达到了0.01的显著性水平, 其突变点分别为1995年和2001年。初步认为流域水沙特性在20世纪末发生了突变。
图 2 窟野河流域1960—2014年平均流量与输沙量变化特征
Figure 2. Trends in annual runoff and sediment of the Kuye River basin during 1960—2014
窟野河流域1960—2014年平均气温和降水量以及1982—2014年植被指数的变化过程见图 3。从图中可以看出气温和植被指数呈上升趋势, 降水呈下降趋势。20世纪六七十年代, 流域多年平均气温约为7.1 ℃, 到21世纪上升为8.4 ℃, 降水量则从406 mm下降为377 mm左右。植被指数从20世纪八九十年代的0.17上升为21世纪的0.22。Mann-Kendall检测结果表明气温和植被指数的上升趋势达到了0.01的显著性水平, 其突变点分别为1993年和2004年, 而降水量的下降趋势不显著, 不存在明显的突变特征。
图 3 窟野河流域年平均气温、降水量与植被指数变化特征
Figure 3. Trends in annual mean temperature, precipitation and vegetation index of the Kuye River basin
为了进一步分析流域产水产沙特征的变化, 利用降水—流量—输沙双累积曲线分析了年输沙量与年降水和流量的阶段性特征及突变性, 结果见图 4。从图中可以看出, 累积年降水量和累积年平均流量与累积年输沙量曲线有2个转折点, 分别为1980年和1999年, 即流域产水产沙特征呈现出显著的三阶段特征。双累积曲线在1999年的转折幅度要大于1980年。第1个突变点1980年反映梯田、淤地坝建设等水保措施对水沙过程的影响, 第2个突变点1999年反映退耕还林还草对水沙过程的影响。因此利用这2个转折点将1960—2014年系列分成3个阶段, 分别为1960—1979年, 1980—1998年和1999—2014年。第一阶段(1960—1979年)代表了流域的天然时期, 将其作为水沙变异分析的基准期; 第二阶段(1980—1998年)代表了早期的气候变化以及以梯田、淤地坝建设等水保措施为主要特征的人类活动, 将其称为人类活动影响一期; 第三阶段(1999—2014年)代表了目前的气候变化和以退耕还林还草为主要特征的人类活动, 将其称为人类活动影响二期。
图 4 窟野河流域1960—2014年降水、流量和输沙双累积曲线
Figure 4. Double accumulation curves among annual precipitation, runoff, and sediment in the Kuye River basin during 1960—2014
-
根据3.1节的阶段划分, 点绘窟野河流域3个阶段的流量和输沙与降水和植被指数的关系见图 5。从图中可以看出流量与降水和植被指数存在明显的阶段性特征。图 5(a)显示, 较大的降水对应的年平均流量总体较大, 天然时期的降水流量点群集中在图的上部区域, 而人类活动影响时期内的点群集中在下部区域特别是21世纪尤为明显。图 5(b)显示, 流量与植被指数存在负相关, 与20世纪相比, 21世纪植被指数明显偏高, 但是流量显著减少。总体而言, 降水是决定径流波动的主导性因素, 人类活动对窟野河流域径流的影响较显著。与天然时期相比, 在相同的降水条件下, 人类活动影响时期流域产流量明显偏小。流域天然时期的降水径流系数为0.21, 在人类活动影响一期和二期分别减少为0.15和0.06。
图 5 窟野河流域年平均流量、输沙与年降水和植被的阶段性关系
Figure 5. Relationship among annual runoff, sediment, precipitation, and vegetation index at different periods
窟野河流域的年输沙量与年降水和流量呈正相关关系, 即年降水量越大或者年平均流量越大则年输沙量越大(图 5(c)和图 5(d))。相比而言, 年输沙量与流量的关系较好, 其相关系数超过0.7;年输沙量与年降水的关系较弱, 其相关系数小于0.3。输沙量与降水关系的阶段性特征十分明显, 天然时期的降水输沙点群集中在图的上部区域, 而人类活动影响时期内的点群集中在下部区域, 尤其是21世纪输沙量特别小, 而输沙量与流量的相关性没有呈现出特别明显的阶段性特征。输沙量与植被指数存在显著的负相关(图 5(e)), 在植被指数增加的背景下, 输沙量显著减少。结果表明, 降水和径流是决定输沙波动的主导性因素, 人类活动导致的植被增加对窟野河流域的减沙效应十分显著。
