黑河上游年径流模拟模型优选与归因分析.pdf

DOI:10.12171/j.10001522.20230212黑河上游年径流模拟模型优选与归因分析吴子晗1计嘉晨1张帆1,2（1.北京林业大学水土保持学院，北京100083；2.山西吉县森林生态系统国家野外科学观测研究站，北京100083）摘要:【目的】本研究旨在深入探究人类活动与气候变化对黑河上游年径流量的影响，为区域水资源保护与规划利用提供科学支持。【方法】研究综合 Mann-Kendall 非参数统计检验、Pettitt 检验和滑动 t 检验方法，对 19542020 年黑河上游年径流序列进行趋势检验，识别年径流序列趋势变化的突变点并划分基准期与分析期。在此基础上，采用 BP 神经网络模型、灰色时间序列模型和多元线性回归模型，模拟基准期年径流变化，优选模拟效果最佳模型，进而借助优选模型与径流变化归因方法，定量解析人类活动与气候变化要素对年径流变化的驱动规律。【结果】趋势检验发现，年径流序列在1982 年和 2006 年前后发生了突变，黑河上游年径流序列可划分为 19541982 年（基准期）、19822006 年（分析期 1）和 20062020 年（分析期 2）3 个阶段。在基准期年径流序列的模拟中，BP 神经网络模型在验证期的相对误差（0.79%）、纳什效率系数（0.84）与拟合优度（0.84）3 个参数上相较其他模型优势明显。借助神经网络模型进行年径流变化归因分析，发现人类活动导致年径流在 19822020 年间减少的平均值为 7.56108m3。但 20062020 年间黑河上游人类活动对径流的负面贡献率较 19822006 年间减少约 18.00%。详细解析气候变化对年径流量的影响，发现在 20062020 年间，降水量与蒸散发对年径流的贡献率较 19541982 年分别增加约 11.00%和 8.00%。【结论】BP 神经网络模型对于黑河上游年径流序列模拟有较好效果，模拟合格率达 94.23%，最大误差仅为 1.36%；黑河流域上游年径流量序列在 1982 年和 2006 年发生了趋势突变，1982 年后人类活动强度增大导致上游年径流量减小，2006 年后黑河流域综合治理效果显现，人类活动对年径流量的负面效应减弱；19822020 年期间的气候变化影响中，蒸散发与降水对径流的贡献分别占46.57%与 53.43%。关键词：年径流模拟；归因分析；人类活动；气候变化；黑河上游中图分类号：TV121+.4文献标志码：A文章编号：10001522(2024)03008011引文格式：吴子晗，计嘉晨，张帆.黑河上游年径流模拟模型优选与归因分析 J.北京林业大学学报，2024，46(3)：8090.WuZihan,JiJiachen,ZhangFan.OptimizationandattributionanalysisofannualrunoffsimulationmodelsintheupperreachesoftheHeiheRiver,northwesternChinaJ.JournalofBeijingForestryUniversity,2024,46(3):8090.Optimization and attribution analysis of annual runoff simulation models in theupper reaches of the Heihe River,northwestern ChinaWuZihan1JiJiachen1ZhangFan1,2(1.SchoolofSoilandWaterConservation,BeijingForestryUniversity,Beijing100083,China;2.JixianNationalForestEcosystemObservationandResearchStation,ChineseNationalEcosystemResearchNetwork(CNERN),Beijing100083,China)Abstract:ObjectiveTheprimaryobjectiveofthisstudyistoconductanin-depthinvestigationintotheimpactofhumanactivitiesandclimatechangeontheannualrunoffintheupperreachesoftheHeiheRiverofnorthwesternChina,withtheaimofprovidingscientificsupportforregionalwaterresourceconservationandplanning.MethodThisstudyemployedacomprehensiveapproachinvolvingtheMann-Kendallnon-收稿日期:20230828修回日期:20231025基金项目:中央高校基本科研业务费（BLX202212、QNTD202303），北京林业大学大学生创新创业训练计划项目（X202310022066）。