径流是地表水资源量的重要表现形式, 在水循环过程中发挥着重要作用。受气候变化和人类活动的影响, 全球和区域尺度的径流发生了巨大变化, 径流过程模拟及变化归因分析研究也成为国际水科学领域的研究热点^[1-2]。永定河是北京的“母亲河”, 其上游流域不仅是重要的水源地, 更是京津冀协同发展的生态大动脉, 永定河流域的综合治理和生态修复作为国家战略被提上议程^[3]。过去几十年来, 受气候变化和人类活动等因素的影响, 永定河上游流域径流量呈显著减少趋势^[4], 水资源短缺成为限制流域社会经济发展和生态文明建设的重要因素。因此, 定量评估气候变化和人类活动对径流减少的贡献, 对深入理解永定河上游流域水文过程和水资源的科学管理具有重要意义。

目前, 径流变化归因分析的研究已经从定性分析逐渐发展到了定量识别阶段^[5], 研究方法主要包括基于数理统计的分析法^[6]、基于物理机制的水文模型法^[7-8]以及基于Budyko假设和气候弹性系数法^[9-10]。统计分析法计算简便, 但整体上缺乏物理机制; 水文模型法物理机制较强, 但水文模型需要大量的数据输入、参数率定过程复杂、易出现过参数化或异参同效等问题, 在缺资料地区的应用会有较大的局限性^[11]; 弹性系数法需要长期的水文气象资料, 能考虑简单的物理现实背景, 但实际蒸散发量难以测量, 计算实际蒸散发的经验方法也具有一定的不确定性^[12]。近年来, 受全球大数据技术迅猛发展的影响, 机器学习应用成为研究热点。与传统的方法相比, 机器学习方法能够挖掘大数据的潜在价值及其内在联系, 在流域径流预测方面具有一定的实用价值, 如集成学习方法^[13]、人工神经网络方法^[14]、支持向量机^[15]等方法在径流预测方面也得到了广泛应用。随机森林(Random Forest)模型作为一种数据挖掘的机器学习方法, 自2005年Parkhurst等首次将其应用于水资源科学解决水质问题以来, 随机森林已被广泛用于各种水文应用^[16], 主要包括: 径流模拟及预报^[17-19]、水位预测^[20]、土壤水势测定^[21]及参考蒸散估算^[22]等, 然而随机森林模型是否能够考虑各影响因素与径流之间的非线性关系来实现流域径流模拟, 且其是否可以应用于径流变化归因分析, 相关研究还相对较少。关于永定河上游径流变化的归因分析当前已有部分学者开展了研究, 结果表明气候变化和人类活动对径流减少的贡献率比例分别为10.5%~39.1%和60.3%~89.5%^[23-26]。然而该流域水环境复杂, 且受到了高强度的人类活动影响, 研究也多是基于统计学和弹性系数法, 所得气候变化与人类活动对径流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。

本研究以永定河上游典型流域为研究对象, 分别以随机森林模型和SWAT模型为基础对流域径流变化归因进行定量分析, 并将两种方法的结果进行对比验证, 旨在探索随机森林模型在径流变化归因分析中的适用性, 进而为更可靠地评估变化环境下的流域径流变化归因及水资源合理开发利用提供科学参考。

1.   研究区概况、数据来源及方法

1.1   研究区概况

永定河属海河水系, 发源于干旱半干旱区, 河流全长约747 km, 流域面积约为4.7万km², 流经山西、内蒙古、河北、北京和天津5省市(112°~117°45′E, 39°~41°20′N)。以官厅水库和三家店水库为界, 分为上、中、下游3段^[27]。永定河上游流域主要包括洋河和桑干河两大支流(图1), 流域土地利用整体上以耕地、草地和林地为主, 三者占流域总面积的90%以上; 流域属典型的温带大陆性季风气候, 年平均气温4.6 ℃, 年降水量约400 mm, 80%径流量来源于夏季降水补给^[28]。