-
将窟野河流域划分成0.25°×0.25°的网格, 计算每个网格的气象、植被、土壤和水文参数。应用VIC模型模拟得到温家川水文站月流量过程, 模拟值与观测值的对比见图 6(a)。从图中可以看出, 窟野河流域模拟与实测月流量过程吻合较好, 能够较好地模拟出流量过程, Nash-Sutcliffe模型效率系数为0.67, 水量平衡误差在5%以内。但是7月、8月的洪峰模拟有一定的偏差, 这是因为窟野河流域位于半干旱气候区, 降雨多为短历时的暴雨, 产流方式以超渗产流为主, 在日尺度上模拟的降雨径流过程较难准确模拟洪峰。总体而言VIC模型在黄土高原窟野河流域具有一定的适应性, 可利用该模型进行月流量过程模拟与天然径流重构。
图 6 窟野河流域模拟和观测月流量与月输沙量
Figure 6. Simulated and observed monthly runoff and sediment in the Kuye River basin
将观测月降水和VIC模型模拟的月流量过程作为驱动因子, 分别利用8种机器学习算法模拟的月输沙量与观测值对比结果见图 6(b)。1961—1979年的月过程序列被随机分成两部分, 其中70%的样本用于模型率定, 剩余30%的样本用于模型验证。根据相关系数和均方根误差2个评价指标, 在模型率定时, 线性回归、多项式回归和K临近回归等简单算法的模拟效果最差, 相关系数为0.55~0.59, 均方根误差较大, 不能够准确地描述输沙与降水和流量之间的复杂响应关系；其次是支持向量机回归和随机森林回归, 相关系数分别为0.74和0.91；决策树回归、极端森林回归和提升树回归3种方法的模拟效果最好, 相关系数接近1, 均方根误差较小。但是4种最优算法存在一定的过拟合现象, 其验证样本的相关系数下降为0.73左右。总体上耦合VIC模型的机器学习算法能够较好地模拟月输沙量。分别将8种机器学习算法的模拟结果作简单的集合平均和根据相关系数的加权集合平均, 验证样本的模拟效果都要优于单一的机器学习算法。相比而言, 8种机器学习算法加权集合平均的模拟效果最好, 将其用于窟野河流域的天然输沙量重构。
-
基于VIC模型和机器学习算法耦合的水沙集合模拟技术重构的窟野河流域天然水沙过程见图 7。从图中可以看出, 天然时期重构的流量与输沙过程与观测值吻合很好, 而人类活动影响时期特别是1999年以后, 重构值明显大于观测值。与基准期1960—1979年相比, 1980—2014年的实测月流量与输沙都呈现出减少趋势, 其中汛期7月、8月的减小幅度最大。重构月流量和输沙量的减小幅度要远小于实测值的变化。说明耦合模型能够较好地重现流域天然水沙过程, 人类活动对流域产水产沙影响显著, 导致实测流量与输沙量大幅度减少, 以汛期最为显著, 以此为依据分析流域水沙变异的成因。
图 7 窟野河流域实测与重构的多年月平均及年过程流量与输沙量
Figure 7. Observed and reconstructed multi-year monthly average and annual runoff and sediment in the Kuye River basin
以1960—1979年作为基准期, 分析气候变化和人类活动对流域水沙变异的影响及贡献, 结果见表 1。从表 1中可以看出, 与基准期相比, 1980—1998年实测流量与输沙量分别减少了7.20 m3/s和0.580亿t, 而重构的天然流量与输沙量只分别减少了2.80 m3/s和0.210亿t, 两者的差值为人类活动的影响; 则在人类活动影响一期, 气候变化和人类活动对流量减少的贡献为39%和61%, 对输沙量减少的贡献为36%和64%。与基准期相比, 1999—2014年实测流量与输沙量分别减少了17.0 m3/s和1.23亿t, 而重构的天然流量与输沙量只分别减少了4.10 m3/s和0.190亿t; 则在人类活动影响二期, 气候变化和人类活动对流量减少的贡献为24%和76%, 对输沙量减少的贡献为15%和85%。总体而言, 人类活动是窟野河流域水沙减少的主要原因, 随着时间推移呈增大趋势。同时, 人类活动对输沙量减少的贡献大于对流量减少的贡献, 而且两者的差距随着时间推移也呈增大趋势。结合流域内不同时期的人类活动特征, 表明退耕还林还草导致植被覆盖增加的减沙效应显著大于梯田、淤地坝等水保措施, 而2个时期人类活动的减水效应差别不大。这与其他相关研究的定性结论相一致[21, 31]。
