Page 122 - 2023年第54卷第8期

３
２００３—２０１４年水库调度使三口分流量 年 均 减 少 约 ２１亿 ｍ 。 汪 雁 佳 等 ［１０］ 从 江 湖 水 量 交 换 视 角 对
三口河系水位变化规律进行探究，认为上游来水量减少及人类修建的水利工程是引起三口河系 水
位变化的主要驱动因素。在探究三口分流变化情况及其影响因素相关研究中，对于三峡水库运 行
后三口分流变化趋势的认识尚有争议，存在三口分流没 有 显 著 性 变 化 ［１１］ 和 三 口 分 流 持 续 减 小 ［１２］
两个观点。
在研究方法上，研究者都倾向于采用 Ｍ－ Ｋ趋势 检验 法、回 归 分析 等 传 统方 法，均 基于基础资
料进行分析。随着科学技术的发展，人工神经网络在各行各业发展迅速，水利行业也不例外，刘媛
媛等 ［１３］ 将神经网络与水动力模型结合用于预测城市内涝风险研究，郭燕等 ［１４］ 将神经网络用于鄱阳
湖水位模拟与预测，王涛等 ［１５］ 建立了以神经网络理论为基础的冰坝预报模型。李荣等 ［１６］ 基于水量
守恒和槽蓄方程建立了物理意义较为明确的洞庭湖区河网神经网络模型，并对 １９８２年的流量过程
进行了模拟，模拟结果与实测结果较为吻合。朱承山等 ［１７］ 建立了基于神经网络的水资源预测模型，
将其运用 于 欧 阳 海 水 库，模 型 输 出 的 入 库 径 流 量 过 程 与 实 际 入 库 径 流 过 程 相 吻 合。 自 ２０１５年
Ｇｏｏｇｌｅ集团推出 Ｔｅｎｓｏｒｆｌｏｗ机器学习系统以来，Ｔｅｎｓｏｒｆｌｏｗ已经成为实现神经网络内置架构最为流行
的机器学习框架之一，其模型为用户提供了更加简洁、训练 效率 更高 的计 算方 法，且支 持 ＣＰＵ和
ＧＰＵ大规模集群计算 ［１８ － １９］ 。以 Ｔｅｎｓｏｒｆｌｏｗ架构的大规模深度学习模型应用广泛，其常应用于语音识
别、自然语言处理、计算机视觉、机器人控制、信息 提 取、数据 分析 和预 测等 ［２０］ 。本 文基 于 Ｔｅｎ
ｓｏｒｆｌｏｗ搭建了 ＡＮＮ模型，它不同于传统分析方法，不仅具有数学模型可复演 不同 地形 条件下水沙
过程演变的特点，而且不需要建立具体的水沙运动数学模型即可映射出上下游断面间水文要素之间
的复杂非线性关系，降低了建立数学模型和参数率定的困难，也能在相对较短时间内获得可行且精
度较高的结果。
在三峡水库及上游梯级水库相继运行后，来水水沙条件发生了新的变化。本文基于 １９９１—２０２０
年近 ３０年的长系列实测资料探究新 的 水 沙 条 件 下 荆 南 三 口 分 流 变 化 规 律， 系 统 分 析 荆 南 三 口 河
系演变驱动因子对三口分流量 （荆 江 来 流 量 分 入 三 口 河 道 水 量 ）的 影 响。 首 先 对 宜 昌 站 流 量 过 程
进行还原，其后基于 Ｔｅｎｓｏｒｆｌｏｗ搭建的 ＡＮＮ模型定量分析 ２００３—２０２０年时间段内三峡水库调蓄、
地形变化（干支流不对等冲刷 及 工 程 影 响 ）对 三 口 分 流 的 影 响。 该 研 究 可 为 长 江 中、 下 游 河 湖 水
系连通及河湖规划、生态环境保护和水资源配置等提供依据，为长江大保护等国家战略提供技 术
支撑。

２ 研究区域概况及研究方法

２．１ 研究区域及数据来源 自湖北省枝城市至湖南省岳阳市城陵矶的长江干流河段被称为荆江河段。
荆江贯穿于江汉平原与洞庭湖平原之间，错综复杂的洞庭湖河网水系位于其南岸。长江干流来水沿程
通过荆南三口河道与洞庭湖相连，洞庭湖承接湘、资、沅、澧四水来水，经洞庭湖调蓄后由城陵矶汇
入长江，形成了错综复杂的江湖关系（图 １）。荆南三口河道包括松滋河、虎渡河和藕池河，主要由新
江口和沙道观（松滋口）、弥陀寺（太平口）、康家岗和管家铺（藕池口） ５个水文站来控制，荆江干流通
过枝城站来控制。在三峡水库及上游梯级水库群建成后新的水沙条件下，荆南三口分流量发生变化，
其深刻影响了长江与洞庭湖的水文情势。
本文收集了 １９９１—２０２０年新江口、沙 道观、弥陀 寺、康 家岗、管 家铺 和宜 昌站 的日 平均水位、
流量、含沙量资料；１９９１—２０２０年寸滩站、武隆站逐 日 流量 资 料，枝 城 站 的逐 日 流 量、水位资料；
１９９２—２０２０年枝城站的逐日含沙量资料；１９９１—２０００年清江长阳站、２００１—２０２０年高坝洲站的逐日
流量资料，以上逐日资料均来自于相关年份的水文年鉴。荆南三口五站的多年平均年径流量及多年平
均输沙量来自 《中国泥沙公报》。
２．２ 研究方法 采用 Ｍ－ Ｋ检验法、年径流量 － 年输沙量双累积曲线法分析枝城站及荆南三口的年径
流量、年输沙量的变化趋势及突变点，具体计算原理见文献［ ２１ － ２２］。

０
— １ ０ ６ —