图  1  洋河流域示意图

Figure  1.  Schematic diagram of the Yanghe River Basin

下载: 全尺寸图片 幻灯片

本文主要关注永定河上游受人类活动影响较大的洋河流域。洋河地处张家口坝下南部, 是永定河上游的第一大支流, 全长262 km, 流域面积为15 078 km², 山西省的阳高县和内蒙古的兴和县是河流的发源地, 流经河北省万全县、张家口市、宣化县、下花园、怀来县等。上源有东洋河、南洋河、西洋河等支流, 并于河北省怀安县柴沟堡附近汇合称为洋河^[25]。

1.2   数据来源

本文选取研究区及附近6个气象站(图1, 表1)的逐日平均气温、日最高气温、日最低气温、风速、日照时数、相对湿度等作为基础数据, 数据来源于中国气象数据共享服务网(http://data.cma.cn)。部分站点资料略有缺失, 缺失数据基于相邻站点采用线性插值法补齐。随机森林模型中输入的参考作物蒸散发由Penman-Monteith公式计算所得。为定量探究气候变化和人类活动对永定河上游典型流域径流变化的影响贡献, 基于洋河流域(柴沟堡东站、柴沟堡南站、响水堡站)的实测径流数据(图1, 表1)进行分析, 数据来源于《中华人民共和国水文年鉴》。研究所用到的2000年的土地利用数据来源于中国科学院地理科学与资源研究所, 分辨率为30 m。数字高程模型(DEM)来自于地理空间数据云(http://www.gscloud.cn)。土壤类型和质地数据来自于中国1∶100万土壤数据库及野外实地考察。

表  1  洋河流域水文站、气象站基本信息

Table  1.  Basic information of hydrological stations and weather stations in the Yanghe River Basin

分类 Category	站名 Name	经度 Longitude (°)	纬度 Latitude (°)	海拔/控制面积 Altitude (m) /area (km²)	时间序列 Period
气象站 Meteorological station	天镇 Tianzhen	114.1	40.4	1015.6	1984—2015
	尚义 Shangyi	114.0	41.1	1358.6	1984—2015
	怀安 Huai’an	114.4	40.7	1142.4	1984—2015
	宣化 Xuanhua	115.0	41.6	629.3	1984—2015
	崇礼 Chongli	115.3	41.0	1246.7	1984—2015
	涿鹿 Zhuolu	115.2	40.3	529.6	1984—2015
	兴和 Xinghe	113.9	40.9	1253.1	1984—2015
水文站 Hydrometric station	柴沟堡东 Chaigoubu East	114.1	40.7	3674	1984—2015
	柴沟堡南 Chaigoubu South	114.4	40.7	2427	1984—2015
	响水堡 Xiangshuibu	115.2	40.5	14 507	1984—2015

下载: 导出CSV 

| 显示表格

1.3   研究方法

本研究对永定河上游典型流域的径流进行模拟及变化归因分析, 主要包括以下3个步骤: 1) MK突变分析法识别径流的突变点; 2)运用SWAT模型和随机森林模型对突变点前的径流量进行模拟校准, 利用校准好的模型模拟突变后的径流量; 3)借助径流影响评价模型进行径流变化归因分析计算。

1.3.1   Mann-Kendall突变检验法^[29]

基于Mann-Kendall非参数方法对水文序列进行突变检验。通过构建序列来计算Z的不同检验统计量S_k, 前提是时间序列是无序的:

式中: $ k $表示为小于等于n但不等于j的变量; ${a}_{ij}$代表统计量; $ k $=1时UF₁=0; $E\left({S}_{k}\right)和\mathrm{v}\mathrm{a}\mathrm{r}\left({S}_{k}\right)$分别代表样本的均值和方差; UF_k符合准正态分布, 给定一个置信水平α, 若UF_k>$ {U}_{\alpha /2} $则序列有明显的上升或者下降趋势, UB_k则是UF_k的相反数。UF_k线与UB_k线在置信区间的交点为突变点, 其对应的时间则为突变时间。