第一作者:吴子晗。主要研究方向：自然地理学。Email：地址：100083北京市海淀区清华东路35号北京林业大学水土保持学院。责任作者:张帆，博士，讲师。主要研究方向：水土保持与流域综合治理。Email：Zhang_地址：同上。本刊网址:http:/；http:/第46卷第3期北京林业大学学报Vol.46，No.32024年3月JOURNALOFBEIJINGFORESTRYUNIVERSITYMar.，2024parametricstatisticaltest,Pettitttest,andslidingt-testmethodstoassessthetrendsintheannualrunoffseriesintheupperreachesoftheHeiheRiverfrom1954to2020.Theobjectivewastoidentifyabruptchangepointsintheannualrunoffseriesanddelineatethereferenceperiodandanalysisperiod.Buildinguponthisfoundation,weemployedtheBPneuralnetworkmodel,thegreytimeseriesmodel,andthemultivariatelinearregressionmodeltosimulatetheannualrunoffvariationsduringthereferenceperiod.Wethenselectedthemodelwiththebestsimulationperformance.Subsequently,utilizingtheselectedmodelandrunoff attribution methods,we quantitatively analyzed the driving mechanisms of human activities andclimatechangefactorsontheannualrunoffvariations.ResultTrendanalysisrevealedthattheannualrunoffseriesexperiencedabruptchangesaround1982and2006.Consequently,theannualrunoffseriesinthe upper reaches of the Heihe River can be divided into three phases:19541982(reference period),19822006(analysisperiod1),and20062020(analysisperiod2).Inthesimulationoftheannualrunoffseriesduringthereferenceperiod,theBPneuralnetworkmodelexhibitedaclearadvantageovertheothertwomodelsinthreeparametersduringthevalidationperiod:relativeerror(0.79%),Nash-Sutcliffeefficiencycoefficient(0.84),and goodness of fit(0.84).Utilizing the neural network model for annual runoffattributionanalysis,itwasdeterminedthathumanactivitiesledtoanaveragedecreaseof7.56108m3inannualrunoffbetween1982and2020.However,duringtheperiodof2006to2020,theadversecontributionofhumanactivitiesintheupperreachesoftheHeiheRivertorunoffdecreasedbyapproximately18.00%comparedwiththeperiodfrom1982to2006.Adetailedanalysisoftheimpactofclimatechangeonannualrunoffrevealedthatbetween2006and2020,precipitationandevapotranspirationcontributedapproximately11.00%and 8.00%more,respectively,to annual runoff compared with the period from 1954 to 