Page 7 - 2023年第54卷第7期

化预测的有效方法。本研究采用 １９５４—２０１８年（日历年）共 ６５ａ的样本作为数据集，其中 １９５４—１９８９
年为基准期，１９９０—２０１８年为验证期。
（ ２）弹性系数法。径流（输沙）变化率对气候因子变化率的比值 ［２２］ ，以基于 Ｂｕｄｙｋｏ假设的水热耦
合平衡方程为核心，能实现不同影响因素的定量分析，相较于经验模型物理机制更强，但该方法不能
解决各输入项之间有潜在联系的问题，且流域特征概化，无法实现精细化的模拟和预测。
（ ３）机器学习模型（ＭＬ）。基于对径流输沙演变规律的大数据分析，挖掘径流形成的驱动要素，提
取径流输沙预测因子，借助机器学技术，建立径流输沙预测模型。该模型属于考虑多因子同径流输沙
的关系经验模型和黑箱模型，并对流域特征进行了概化。本研究中机器学习方法使用水土保持措施面
积数据和归一化植被指数（ ＮＤＶＩ）来反映人类活动对水沙的影响。
（ ４）ＧＡＭＬＳＳ（ＧｅｎｅｒａｌｉｚｅｄＡｄｄｉｔｉｖｅＭｏｄｅｌｓｆｏｒＬｏｃａｔｉｏｎ，ＳｃａｌｅａｎｄＳｈａｐｅ）。ＧＡＭＬＳＳ是位置、尺度、
形状的广义可加模型，模型能够非常灵活地建立概率分布参数与协变量之间的函数关系，属于黑箱概
化模型。本文将水土保持措施面积作为影响径流量和输沙量的协变量。
（ ５）ＳＷＡＴ（ＳｏｉｌａｎｄＷａｔｅｒＡｓｓｅｓｓｍｅｎｔＴｏｏｌ）。ＳＷＡＴ是一种以日为时间步长运行的连续时间分布式
流域水文模型，通过修正的径流曲线数法（ＳＣＳ法）和 Ｇｒｅｅｎ＆Ａｍｐｔ下渗法估算地表径流，运用修正的
通用土壤流失方程计算每个水文响应单元的水力侵蚀 ［２３］ 。该模型可以长时间连续计算且效率高，适用
多种土壤类型，但模型计算方程多为经验公式。
（ ６）流域水沙动力过程模型（ＤＷＮ）。ＤＷＮ是由降雨产流模型、坡面产沙模型、沟坡重力侵蚀模
型及沟道水沙演进与冲淤模型四个基础模型组成，并在流域单元的基础上结合河网水系进行水沙动力
学过程模拟的分布式模型 ［２０］ 。模型动力学机理完善，双层率定技术解决多参数率定的计算效率问题，
模型复杂度高；但模型参数率定困难，计算量大，数据获取难度也大。
（７）多因子驱动的黄河流域分布式水循环模型（Ｍｕｌｔｉ － ｆａｃｔｏｒｓＤｒｉｖｅｎＷａｔｅｒＰｒｏｃｅｓｓｅｓＭｏｄｅｌｉｎＹｅｌｌｏｗ
ＲｉｖｅｒＢａｓｉｎ，ＭＦＤ － ＷＥＳＰ）。ＭＦＤ － ＷＥＳＰ以流域二元水循环 ＷＥＰ －Ｌ模型为基础，增加了黄河源区冻
土水热耦合模块，并将汇流过程由 “坡面－ 河道” 系统改进为 “坡面－ 沟壑－ 河道” 系统。该模型可考
虑源区冻土、黄土区沟壑产汇流和平原区取用水等的综合影响 ［２４］ 。
（ ８）ＨｙｄｒｏＴｒｅｎｄ。由 Ｓｙｖｉｔｓｋｉ等开发，是基于水量平衡原理和流域长期产沙经验模型的集总式水文
模型，最适于在年代尺度以上研究气候变化和人类活动（尤其是土地利用和水库）对河流流量和输沙量
的影响 ［２５］ 。模型依赖的流域信息少，能够在宏观的角度提供多年平均的变化趋势。本研究直接使用由
陈蕴真 ［２６］ 改进的 ＨｙｄｒｏＴｒｅｎｄ４Ｙｅｌｌｏｗ模型开展沙量预测。
（９）产沙指数模型。基于遥感技术提取黄土高原不同侵蚀类型区林草、梯田等空间分布信息，构
建适用于各类型区林草梯田有效覆被率－ 产沙指数关系，来推算黄河流域主要产沙区沙量 ［２７］ 。
（１０）人工智能模型。基于集成学习中的极端梯度提升树（ＸＧＢｏｏｓｔ）算法设计，构建大数据驱动的
黄河流域径流与侵蚀产沙智能预测模型 ［２８］ ，属于机器学习模型中的一种。
（１１）ＢＰ神经网络模型。基于黄河流域降水和干流水文站水沙资料，构建的以年降雨量预测值的累计
值和年径流量累计值作为输入层，输沙量年累计值作为输出层的 ＢＰ网络神经模型，预测未来入黄沙量。
２．３ 数据来源 本研究构建了流域水沙变化归因分析和模拟预测的多方法的标准化数据库。如表 １所
示，降水数据采用了水文年鉴、国家级气象站数据、ＣＭＯＲＰＨ卫星融合数据和气候模式数据。气候模
式数据：ＧＣＭ（ＧｌｏｂａｌＣｌｉｍａｔｅＭｏｄｅｌ）数据使用融合模式比较计划第五阶段 ＣＭＩＰ５模式中的 ９个不同模
型 ＣＭＣＣ － ＣＭＳ、ＧＦＤＬ － ＥＳＭ２Ｍ、ＩＰＳＬ － ＣＭ５Ａ － ＬＲ、ＣＮＲＭ－ ＣＭ５、ＣＳＩＲＯ － Ｍｋ３ － ６ － ０、ＥＣ － ＥＡＲＴＨ＿
ＱＭ、ＥＣ － ＥＡＲＴＨ＿ＲＣＭ、ＭＩＲＯＣ － ＥＳＭ－ ＣＨＥＭ 和 ＮｏｒＥＳＭ１ － Ｍ，获取 ２０２１—２０７０年的日降水、月气温
和月蒸发数据。周文罛等 ［２９］ 利用格点化观测资料，对 ＣＭＩＰ５提供的 １８个全球气候模式在黄河流域的
模拟能力进行评估，结果表明 ＭＩＲＯＣ － ＥＳＭ－ ＣＨＥＭ、ＣＳＩＲＯ － Ｍｋ３ － ６ － ０、ＮｏｒＥＳＭ１ － Ｍ、ＣＮＲＭ－ ＣＭ５和
ＥＣ － ＥＡＲＴＨ，５个全球气候模式综合评分较优，其中 ＥＣ － ＥＡＲＴＨ模式包括统计降尺度 ＥＣ － ＥＡＲＴＨ＿ＱＭ
和动力降尺度 ＥＣ － ＥＡＲＴＨ＿ＲＣＭ两种模式。考虑到 ＧＦＤＬ － ＥＳＭ２Ｍ、ＩＰＳＬ － ＣＭ５Ａ － ＬＲ、ＣＭＣＣ － ＣＭＳ能
捕捉到极端天气 ［３０］ ，因此本研究预测未来水沙时选取了这 ９种气候模式。未来植被条件基于 ２０００—

— ７ ６ ５ —