1.3.2   SWAT模型

SWAT (Soil and Water Assessment Tool)模型是20世纪90年代由美国农业部(USDA)开发的分布式流域水文模型, 用于模拟和预测流域长期的径流、泥沙和面源污染等物理过程^[30], 是当前应用较为广泛的水文模型。目前, 已有大量研究证明SWAT可以较好地应用于中等尺度流域径流模拟的研究^[31]。SWAT模型构建所需数据包括气象、土地利用属性、土壤特性属性数据和地形、土壤类型、土地利用等空间数据。首先基于DEM和流域水系分布特点, 以径流观测站为出口, 将流域划分成若干个子流域且包含1个或多个水文响应单元(HRU); 再次, 输入模型需要的土壤、土地利用属性数据, 最后输入气象数据来驱动模型。SWAT基本原理是在每个水文响应单元或子流域上计算净雨和产流, 再根据流域特性, 基于数学方程实现汇流计算和径流的时间变化模拟。模型中的水量平衡表达式为:

式中: $ \mathrm{S}{\mathrm{W}}_{\mathrm{t}} $表示土壤最终的含水量(mm), $ \mathrm{S}{\mathrm{W}}_{\mathrm{o}} $表示土壤前期的含水量(mm), ${R}_{\mathrm{d}\mathrm{a}\mathrm{y}}$表示在第i天的降水量(mm), ${Q}_{\mathrm{s}\mathrm{u}\mathrm{f}}$表示在第i天的地表径流量(mm), ${E}_{\mathrm{a}}$则表示为第i天的蒸发量(mm), W_seep表示第i天时土壤剖面底层的渗透量和侧向流量(mm), Q_gw 表示第i天地下水流出量(mm)。

本文利用SWAT-CUP软件进行模型参数的率定和验证, 并选用决定系数(R²)和纳什效率系数(NSE)来评价模型效果。R²和NSE越接近1, 表示模型效果越好。

1.3.3   随机森林模型

随机森林模型是一种现代分类与回归技术, 也是一种组合式学习技术, 其自助样本集是由变量和属性随机化选择来构建的, 分类回归决策树是个体学习机的集成学习模型。存在噪声和缺失值的实测数据用随机森林模型处理效果好且学习速度快, 随机森林模型也很适合处理以小样本和高维度为特征数据的分类和回归问题, 近年来在解决特征分类、时间序列预测、特征提取以及异常点检测等问题上得到了广泛应用^[32-33]。

本研究使用的是R中的“Party”包开发的随机森林模型, 模型的输入因子包括降水、气温、蒸发量、日照时数、风速、相对湿度、月径流数据及土地利用数据。主要包括以下3个步骤: 1)突变分析; 2)径流模拟; 3)借助径流影响评价模型进行贡献率分析。与线性回归或双累积曲线法类似, 利用随机森林模型建立了突变点前气候或人为因素与径流之间的关系。

突变点前的气候或人为因素与径流的关系可以表示为:

其次, 气候驱动的径流量可由突变前建立的关系确定:

式中: ${P}_{{\rm{b}}}、{T}_{{\rm{b}}}、{E}_{{\rm{b}}}、{S}_{{\rm{b}}}、{R}_{{\rm{b}}}及{L}_{{\rm{b}}}$分别代表突变前的降水(mm)、温度(℃)、蒸散发(mm)、风速(m∙s⁻¹)、日照时数(h)及相对湿度(%), $ {R}_{{\rm{before}}} $代表突变前的径流量(m³∙s⁻¹), ${P}_{{\rm{a}}}、{T}_{{\rm{a}}}、{E}_{{\rm{a}}}、{W}_{{\rm{a}}}、{S}_{{\rm{a}}}及{R}_{{\rm{a}}}$分别代表突变后的降水(mm)、温度(℃)、蒸散发(mm)、风速(m∙s⁻¹)、日照时数(h)及相对湿度(%), $ {R}_{{\rm{sim1}}} $表示突变后气候驱动的径流(m³∙s⁻¹)。