1982.ConclusionTheBPneuralnetworkmodeldemonstratesastrongperformanceinsimulatingtheannualrunoffseriesoftheupperreachesoftheHeiheRiver,achievingasimulationaccuracyof94.23%withamaximumerrorofonly1.36%.TheannualrunoffseriesintheupperHeiheRiverBasinexhibitedtrendtransitionsin1982and2006.Increasedhumanactivitiesafter1982leadtoareductioninannualrunoff,whilethecomprehensiveriverbasinmanagementmeasuresimplementedafter2006resultinamitigationofthenegativeimpactsofhumanactivitiesonannualrunoff.Regardingtheinfluenceofclimatechangeduringthe period from 1982 to 2020,evapotranspiration and precipitation contribute 46.57%and 53.43%,respectivelytorunoff.Key words:annualrunoffsimulation;attributionanalysis;humanactivity;climatechange;upperreachesofHeiheRiver水资源对于人类生存与环境稳定至关重要，在生态健康、社会稳定和经济发展方面发挥着关键作用1。然而，随着气候变化与人类活动影响不断加剧，我国主要河流径流量普遍呈现下降趋势，导致区域水资源供需矛盾日益突出2。特别是在干旱半干旱地区，地表水是当地生产、居民生活和生态可持续发展的关键资源，准确预测地表径流量变化趋势对于制定科学合理水资源管理计划至关重要。要更全面地了解地表水资源变化情况，就需要在径流模拟基础上对驱动径流变化的气候与人类活动因素进行定量识别，并采取积极措施来减轻不同要素对地表水资源供应的不利影响3。进行干旱半干旱区地表径流模拟与变化归因分析可以量化气候变化对径流变化影响程度，为区域制定应对气候变化的措施提供科学指导，对干旱半干旱地区的水资源规划管理具有重要意义。国内外通常使用分布式模型和统计模型来进行径流量模拟与变化归因分析4。分布式水文模型包括美国农业部和农业研究中心于 20 世纪90 年代开发用于流域管理的 SWAT（soilandwaterassessmenttool）模型，以及华盛顿大学基于土壤植被 大 气 传 输（soilvegetationatmospherictransfer，SVAT）思想开发的中大尺度分布式水文模型 VIC模型5等。基于这类分布式水文模型，Wang 等6和Yan 等7分别采用 SWAT 模型与 VIC 模型对青藏高原径流和克里雅河流域进行研究，Zhai 等8针对中国 7 个典型流域展开径流分析研究，使用 SWAT模型、VIC 模型和物理水文模型等多个模型对比试验。尽管这类基于分布式水文模型研究在量化气候变化和人类活动对径流变化的驱动关系方面效果第3期吴子晗等：黑河上游年径流模拟模型优选与归因分析81良好，但研究中也存在一些限制条件。例如分布式水文模型要求空间参数多，运算时间长，运算量大，特别是率定和验证过程需要大量空间参数，在空间数据时间序列较短的流域应用时会遇到困难。相较而言，统计模型进行归因分析的方法通常只需要建立径流与关键驱动因子之间的统计关系，具有计算速度快、需要参数少、模型复杂度低的优势。因此，以多元线性回归、灰色时间序列等为代表的传统统计水文模型被广泛用于长时间序列地表径流模拟与变化归因分析中9。近年来，随着机器学习等新技术发展，神经网络等方法也被应用于地表径流量模拟，如陈志高等10使用变分模态分解与反向神经网络提出了基于潮流调和分析和 VMD-BP 神经网络组合模型的感潮河段流量预报方法。这些模型对年径流量变化模拟更加精确，基于这类模型进行年径流归因分析有望获得更准确的可靠结果。年径流量变化归因即定量分析气候变化和人类活动对径流量变化影响，这对于水资源保护政策制定与水资源利用规划具有重要支撑作用11。由于地形复杂度、气候空间变异性以及人类活动强度差异，不同流域径流变化规律存在明显区域异质性。有研究尝试通过结合趋势检验与径流模拟模型来量化气候变化和人类活动对径流量变化贡献12，然而这类研究大多没有进行径流模拟模型优选，在径流趋势变化判断时也仅使用一种径流趋势检验方法，这可能会影响径流模拟效果与趋势变化分析结果，导致径流归因结果不准确。为解决以上问题，本研究提出使用 Mann-Kendall 非参数统计检验（简称 M-K 检验）、Pettitt 检验和滑动 t 检验多种趋势检验相互验证的方法来精确捕捉径流序列趋势突变，并从灰色时间序列方法、BP 神经网络模型、多元线性回归模型中优选模拟模型进行年径流量变化归因分析。