表 1 3个时段实测和重构的径流与输沙量及变化归因识别
Table 1. Changes and attribution of runoff and sediment in the Kuye River basin
时段 平均流量 实测值/(m3·s-1) 重构值/(m3·s-1) 总变化/(m3·s-1) 气候变化绝对影响/(m3·s-1) 气候变化相对贡献/% 人类活动绝对影响/(m3·s-1) 人类活动相对贡献/% 1960—1979年 23.1 23.3 1980—1998年 15.9 20.5 -7.20 -2.80 39 -4.40 61 1999—2014年 6.10 19.2 -17.0 -4.10 24 -12.9 76 时段 输沙量 实测值/亿t 重构值/亿t 总变化/亿t 气候变化绝对影响/亿t 气候变化相对贡献/% 人类活动绝对影响/亿t 人类活动相对贡献/% 1960—1979年 1.28 1.26 1980—1998年 0.700 1.05 -0.580 -0.210 36 -0.370 64 1999—2014年 0.050 0 1.07 -1.23 -0.190 15 -1.04 85 -
黄土高原气候干旱, 水土流失严重, 生态环境脆弱, 以窟野河流域作为典型研究对象, 分析了流域内水文、气候、植被的演变规律, 构建了流域水沙集合模拟技术, 定量识别了气候变化和人类活动对水沙变异的贡献, 主要结论如下:
(1) 1960—2014年窟野河流域年气温呈显著增加趋势, 降水呈弱减少趋势, 径流和输沙量都呈显著减少趋势, 1982—2014年植被指数呈显著增加趋势。流域水文—气候—植被相关关系存在三阶段特征, 1980年和1999年是流域产水产沙特性发生改变的2个重要转折点, 相同气候条件下人类活动影响时期的流域产流量与产沙量明显偏小。
(2) VIC模型对窟野河月流量过程具有较好的模拟效果, Nash-Sutcliffe模型效率系数超过0.6, 平均相对误差在5%以内。耦合VIC模型和8种机器学习算法构建了输沙量模拟模型, 能够较好地模拟月输沙量过程, 相关系数超过0.7, 相对误差在5%以内。表明构建的流域水沙集合模拟技术适用于窟野河流域水沙过程模拟。
(3) 与1960—1979年相比, 1980—1998年气候变化和人类活动对流量减少的贡献为39%和61%, 对输沙量减少的贡献为36%和64%, 1999—2014年气候变化和人类活动对流量减少的贡献为24%和76%, 对输沙量减少的贡献为15%和85%。人类活动是窟野河流域水沙减少的主要原因, 随着时间推移呈增大趋势。退耕还林还草导致植被覆盖增加的减沙效应显著大于梯田、淤地坝等水保措施, 而2个时期人类活动的减水效应差别不大。
流域水沙过程受气候、植被、水利工程等多种因素影响, 演变机理十分复杂。本研究提出了一种基于水文模型与机器学习集合模拟的水沙变异成因识别方法, 在月过程模拟的基础上定量识别了气候变化和人类活动对窟野河流域水沙变异的贡献。未来需要将该方法应用于其他小流域, 验证其合理性与普适性, 同时进一步深入研究每种驱动因子对水沙过程的驱动机制, 在更精细的日、小时甚至分钟的时间尺度上研究环境变化对水沙过程的影响机理, 为流域水沙治理与生态保护提供科技支撑。
Quantitative assessment of the attribution of runoff and sediment changes based on hydrologic model and machine learning: a case study of the Kuye River in the Middle Yellow River basin
-