再次, 人类活动驱动的径流变化由突变前的关系确定。

气候变化和人类活动对径流变化的贡献率计算参考式(9)和(10):

式中: $ {R}_{\mathrm{o}\mathrm{b}\mathrm{s}1} $表示突变前的多年平均实测径流(m³∙s⁻¹), $ {R}_{\mathrm{o}\mathrm{b}\mathrm{s}2} $表示突变后的多年平均实测径流(m³∙s⁻¹); $ {C}_{{\rm{climate}}} $表示气候变化对径流变化的贡献率, $ {C}_{{\rm{human}}} $表示人类活动对径流变化的贡献率。

1.3.4   径流演变贡献分析

通过流域水文模型模拟分析变化环境对径流量影响的前提是需要假定气候变化和人类活动这两者为相互独立的因子。此种方法主要包括以下几个步骤: 1)对长时间序列的实测径流数据进行突变年的识别, 以突变点为分界将水文序列划分为天然时期和人类影响时期, 并将天然时期认作基准期。2)以突变点作为分界点, 利用SWAT模型或随机森林模型对突变后的径流量进行模拟, 将模拟出来的径流量假定为突变后无人类活动影响的天然径流量。3)通过天然时期的径流量、人类活动时期的实测径流量与天然径流量计算气候变化和人类活动对径流变化的贡献率^[34]。气候变化和人类活动径流贡献率的计算公式如下:

式中: ${Q}_{{\rm{n}}}$是突变前实测径流量的平均径流量(10⁸ m³), ${Q}_{{\rm{h}}}$是突变后实测径流量的平均值(10⁸ m³), ${Q}_{{\rm{c}}}$是突变后模拟径流量的平均值(10⁸ m³), ${\Delta }{Q}_{{\rm{c}}}$是气候变化对径流的影响值(10⁸ m³), ${\Delta }{Q}_{{\rm{h}}}$是人类活动对径流的影响值(10⁸ m³), $ {\Delta }Q $为径流变化总量(10⁸ m³), ${W}_{{\rm{c}}}$、${W}_{{\rm{h}}}$分别代表气候变化和人类活动对径流变化影响的百分比。

2.   结果与分析

2.1   基于SWAT和随机森林模型的洋河流域径流过程模拟

2.1.1   基于SWAT模型的洋河流域径流过程模拟

利用SWAT模型对永定河上游受人类活动影响较大的洋河流域进行模拟, 研究时段为1984—2015年。选取1984—1985年作为模型的预热年, 1986—1990年为率定期, 1991年至突变年的前一年作为验证期。东洋河(柴沟堡东站)、南洋河(柴沟堡南站)、洋河(响水堡站)径流的突变年分别发生在2000年、1998年和1997年, 因此, 东洋河(柴沟堡东站)的验证期为1991—1999年, 南洋河(柴沟堡南站)的验证期为1991—1997年, 洋河(响水堡站)的验证期为1991—1996年。根据从上游至下游, 从支流到干流的原则, 首先通过柴沟堡东和柴沟堡南两个水文站的月径流数据对东洋河和南洋河两大支流进行率定和验证, 再将率定好的参数进行参数传递, 输入SWAT模型中对响水堡水文站的月径流数据进行率定和验证。

经参数率定后的洋河流域子流域各水文站实测径流值与模型模拟径流值如图2所示, 东洋河、南洋河以及洋河流域的模拟与实测月径流过程较吻合, 3个流域率定期和验证期的R²均在0.65以上, NSE也大多在0.65以上, 只有洋河流域的NSE在率定期为0.57。SWAT模型对部分年份枯水期径流的模拟值偏低, 且由于洋河流域位于干旱半干旱气候区, 降雨多为短历时的暴雨, 产流方式以超渗产流为主, 在月尺度上模拟的降雨径流过程较难准确模拟洪峰。但总体来看, SWAT模型对研究区域径流过程模拟精度较好, 说明可以采用SWAT模型模拟洋河流域的天然径流量变化过程。