本文将以上方法应用于黑河上游莺落峡水文站 19542020 年径流量模拟与变化归因研究中，以上游地区祁连、野牛沟与托勒气象站的蒸散发降水数据为驱动进行径流模拟，优选模拟模型后定量分析人类活动和气候变化对年径流量变化的影响。本研究可以为黑河流域及类似地区地表水资源可利用量预测分析与区域水资源发展规划提供重要科学依据。1研究区概况黑河发源于青海省祁连山脉，流经河西走廊，最终流入内蒙古自治区居延海，流域覆盖青海、甘肃、内蒙古 3 省，干流全长约 800km。黑河流域上游位于 37303941N，972810116E 之间（图 1），是黑河流域主要产流区，也是本文研究区域。莺落峡是黑河上游与中游分界线，上游河流汇集后经莺落峡进入中游绿洲。历史上由于人类活动和气候变化影响，黑河上游径流量在历史时期有不同程度变化。黑河下游西、东居延海先后于 1961 年和 1992年彻底干涸，昔日水草丰茂的塞上明珠成为我国北方沙尘主要来源地，严重威胁我国生态安全。因此，98 E39 N38 N39 N38 N99 E100 E101 E102 E98 E99 E100 E101 E102 EN气象站 Weather station水文站 Hydrologic station09018045km托勒 Toler祁连 Qilian野牛沟 Bison Gully俄博 Obo札马什克 Zamashk莺落峡 Yingluo Gorge5 1111 680海拔 Elevation/m黑河上游 Upper reaches of Heihe River康乐 Kangle图1黑河流域上游概况Fig.1OverviewoftheupperreachesofHeiheRiverBasin82北京林业大学学报第46卷研究黑河上游径流变化原因，有利于制定流域水资源管理计划，对当地乃至我国北方地区生态改善均有积极效应。2研究方法2.1 研究技术路线本研究基于黑河流域 19542020 年的径流序列数据，首先通过 M-K 检验、Pettitt 检验和滑动 t 检验来进行趋势突变范围确定，根据突变范围选定突变点，划分研究时段，然后借助 19541984 年的径流序列对灰色时间序列、BP 神经网络和多元线性回归模型进行误差对比，筛选最优模拟模型，最后利用筛选出的模型对气候与人类活动变化下的径流进行模拟预测，分别计算气候与人类活动的贡献率，分析径流突变的原因并提出相关的预防措施，为未来情况下同样风险的发生提供可参考的科学支撑。详细技术路线如图 2 所示。年径流序列Annual runoff sequence趋势检验Trend test模拟方法优选Optimization of simulation method径流变化归因Attribution ofrunoff changeM-K 检验 M-K testPettitt 检验Pettitt test滑动 t 检验Sliding t-test趋势突变范围确定Determination of trend mutation range灰色时间序列Grey time series多元线性回归Multiple linearregressionBP 神经网络BP neural network最优模拟模型Optimal simulation model误差对比Error comparison趋势突变识别Trend mutationidentification气候与人类活动贡献率计算Calculation of climateand human activitycontribution rate突变原因解析Analysis ofmutation cause图2技术路线Fig.2Technologyframework 2.2 年径流模拟模型优选为提高黑河流域年径流量模拟预测精度，本文将比较灰色时间序列、多元线性回归和 BP 神经网络 3 种不同模型对年径流量拟合效果，根据模型拟合表现选择最优模型。2.2.1径流模拟模型2.2.1.1灰色时间序列模型灰色时间序列模型通过比较系统因素之间发展趋势，在衡量异同基础上进行关联分析，并在此基础上生成有较强规律性数据序列，进而建立相应微分方程模型，以预测事物未来发展趋势13。灰色时间序列模型结合了关联空间、光滑离散函数等概念，经过逻辑处理，定义灰导数与灰微分方程，进而用离散数据列生成离散随机数建立微分方程形式的动态模型。2.2.1.2多元线性回归模型多元线性回归模型含有多个解释变量，可以用于解释变量与其他多个解释变量之间的线性关系14。该模型由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效。只要采用模型和数据相同，多元回归模型通过标准统计方法可以计算出唯一结果。但缺点是在回归分析中，选用何种因子和该因子采用何种表达式只是一种推测，这导致某些因子的不可测性，使得回归分析在某些情况下受到限制。2.2.1.3BP 神经网络模型BP 神经网络遵循误差反向传播（简称误差反传）训练，并且具有多层前馈网络，其算法称为 BP算法，以梯度下降法作为核心支撑，使用梯度搜索技术，以期达到实测值与模拟值误差均值方差最小15。