标题
Climate and hydrological analysis of glacial drainage basin based on BP neural network restoration of monitoring data - a case study of Weigeledangxiong Glacier
背景
作者
Wei Kang , Ziyi Nie , Bei Li , Yuxi Zhang
期刊来源
Journal of Hydrology
DOI
10.1016/j.ejrh.2025.103024
摘要
在全球气候变化背景下，魏格尔勒当雄冰川融水的增加改变了其流域的流域组成。持续的原位监测对于识别敏感的水文过程至关重要，但恶劣的高海拔条件和技术限制限制了数据质量，并阻碍了融冰驱动的短期水循环机制的研究。为了解决这个问题，开发了一种基于BP神经网络的重建方法，用于生成准确、连续、高时间分辨率的数据集。利用完整的监测记录，应用Mann-Kendall (M-K)趋势分析、M-K突变检验和Spearman相关分析对整个水文年冰川流域的气象和水文变化进行了评估。①与传统插值方法相比，BP神经网络在恢复短期连续监测数据方面具有更高的适用性和精度(平均精度为94.82%)。(2) 6月28日是研究区温度由持续下降向显著上升过渡的关键阈值，导致7月开始温度控制下DXG融化强度大幅增强。(3) DXG全年融水径流量达20422030 m³，其中7月占全年总量的38.18%，反映了当地水文的季节性集中。此外，河流冻结和融化过程显著影响流域内的地下水水位和温度，观测到的水文响应表现出约8天的滞后期。
研究区域以及数据来源
位于黄河源头的阿美马陈山脉是黄河流域冰川的核心分布区。冰川面积占流域冰川总面积的80%以上，冰川融水经曲石安河和车木渠河流入黄河。魏格尔勒当雄冰川(DXG)是阿美Machhen的第二大冰川，是历史上经历多次重复跳跃的独特冰川。DXG融水产生的径流从阿美马陈南麓流出，是融水径流的初始支流。DXG冰舌末端到其他冰川融水汇合处的部分被当地人命名为Qiabulongqu，是本研究的监测区域。整个流域位于东经99◦27′~ 99◦37′，北纬34◦50′~ 34◦53之间。径流接收的冰川融水主要来自DXG，总径流受到冰川融水的显著干扰。这些特点使其成短时间内连续监测和研究气象水文要素变化的理想区域。
冰川气象监测站设置在DXG冰舌拐点的地表碎片上，以气温、湿度、气压、风速、风向、太阳辐射和降雨量为主要监测参数。水文监测站位于冰川末端融水径流源头，利用雷达流量计监测河段流速和水位。水文地质监测站位于径流中游河岸沿线，利用液位传感器和温度传感器监测地下水位和水温的变化。所使用的液位传感器是以压力为基础的。将探头放置在地表10米深的地方，将探头测得的压力值转换为水位值，以监测地下水位的变化。三个监测站的所有设备都由太阳能电池板供电。数据采集频率为每小时一次，所有数据采用4g信号传输至室内服务器进行统一存储。
算法
Mann-Kendall趋势检验
Mann-Kendal (M-K)趋势检验是一种不依赖于正态分布数据的非参数技术。该方法对非均匀时间序列中的不连续奇点的敏感性较低，因此具有较高的数据适应性。M-K趋势是世界气象组织强烈推荐的一种测试方法，用于评估与气候、水文和水资源有关的数据趋势。它是近年来在水文和水文地质领域使用频率高、精度高的趋势测试方法。M-K趋势检验假设时间序列是独立的、同分布的、无趋势的，此时待检验的统计变量S表示为正负序数之差。对于零假设下近似遵循标准正态分布的统计变量zablez，将其值与在显著性水平α处满足标准正态分布表中显著性水平的阈值Zα/2进行比较。如果存在|Z| >Zα/2，则表示序列在显著性水平α处呈现显著趋势，否则表示变化趋势不显著。同时，Z > 0的存在表明序列呈上升趋势，而Z < 0则表明序列呈下降趋势。当序列长度超过8且遵循独立同分布的假设时，用相应的公式计算序列统计量S的方差和序列的标准化统计量Z值。进一步，该趋势的统计显著性呈现出Z分数依赖模式:(1)当|Z|≤1.6时不显著;(2)当1.65 < |Z|≤1.96时，边际显著;(3) 1.96 < |Z|≤2.58时显著;(4) |Z| > 2.58时极显著。
曼肯德尔突变试验
M-K突变试验是世界气象组织推荐的一种识别径流突变的方法，特别是与气象因素有关的突变。与趋势检测类似，M-K突变检测的优势在于它对间歇时间序列数据中的缺失值不敏感。首先构造时间序列数据的秩序列，计算序列的正负序列统计量UFk和UFb。最后，基于两个统计量曲线的交点给出序列趋势的突变检验。当测试结果中存在UFk > 0时，表示序列呈上升趋势，反之亦然。当超过上显著性阈值或下显著性阈值时，表明该上升或下降趋势具有较高的显著性。UFk和UFb曲线在两条临界线之间的交点对应突变开始的时刻。
BP神经网络优化
训练集构建
结果分析
从统计结果中可以明显看出，在湿度数据上训练的神经网络的权系数对于温度、河流流速、水位、地下水温度、地下水位、降水、压力测试结果具有极高的可靠性。每个参数的均方根误差值在0.0265 ~ 1.2437之间。同时，图5a-i中的数据拟合折线图也表明，测试集中各参数预测值与真实值之间的变化趋势是一致的。这表明，使用湿度的权重系数来计算所有其他参数的缺失值是可的。
神经网络对数据样本的特征提取受到提取样本数量的限制，因此每次训练期间提取的样本数量很重要。在实验结果的极端情况下，当每次提取的样本数量为全部样本时，训练中每次迭代的结果是相同的，得到的损失函数将保持不变。而如果提取的次数非常少，则训练中每次迭代的结果会有很大的变化，得到的损失函数不会收敛而是发散。每次提取30-40组样本被发现是一个精度很好的设置。
BP神经网络与插值数据恢复方法的性能比较。
基于M-K检验和滑动t检验的一致证据，确定了温度、湿度和地下水位的会聚点为关键突变点。具体而言，研究区温度突变出现在2024年6月28日，由连续显著下降变为显著上升趋势。同年4月25日湿度发生突变，趋势由显著下降变为显著上升。2023年12月29日发现地下水位发生突变，变化趋势由显著升高变为显著降低。值得一提的是，在河水开始连续断流后仅8天，就发现了地下水位突变。这说明研究区河流的完全冻结对地下水位的变化有重要影响。
在学习率为0.6、样本量为40的情况下训练的BP神经网络的权系数。值得注意的是，在从输入层传播到隐藏层的三组权系数中，x1和x2一致表现出比其他输入变量更大的绝对权值。虽然这两个参数的确切方向关系仍然不确定，但这种权重分布强烈表明，与其他输入变量相比，x1和x2对神经网络的输出计算产生了更大的影响。在权重分布中观察到一个系统的时间模式，其中前一天对应的输入变量通常比第二天的输入变量表现出更高的权重量级。