摘要: 黄河水沙变化是当前流域水文与江河治理领域研究的前沿和热点问题。以黄土高原窟野河流域为典型研究对象，利用VIC水文模型和8种基于机器学习算法的输沙量模型，耦合构建流域水沙集合模拟技术，定量识别流域水沙演变特征与变异成因。结果表明：① 1960—2014年窟野河流域年气温和降水分别呈显著增加和不显著减少趋势，径流和输沙量都呈显著减少趋势，1980和1999年是流域产水产沙特性发生改变的重要转折点；②模拟月径流和输沙量的Nash-Sutcliffe效率系数和相关系数分别超过了0.6和0.7，适用于该流域水沙过程模拟；③与天然期1960—1979年相比，1980—2014年气候变化和人类活动对径流减少的贡献分别为24%~39%和61%~76%，对输沙量减少的贡献分别为15%~36%和64%~85%；④人类活动是窟野河流域水沙减少的主要原因，且随时间推移呈增大趋势。相关成果为流域水沙变异归因定量识别提供了新的技术方法，对促进黄河流域水资源开发利用和水沙治理具有重要的支撑作用。Abstract: The changes in runoff and sediment in the Yellow River is a hot issue in the field of hydrology and river management. The Kuye River located in the Loess Plateau was selected as a typical basin. Based on the observed hydro-meteorological data during 1960-2014, there was a statistically significant increasing trend in annual mean temperature, an insignificant decreasing trend in annual precipitation, and significant decreasing trends in annual runoff and sediment. 1980 and 1999 were two breakpoints of the relationships among runoff, sediment and climatic factors. The ensemble modelling framework of runoff and sediment was constructed by the VIC model and eight sediment models based on machine learning algorithm. The Nash-Sutcliffe efficiency coefficient and correlation coefficient for monthly runoff and sediment simulation were higher than 0.6 and 0.7, respectively, that denoted acceptable performance. Based on the comparison between the reconstructed natural runoff and sediment versus observed values, the attribution of runoff and sediment changes were quantitatively analyzed. The results indicated that the contributions of climate change and human activities to runoff reduction in 1980-2014 were 24%-39% and 61%-76% respectively, and the contributions to sediment reduction were 15%-36% and 64-85%, respectively, compared with that in the natural period from 1960 to 1979. Human activities are the main reason for the decreases in runoff and sediment in the Kuye River basin. The related results could not only improve an innovative methodology to understand the attribution of runoff and sediment changes, but also play an important supporting for the utilization of water resources and conservation of runoff and sediment in the Yellow River basin.