BP 神经网络模拟过程主要分为两个阶段，如图 3 所示，第 1 阶段是信号前向传播，从输入层经过隐含层，最后到达输出层；第 2 阶段是误差反向传X1X2X3z3(2)a3(2)z2(3)a2(3)z1(2)b1(2)b1(3)b2(3)b2(2)b3(2)a2(2)z1(3)a1(3)z1(2)w11(2)w11(3)w21(3)w12(3)w13(3)w23(3)w22(3)w21(2)w31(2)w12(2)w22(2)w32(2)w13(2)w33(2)w23(2)a1(2)+1+1X1、X2、X3代表每个神经元的输入。z1、z2、z3代表隐含层中的蕴含条件。a1、a2、a3代表各对应输出层的输出结果。w11、w21、w31则代表连接权值调节各个输入量的占重比，占重比指输入层与隐含层间进行训练调整的比值，下标 11，21，31分别对应第一个输入层与第一个隐含层、第二个输入层与第一个隐含层、第三个输入层与第一个隐含层，以此类推。X1,X2,andX3representtheinputsofeachneuron.z1,z2,andz3representtheimplicationconditionsin the hidden layer.a1,a2,a3 represent the output results of eachcorresponding output layer,while w11,w21,w31 represent theweight ratio of the connection weight adjustment for each inputquantity.The weight ratio refers to the ratio of training adjustmentbetweentheinputlayerandthehiddenlayer,withsubscripts11,21,31correspondingtothefirstinputlayerandthefirsthiddenlayer,thesecondinputlayerandthefirsthiddenlayer,thethirdinputlayerandthefirsthiddenlayer,andsoon.图3BP 神经网络示意图Fig.3SchematicdiagramofBPneuralnetwork第3期吴子晗等：黑河上游年径流模拟模型优选与归因分析83播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。2.2.2模型的比较与优选指标对于 3 种不同模型，为确保预报径流量的准确性，需要在模拟预测之前根据已获取的年际数据对模型进行率定验证，使之贴合实际情况。本文使用3 个统计 指 标：纳 什 效 率 系 数（Nash-Sutcliffe efficiencycoefficient，NSE）、相对误差（relativeerror，RE，%）和拟合优度（R2）来评估模型预报结果，以选择最优模型。（1）RE指标是一种用来描述模型预测结果偏差的指标。其作用主要是衡量模型中存在的系统误差，即对真实值的估计偏离程度，它代表了训练集和测试集之间的平均误差16。RE越小则说明模型对数据适应度越好；而当 RE较大时则意味着可能存在欠拟合情况。计算公式如下所示。RE=(QcQo)Qo100%(1)QcQo式中：表示模拟平均值，表示实测平均值。（2）NSE表示模拟值和观测值之间匹配程度，NSE取值为负无穷至 1，NSE接近 1，表示模式质量好，模型可信度高；NSE接近 0，表示模拟结果接近观测值的平均值水平，即总体结果可信，但过程模拟误差大；NSE远远小于 0，则模型是不可信的17。计算公式如下所示。NSE=1ni=1(QsiQoi)2ni=1(QoiQo)2(2)QsiQoi式中：n 代表时间序列长度，代表观测值，代表模拟值。（3）R2代表预测值解释了变量方差的比例，R2衡量模型拟合优度，R2越大越好，一般 R2大于 0.8说明模型对样本点的拟合效果很好。计算公式如下。R2=1SRSSTS(3)式中：SRS表示残差平方和，STS表示总平方和。2.3 年径流变化归因分析2.3.1年径流序列突变点识别本文采用 M-K 检验、Pettitt 检验和滑动 t 检验三者组合检验的方法对年径流突变点进行划定。M-K 检验是一种气候诊断与预测技术，应用 M-K 检验法可以判断气候序列中是否存在气候突变，如果存在，可确定出突变发生的时间；Pettitt 检验是一种与M-K 方法相似的非参数检验方法，不同的是秩序列分 3 种情况计算，可检验突变发生年份；滑动 t 检验是通过考察两组样本平均值的差异是否显著来检验突变。基本思想是把一气候序列中两段子序列均值有无显著差异看作来自两个总体均值有无显著差异的问题来检验。各种统计检验方法的详细说明见参考文献18。2.3.2气候与人类活动贡献率计算气候变化与人类活动对径流变化的贡献程度不同，需要对其进行定量分析。分析时采用基准期作为参考，对分析期的气候与人类活动贡献率展开计算19。具体计算方法如下所示。