图  2  基于SWAT模型的东洋河、南洋河、洋河流域突变前月径流实测值和模拟值对比

图中虚线左侧为率定期, 右侧为验证期。

Figure  2.  Observed and simulated monthly runoff before abrupt change in the Dongyanghe River Basin, Nanyanghe River Basin, Yanghe River Basin based on SWAT

In the figure, the left side of the dotted line is the calibration period, and the righ side of the dotted line is the verification period.

下载: 全尺寸图片 幻灯片

2.1.2   基于随机森林模型的洋河流域径流过程模拟

基于随机森林模型的洋河流域子流域各站径流模拟结果如图3所示。随机森林模型在洋河流域径流模拟结果上与实测值相对接近。基于NSE和R²评价结果来看, 东洋河径流模拟的NSE为0.77, R²为0.84; 南洋河径流模拟的NSE为0.81, R²为0.86; 洋河流域径流模拟的NSE为0.84, R²为0.91。模型结果表现相对优异, 说明随机森林模型建立的突变前气候和人类活动与径流变化之间的关系适用于本研究区。

图  3  基于随机森林模型的东洋河、南洋河、洋河流域突变前月径流实测值和模拟值对比

Figure  3.  Observed and simulated monthly runoff before abrupt change in the Dongyanghe River Basin, Nanyanghe River Basin, Yanghe River Basin based on random forest model

下载: 全尺寸图片 幻灯片

2.2   基于径流影响评价模型的洋河流域径流变化归因分析

2.2.1   基于SWAT模型的洋河流域径流变化归因分析

基于洋河流域的每个子流域模拟的天然径流量和实测径流量, 以突变前的实测径流值为基准值, 借助径流影响评价模型定量评估了气候变化和人类活动对东洋河、南洋河、洋河3个流域径流变化的贡献率(图4、表2)。总体来看, 1986—2015年东洋河、南洋河、洋河流域径流突变后的实测径流量相较于SWAT模型模拟的天然径流量明显减少, 模拟径流与突变前实测径流量相比有一定程度的下降, 但差异不大, 人类活动是导致洋河流域径流减少的主要原因。东洋河流域在突变后较突变前的实测年均径流值减少0.5亿m³左右, 人类活动使年均径流减少约0.43亿m³, 其对径流下降的贡献率达84.3%; 南洋河流域径流变化受人类活动的影响最大, 突变后较突变前的年均实测径流值减少了近0.3亿m³,人类活动使年均径流减少约0.27亿m³, 气候变化和人类活动对径流减少的贡献率分别为5.0%和95.0%; 洋河流域径流突变后较突变前的年均实测径流值减少了1.2亿m³, 人类活动使年均径流减少1.1亿m³, 气候变化和人类活动对径流减少的贡献率分别为8.9%和91.1%。

图  4  基于SWAT模型(a,b,c)和随机森林模型(d, e, f)的东洋河、南洋河、洋河流域径流影响评价模型结果

Figure  4.  Observed and simulated monthly runoff after calibration and validation periods based on the SWAT and random forest model in the Dongyanghe River Basin, Nanyanghe River Basin, Yanghe River Basin

下载: 全尺寸图片 幻灯片

表  2  基于SWAT模型的气候变化及人类活动对东洋河、南洋河、洋河流域径流变化影响的贡献率(1986—2015年)

Table  2.  Contribution rates of climate change and human activities to runoff changes in the Dongyanghe River Basin, Nanyanghe River Basin, Yanghe River Basin based on SWAT model (1986 to 2015)