-
Key words:
- runoff /
- sediment /
- hydrologic model /
- machine learning /
- Yellow River basin
-
图 1 窟野河流域概况及其在黄河流域的位置
Figure 1. Basic information of the Kuye River and its location in the Yellow River basin
图 2 窟野河流域1960—2014年平均流量与输沙量变化特征
Figure 2. Trends in annual runoff and sediment of the Kuye River basin during 1960—2014
图 3 窟野河流域年平均气温、降水量与植被指数变化特征
Figure 3. Trends in annual mean temperature, precipitation and vegetation index of the Kuye River basin
图 4 窟野河流域1960—2014年降水、流量和输沙双累积曲线
Figure 4. Double accumulation curves among annual precipitation, runoff, and sediment in the Kuye River basin during 1960—2014
图 5 窟野河流域年平均流量、输沙与年降水和植被的阶段性关系
Figure 5. Relationship among annual runoff, sediment, precipitation, and vegetation index at different periods
图 6 窟野河流域模拟和观测月流量与月输沙量
注: Liner为线性回归；Poly为多项式回归；SVR为支持向量机回归；DT为决策树回归；RF为随机森林回归；ETR为极端森林回归；GBR为提升树回归；KNN为K临近回归；Average为简单算术平均；Average-right为加权平均；r-cal和r-val分别表示率定和验证的相关系数；ERMS-cal和ERMS-val分别表示率定和验证的均方根误差。
Figure 6. Simulated and observed monthly runoff and sediment in the Kuye River basin
图 7 窟野河流域实测与重构的多年月平均及年过程流量与输沙量
Figure 7. Observed and reconstructed multi-year monthly average and annual runoff and sediment in the Kuye River basin
表 1 3个时段实测和重构的径流与输沙量及变化归因识别
Table 1. Changes and attribution of runoff and sediment in the Kuye River basin
时段 平均流量 实测值/(m3·s-1) 重构值/(m3·s-1) 总变化/(m3·s-1) 气候变化绝对影响/(m3·s-1) 气候变化相对贡献/% 人类活动绝对影响/(m3·s-1) 人类活动相对贡献/% 1960—1979年 23.1 23.3 1980—1998年 15.9 20.5 -7.20 -2.80 39 -4.40 61 1999—2014年 6.10 19.2 -17.0 -4.10 24 -12.9 76 时段 输沙量 实测值/亿t 重构值/亿t 总变化/亿t 气候变化绝对影响/亿t 气候变化相对贡献/% 人类活动绝对影响/亿t 人类活动相对贡献/% 1960—1979年 1.28 1.26 1980—1998年 0.700 1.05 -0.580 -0.210 36 -0.370 64 1999—2014年 0.050 0 1.07 -1.23 -0.190 15 -1.04 85 
下载: 导出CSV
-
[1] FU G B, CHEN S L, LIU C M, et al. Hydro-climatic trends of the Yellow River basin for the last 50 years[J]. Climatic Change, 2004, 65(1/2): 149-178. doi: 10.1023/B:CLIM.0000037491.95395.bb [2] ZHAO G J, LI E H, MU X M, et al. Changing trends and regime shift of streamflow in the Yellow River basin[J]. Stochastic Environmental Research and Risk Assessment, 2015, 29(5): 1331-1343. doi: 10.1007/s00477-015-1058-9 [3] 鲍振鑫, 严小林, 王国庆, 等. 1956-2016年黄河流域河川径流演变规律[J]. 水资源与水工程学报, 2019, 30(5): 52-57. BAO Z X, YAN X L, WANG G Q, et al. The trend in streamflow of the Yellow River basin during 1956-2016[J]. Journal of Water Resources and Water Engineering, 2019, 30(5): 52-57. (in Chinese) [4] 陈康, 苏佳林, 王延贵, 等. 黄河干流水沙关系变化及其成因分析[J]. 泥沙研究, 2019, 44(6): 19-26. CHEN K, SU J L, WANG Y G, et al. Study on water-sediment relationship in the Yellow River[J]. Journal of Sediment Research, 2019, 44(6): 19-26. (in Chinese) [5] 胡春宏, 张晓明. 黄土高原水土流失治理与黄河水沙变化[J]. 