Q=QiQc=Qc+QH(4)Qc=QsQc(5)QH=QiQs(6)C=QcQ100%(7)H=QHQ100%(8)QQcQHQsQiQcCHQcQH式中：代表分析期和基准期之间的年平均径流量变化，和分别代表这两个时期由于气候变化和人类活动引起的年平均径流量的变化。所有的非气候因素都被归为人类活动。表示分析期间的模拟径流。和分别代表分析期和基准期的观测径流。和分别表示和在径流量变化中所占的百分比，即贡献率。假设在基准期内没有任何人类活动，径流只受气候变化的影响。3结果与分析3.1 年径流序列趋势检验与突变识别根据上述 3 种突变检验方法对径流序列进行组合检验，得到黑河流域年径流量时间序列突变范围。图 4a 表明，滑动 t 检验中超出置信区间的两个时间节点分别位于 1980 年前后和 2005 年前后。图 4b显示 Pettitt 检验中红色虚线处在 20002010 年之间。结合 Pettitt 检验和滑动 t 检验的结果推测 2006年附近存在径流序列突变。图 4c 结果显示，径流 M-K 统计曲线在 2006 年附近出现 UF 和 UB 交叉点，表明径流趋势发生显著变化。此外，以往研究中发现，黑河流域径流突变点在 2004 年20与 1979 年21附近。综合考虑本文突变检验结果与前人研究，本文确定的径流趋势突变年份为 1982 年和 2006 年。依据径流趋势突变年份，将莺落峡年径流序列划分为 19541982 年（基准期）、19822006 年（分析期 1）、20062020 年（分析期 2）3 个时间段。从图 4d 及表 1 中可以看出，黑河流域上游径流量自19542020 年整体呈现增加趋势，但 19541982年和 19822006 年径流量呈现减少趋势。推测可能84北京林业大学学报第46卷是由于气候与人类活动对径流的影响发生改变，具体原因需要通过径流模拟与归因分析进一步研究。3.2 年径流模拟与优选结果分析本文将在基准期内筛选最优模拟模型。研究以19541970 年为率定期，19711982 年为验证期，分别使用 3 种模型对实测径流和气候变化因子（降水量和蒸散发）进行模拟，计算各模型在验证期模拟径流数据的 RE、NSE和 R2，通过比较误差指标，选定最优径流模拟模型。图 5 展示了 3 种模型对年径流模拟效果以及验0.05 significance levelUBUF1950 1960 1970 1980 1990 2000 2010 2020年份 Year1954196419741984199420042014年份 YearAnual runoff division年径流量 年份 YearPettitt test1950197019902010统计量Statistics381811350200Pettitt 检验 Pettitt test阈值 Threshold400600800b Pettitt 检验a 滑动t 检验时期 1(19541982)Period 1(19541982)时期 2(19822006)Period 2(19822006)时期 3(20062020)Period 3(20062020)统计值 Statistical valued 年径流划分1201234t 值t value1954196419741984199420042014年份 Year0.01 显著水平 0.01 significance leveltAnnual runoff/108 m3Sliding t-testc M-K 检验M-K test图4莺落峡水文站年径流突变检验与径流趋势划分Fig.4AnnualrunoffmutationtestandtrenddivisionoftheYingluoxiaHydrologicalStation表1黑河上游年径流趋势划分与趋势方程Tab.1AnnualrunofftrenddivisionandtrendequationintheupperreachesoftheHeiheRiver年份区间Yearrange线性趋势方程Lineartrendequation19541982y=0.0354x+84.66819822006y=0.0399x+96.28320062020y=0.1569x+295.6819542020y=0.0836x149.29注：x代表年份，y代表年径流量。Notes:xrepresentstheyearandyrepresentstheannualrunoff.201816141210819541958196219661970年份 Year实测径流 Measured runoff灰色时间序列 Grey time series多元线性回归 Multiple linear regressionBP 神经网络 BP neural network灰色时间序列 Grey time series多元线性回归 Multiple linear regressionBP 神经网络 BP neural network19741978198210 12 14 16 18 202018161412108验证期实测值年径流量Measured value in verification period/108 m3验证期模拟值Simulation value in verificationperiod/108 m3Annual runoff/108 m3图53 种模型模拟效果Fig.5Simulationeffectofthreemodels第3期吴子晗等：黑河上游年径流模拟模型优选与归因分析85证期内实测值与模拟值的差异。