水文站 Hydrometric station	时段 Time interval	实测径流 Observed runoff (×108 m3)	模拟径流 Simulated runoff (×108 m3)	径流变化量 Runoff variation (×108 m3)	贡献值 Variable quantity (×108 m3)			贡献率 Contribution rate (%)
					气候变化 Climate change	人类活动 Human activities		气候变化 Climate change	人类活动 Human activities
柴沟堡东 Chaigoubu East Station	突变前 Before abrupt change	0.93
	突变后 After abrupt change	0.42	0.85	−0.51	−0.08	−0.43		15.7	84.3
柴沟堡南 Chaigoubu South Station	突变前 Before abrupt change	0.47
	突变后 After abrupt change	0.19	0.45	−0.28	−0.01	−0.27		5.0	95.0
响水堡 Xiangshuibu Station	突变前 Before abrupt change	2.14
	突变后 After abrupt change	0.95	2.04	−1.20	−0.11	−1.09		8.9	91.1

下载: 导出CSV 

| 显示表格

2.2.2   基于随机森林模型的洋河流域径流变化归因分析

同上, 在随机森林模型模拟径流的基础上, 借助径流影响评价模型定量评估气候变化和人类活动对东洋河、南洋河、洋河3个流域径流变化的贡献率, 结果如图4、表3所示。东洋河流域径流突变后较突变前的实测年均径流减少约0.51亿m³, 其中, 人类活动使径流减少约0.45亿m³, 气候变化和人类活动贡献率分别为11.5%和88.5%; 南洋河流域突变后较突变前的实测年均径流减少约0.28亿m³, 人类活动使径流减少约0.27亿m³, 其对径流下降的贡献率约为98%; 洋河流域突变后较突变前的实测年均径流减少近1.2亿m³, 人类活动使径流减少约1.15亿m³, 气候变化和人类活动对径流下降的贡献率分别为3.4%和96.6%。

表  3  基于随机森林模型的气候变化和人类活动对东洋河、南洋河、洋河流域径流变化的贡献率(1986—2015年)

Table  3.  Contribution rate of climate change and human activities to the runoff changes in the Dongyanghe River Basin, Nanyanghe River Basin, Yanghe River Basin based on the random forest model (1986−2015)

水文站 Hydrometric station	时段 Time interval	实测径流 Observed runoff (×108 m3)	模拟径流 Simulated runoff (×108 m3)	径流变化量 Runoff variation (×108 m3)	贡献值 Variable quantity (×108 m3)			贡献率 Contribution rate (%)
					气候变化 Climate change	人类活动 Human activities		气候变化 Climate change	人类活动 Human activities
柴沟堡东 Chaigoubu East Station	突变前 Before abrupt change	0.93
	突变后 After abrupt change	0.42	0.87	−0.51	−0.06	−0.45		11.5	88.5
柴沟堡南 Chaigoubu South Station	突变前 Before abrupt change	0.47
	突变后 After abrupt change	0.19	0.46	−0.28	−0.01	−0.27		2.4	97.6
响水堡 Xiangshuibu Station	突变前 Before abrupt change	2.14
	突变后 After abrupt change	0.95	2.10	−1.20	−0.04	−1.15		3.4	96.6

下载: 导出CSV 

| 显示表格

通过与上文中基于SWAT模型计算得到的气候变化和人类活动对东洋河、南洋河、洋河流域径流量影响的贡献率进行对比, 基于随机森林模型所得的结果在趋势和数值上与SWAT模型接近, 表明随机森林模型方法在洋河流域径流变化归因分析研究中具有一定的适用性。