水利水电技术, 2020, 51(1): 1-11. HU C H, ZHANG X M. Loess Plateau soil erosion governance and runoff-sediment variation of Yellow River[J]. Water Resources and Hydropower Engineering, 2020, 51(1): 1-11. (in Chinese) [6] MONTANARI A, YOUNG G, SAVENIJE H H G, et al. "Panta rhei-everything flows": change in hydrology and society: the IAHS scientific decade 2013-2022[J]. Hydrological Sciences Journal, 2013, 58(6): 1256-1275. doi: 10.1080/02626667.2013.809088 [7] GLEICK P H. Methods for evaluating the regional hydrologic impacts of global climatic changes[J]. Journal of Hydrology, 1986, 88(1/2): 97-116. http://www.sciencedirect.com/science/article/pii/002216948690199X [8] ARNELL N W. The effect of climate change on hydrological regimes in Europe: a continental perspective[J]. Global Environmental Change, 1999, 9(1): 5-23. doi: 10.1016/S0959-3780(98)00015-6 [9] BAO Z X, ZHANG J Y, LIU J F, et al. Sensitivity of hydrological variables to climate change in the Haihe River basin, China[J]. Hydrological Processes, 2012, 26(15): 2294-2306. doi: 10.1002/hyp.8348 [10] BAO Z X, ZHANG J Y, WANG G Q, et al. The impact of climate variability and land use/cover change on the water balance in the Middle Yellow River basin, China[J]. Journal of Hydrology, 2019, 577: 123942. doi: 10.1016/j.jhydrol.2019.123942 [11] 刘晓燕, 党素珍, 张汉. 未来极端降雨情景下黄河可能来沙量预测[J]. 人民黄河, 2016, 38(10): 13-17. doi: 10.3969/j.issn.1000-1379.2016.10.003 LIU X Y, DANG S Z, ZHANG H. Possible incoming sediment amount of the Yellow River under the extreme rainfall scenarios in the future[J]. Yellow River, 2016, 38(10): 13-17. (in Chinese) doi: 10.3969/j.issn.1000-1379.2016.10.003 [12] YU X X, ZHANG X M, NIU L L. Simulated multi-scale watershed runoff and sediment production based on GeoWEPP model[J]. International Journal of Sediment Research, 2009, 24(4): 465-478. doi: 10.1016/S1001-6279(10)60018-2 [13] 胡春宏. 黄河水沙变化与治理方略研究[J]. 水力发电学报, 2016, 35(10): 1-11. doi: 10.11660/slfdxb.20161001 HU C H. Changes in runoff and sediment loads of the Yellow River and its management strategies[J]. Journal of Hydroelectric Engineering, 2016, 35(10): 1-11. (in Chinese) doi: 10.11660/slfdxb.20161001 [14] WANG G Q, ZHANG J Y, JIN J L, et al. Assessing water resources in China using PRECIS projections and a VIC model[J]. Hydrology and Earth System Sciences, 2012, 16(1): 231-240. doi: 10.5194/hess-16-231-2012 [15] 赵溦, 王向东, 张晓明, 等. 窟野河流域水沙演变的尺度效应驱动因素研究[J]. 水文, 2016, 36(2): 56-61. doi: 10.3969/j.issn.1000-0852.2016.02.011 ZHAO W, WANG X D, ZHANG X M, et al. Scale effect driving factors of runoff and sediment evolution in Kuye River basin[J]. Journal of China Hydrology, 2016, 36(2): 56-61. (in Chinese) doi: 10.3969/j.issn.1000-0852.2016.02.011 [16] 郭巧玲, 陈新华, 孙斌. 窟野河水沙变化及驱动力分析[J]. 水土保持学报, 2015, 29(1): 17-20. GUO Q L, CHEN X H, SUN B. Analysis of water and sediment changes and related driving forces in Kuye River basin[J]. Journal of Soil and Water Conservation, 2015, 29(1): 17-20. (in Chinese) [17] 王光谦. 江河治理与水沙关系: 黄河流域产流产沙模拟与水沙变化[J]. 中国水利, 2011(6): 27. WANG G Q. River management and relationship between runoff and sediment: simulation and changes in runoff and sediment in the Yellow River basin[J]. China Water, 2011(6): 27. (in Chinese) [18] 胡春宏, 张晓明, 赵阳. 黄河泥沙百年演变特征与近期波动变化成因解析[J]. 