结果表明灰色时间序列模型的模拟曲线与实测径流值之间最大误差为6.41108m3，最小误差为 0.08108m3，多元线性回归模型的模拟曲线与实测径流值之间最大误差为4.82108m3，最小误差为 0.01108m3，BP 神经网络模型的模拟曲线与实测径流值之间最大误差为6.30108m3，最小误差为 0.002108m3。根据数据计算可得 BP 神经网络模型模拟结果的平均误差为 1.22108m3，多元线性回归模型模拟结果的平均误差为 3.16108m3，灰色时间序列模型模拟结果的平均误差为 3.23108m3。综合评定得知，BP 神经网络模型模拟的径流趋势最贴近于实测径流变化趋势。3 种模型在验证期的实测值与模拟值拟合效果指标见表 2。根据结果对比得知，在基准期年径流序列模拟中，BP 神经网络模型在验证期的 RE（0.79%）、NSE（0.84）与 R2（0.84）3 个参数上相较其余两个模型优势明显。3 种模型模拟预测的效果从高到低依次为 BP 神经网络、灰色时间序列、多元线性回归。根据模型输入选择与模型特点分析可得，灰色时间序列需要输入径流及影响因素的时间序列，适合近似于指数增长的预测模拟，对于径流量随年份呈现峰谷变化趋势拟合效果较差。多元线性回归对于因子采用何种表达式只是一种推测，使得回归分析的精度受到一定限制。BP 神经网络通过大量样本的学习，可以在径流模拟中获得较好模拟效果。综合考虑，选择 BP 神经网络作为此次黑河流域年径流模拟模型。3.3 年径流变化归因分析选取 1982 年和 2006 年两个突变点，将黑河流域年径流时间序列划分为 19541982 年、19822006 年和 20062020 年 3 段，设定 19541982 年为基准期，19822006 年和 20062020 年为分析期，使用 BP 神经网络模型设置气候变化因子作为参照因素，模拟预测分析期径流变化，并与实测径流进行对比，两者差值即为分析期内受人类活动影响的径流变化量。BP 神经网络径流模拟结果如图 6a 所示。19541982 年实测径流与模拟径流的最小误差为 0.01108m3，最大误差为 2.70108m3。1982 年之后模拟表23 种模型在径流模拟中的性能比较Tab.2Performancecomparisonofthreemodelsinrunoffsimulation不同时期Differentperiods灰色时间序列Greytimeseries多元线性回归MultiplelinearregressionBP神经网络BPneuralnetworkRE/%NSER2RE/%NSER2RE/%NSER2率定期Calibrationperiod7.930.460.668.270.590.713.810.620.89验证期Validationperiod5.680.540.706.330.630.660.790.840.84注：RE代表百分比偏差，又称相对误差；NSE是纳什效率系数；R2是拟合优度，反映模拟值与实测值的线性相关程度。Notes:RErepresentspercentagedeviation,alsoknownasrelativeerror;NSEistheNashefficiencycoefficient;R2isthegoodnessoffit,reflectingthedegreeoflinearcorrelationbetweenthesimulatedandthemeasuredvalues.25201510501950197019902010036912年份 Yeary=0.083 7x+178.8y=0.066 8x 116.1319801990200020102020年份 Year实测径流 Measured runoff模拟径流 Simulated runoff线性 Linear(实测径流 Measured runoff)线性 Linear(模拟径流 Simulated runoff)Reduced runoff under the influence of human activitiesComparison of simulated measured runoffa 模拟实测径流对比b 人类活动影响下径流减少量1982200620062020年径流Annual runoff/108 m3年径流Annual runoff/108 m319822006 平均 19822006 mean20062020 平均 20062020 mean图6分析