3.   讨论

本研究尝试利用随机森林模型模拟永定河上游洋河流域径流变化并量化气候变化和人类活动对其影响。基于水文模型和随机森林模型的研究结果相似, 都表明人类活动是导致该流域径流变化的主要驱动因素, 对径流减少的贡献率为84.3%~97.6%。这一结果与李秀^[35]通过Budyko假设的互补关系法得到的结果基本一致(92.0%)。除此之外, 田菲等^[25]采用趋势分析法和降水-径流关系模型对1966—1999年洋河流域径流变化归因进行了分析, 结果表明人类活动对洋河流域径流下降的贡献为83.2%; Xia等^[26]和侯蕾^[4]基于Budyko的方法对气候变化及人类活动对永定河上游径流影响进行了定量评价, 研究结果表明人类活动是径流量减少的主要原因, 贡献率为80%~89.5%。本文中基于SWAT和随机森林模型所得的1986—2015年人类活动对洋河流域径流变化贡献率高于李秀和田菲等的研究, 这可能与所选研究时段差异有关。下垫面变化是人类活动对水文过程影响的一个主要方面, 随着“退耕还林” “退耕还牧”等水土流失治理工程的实施及城市化的发展, 2000年后永定河上游流域土地利用的变化较之前更为显著, 建设用地显著增加, 未利用地向耕地和草地转化, 水域面积衰减, 人类活动对该流域径流量变化的影响更加剧烈^[36], 因此不同时段人类活动对该流域径流变化的影响具有一定的差异。另外, 本研究中利用两种模型对人类活动造成东洋河流域径流减少贡献率的计算结果为84.3%~88.5%, 对南洋河流域贡献率都达到95%以上。这可能与东洋河流域和南洋河流域土地利用类型差异有关。通过对比, 南洋河流域耕地面积占流域总面积的46%左右, 且人口多沿河道分布, 东洋河流域耕地面积较少, 林地、草地面积占流域面积近70%, 这也很好地解释了南洋河流域径流受人类活动影响显著高于东洋河的原因。总体来看, 利用随机森林模型和SWAT模型在永定河上游流域进行径流贡献变化归因分析结果与已有研究大体相同, 且具有一定的合理性。

不同的模型和方法在进行径流预测时会得到不同的结果, 也能挖掘到不同的信息, 每一种方法都有其局限性和应用价值, 根据研究目的选择适合的方法是有效的研究手段^[37]。SWAT模型具有明确的物理过程, 但模型构建对输入数据的精度和种类要求较高且耗时较长, 受其结构复杂性的影响, 模型在校准和验证的过程具有较高不确定性^[38]。流域径流过程具有非线性和高度复杂性^[39], 随机森林模型在进行径流预测时能够将年径流量与气候变量和流域属性等一系列预测因子联系起来, 与传统方法相比, 该模型建模过程简单, 且具备捕捉水文系统的非线性特征, 其灵活性比线性回归具有更好的预测性能。已有研究结果表明相较于人工神经网络、支持向量回归和线性模型, 随机森林模型在预测水位日变化时预测结果更准确^[20]。本研究在永定河上游的洋河流域进行了模拟和适用性分析, 但关于随机森林模型在径流变化归因分析上还需要更加细致和完善的研究, 多方法结合可能是降低不确定性的重要途径。此外, 虽然随机森林模型具有学习速度快和应用方便的特点, 且可以在一定程度上避免水文模型调参导致的不确定性问题, 但仍具有黑箱模型属性, 其模型输入和结果的可解释性还需要在未来研究中深入探讨。

4.   结论

本文以永定河上游的洋河流域为研究区, 基于随机森林模型对流域径流变化进行了定量归因分析的尝试, 同时, 基于SWAT模型对模型结果进行了对比分析, 以探讨随机森林模型在径流变化归因分析中的适用性, 得到如下结论:

1)随机森林模型在永定河上游流域具有较好的模拟精度。从与SWAT对比结果来看, 其对径流的模拟精度相对较高, NSE和R²均高于SWAT模型。

2)气候变化和人类活动对永定河上游流域径流造成了显著影响, 突变后, 年均径流量下降显著。气候变化对径流量减少的贡献率为2.4%~15.7%; 人类活动对径流减少的平均贡献率为84.3%~97.6%。人类活动是造成径流减少的主要原因。

3)随机森林模型的定量归因结果与SWAT模型结果及前人研究结果相对接近, 其在永定河上游流域径流变化归因分析研究中具有一定的适用性。