水科学进展, 2020, 31(5): 725-733. doi: 10.14042/j.cnki.32.1309.2020.05.009 HU C H, ZHANG X M, ZHAO Y. Cause analysis of the centennial trend and recent fluctuation of the Yellow River sediment load[J]. Advances in Water Science, 2020, 31(5): 725-733. (in Chinese) doi: 10.14042/j.cnki.32.1309.2020.05.009 [19] CUO L, ZHANG Y X, GAO Y H, et al. The impacts of climate change and land cover/use transition on the hydrology in the Upper Yellow River basin, China[J]. Journal of Hydrology, 2013, 502: 37-52. doi: 10.1016/j.jhydrol.2013.08.003 [20] GAO Z L, ZHANG L, ZHANG X P, et al. Long-term streamflow trends in the middle reaches of the Yellow River basin: detecting drivers of change[J]. Hydrological Processes, 2016, 30(9): 1315-1329. doi: 10.1002/hyp.10704 [21] 姚文艺, 焦鹏. 黄河水沙变化及研究展望[J]. 中国水土保持, 2016(9): 55-63, 93. doi: 10.3969/j.issn.1000-0941.2016.09.020 YAO W Y, JIAO P. Prospects in runoff and sediment variation and study of the Yellow River[J]. Soil and Water Conservation in China, 2016(9): 55-63, 93. (in Chinese) doi: 10.3969/j.issn.1000-0941.2016.09.020 [22] 刘晓燕, 杨胜天, 王富贵, 等. 黄土高原现状梯田和林草植被的减沙作用分析[J]. 水利学报, 2014, 45(11): 1293-1300. LIU X Y, YANG S T, WANG F G, et al. Analysis on sediment yield reduced by current terrace and shrubs-herbs-arbor vegetation in the Loess Plateau[J]. Journal of Hydraulic Engineering, 2014, 45(11): 1293-1300. (in Chinese) [23] WANG Y H, KANG M Y, ZHAO M F, et al. The spatiotemporal variation of tree cover in the Loess Plateau of China after the "grain for green" project[J]. Sustainability, 2017, 9(5): 739. doi: 10.3390/su9050739 [24] XIAO J F. Satellite evidence for significant biophysical consequences of the "grain for green" program on the Loess Plateau in China[J]. Journal of Geophysical Research: Biogeosciences, 2014, 119(12): 2261-2275. doi: 10.1002/2014JG002820 [25] LIANG X, WOOD E F, LETTENMAIER D P. Surface soil moisture parameterization of the VIC-2L model: evaluation and modification[J]. Global and Planetary Change, 1996, 13(1/2/3/4): 195-206. http://www.sciencedirect.com/science/article/pii/0921818195000461 [26] LIANG X, XIE Z H. A new surface runoff parameterization with subgrid-scale soil heterogeneity for land surface models[J]. Advances in Water Resources, 2001, 24(9/10): 1173-1193. [27] 包为民, 侯露, 沈丹丹, 等. 黄土高原大理河流域水沙耦合模型应用研究[J]. 湖泊科学, 2019, 31(4): 1120-1131. BAO W M, HOU L, SHEN D D, et al. Application of flow-sedimentation coupled model in Dali River basin of Loess Plateau[J]. Journal of Lake Sciences, 2019, 31(4): 1120-1131. (in Chinese) [28] 李文杰, 王兴奎, 李丹勋, 等. 基于物理过程的分布式流域水沙预报模型[J]. 水利学报, 2012, 43(3): 264-274. LI W J, WANG X K, LI D X, et al. A physically-based distributed watershed water erosion prediction model[J]. Journal of Hydraulic Engineering, 2012, 43(3): 264-274. (in Chinese) [29] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016. ZHOU Z H. Machine learning[M]. Beijing: Tsinghua University Press, 2016. (in Chinese) [30] 王国庆, 张建云, 管晓祥, 等. 中国主要江河径流变化成因定量分析[J]. 水科学进展, 2020, 31(3): 313-323. doi: 10.14042/j.cnki.32.1309.2020.03.001 WANG G Q, ZHANG J Y, GUAN X X, et al. Quantifying attribution of runoff change for major rivers in China[J]. Advances in Water Science, 2020, 31(3): 313-323. (in Chinese) doi: 10.14042/j.cnki.32.1309.2020.03.001 [31] WANG S, FU B J, PIAO S L, et al. Reduced sediment transport in the Yellow River due to anthropogenic changes[J]. Nature Geoscience, 2016, 9(1): 38-41. doi: 10.1038/ngeo2602 -
点击查看大图
图(7) / 表 (1)
计量
- 文章访问数: 1047
- HTML全文浏览量: 196
- PDF下载量: 256
- 被引次数: 0
