Medical Journal of the Chinese People's Armed Police Forces

Journal of Changjiang River Scientific Research Institute >

2025 , Vol. 42 >Issue 10: 32 - 37

DOI: https://doi.org/10.11988/ckyyb.20240860

Water Resources

Response of Runoff Coefficient to Urban Underlying Surface Change Based on BP Neural Network

  • ZHANG Lin , 1, 2 ,
  • DING Bing 1, 2 ,
  • DENG Jin-yun 3 ,
  • YAO Shi-ming 1, 4 ,
  • WANG Jia-sheng 1, 2 ,
  • LI Li-gang 1, 2 ,
  • WANG Zhao-hui 1, 5
Expand
  • 1 Key Laboratory of River and Lake Management and Flood Control in the Middle and Lower Reaches of the Changjiang River of Ministry of Water Resources, Changjiang River Scientific Research Institute, Wuhan 430010,China
  • 2 River Research Department,Changjiang River Scientific Research Institute,Wuhan 430010, China
  • 3 State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 430072, China
  • 4 Changjiang River Scientific Research Institute, Wuhan 430010, China
  • 5 President’s Office, Changjiang River Scientific Research Institute, Wuhan 430010, China

Received date: 2024-08-12

  Revised date: 2024-12-24

  Online published: 2025-02-26

Fold

Abstract

[Objective] Against the background of rapid urbanization, changes in the urban underlying surface constitute a significant factor influencing runoff processes, yet their mechanisms remain inadequately studied. [Methods] Taking Qingshan District of Wuhan City as a representative study area, this paper used remote sensing technology, GIS analysis, and a BP neural network model to quantitatively assess urban underlying surface changes during the typical study period and analyze its impact on the runoff coefficient. [Results] (1) Under urban development, land use in the study area from 2002 to 2017 shifted overall from permeable to impermeable surfaces. Vegetation, rooftops, and other land-use types fluctuated, whereas water bodies shrank year by year. Construction of the sponge city demonstration zone in 2015 slowed this trend. (2) The runoff coefficient was jointly affected by underlying surface changes and rainfall. However, urban rainfall changed little over short timescales, the impervious surface ratio was the dominant factor. As the area ratio of high-runoff land use (e.g., hardened ground) increased and that of low-runoff land use (e.g., vegetation, green space) decreased, the runoff coefficient rose yearly—from 0.399 in 2009 to 0.535 in 2017—showing that land-use change directly altered the runoff coefficient to some extent. (3) After sponge city interventions, the annual runoff coefficient showed a decreasing trend; in 2017 it was 0.535, 0.051 lower than in 2014. [Conclusions] Sponge city construction reduces the runoff coefficient by expanding highly permeable surfaces and adding storage volume, thereby mitigating the adverse impacts of urban development on stormwater regulation capacity. The study offers scientific guidance for urban planning and flood-control drainage system design, and technical support for urban hydrological cycles and water-resource management.

Key words： runoff coefficient; underlying surface; BP neural network model; remote sensing technology; land use type; urban planning

Cite this article

ZHANG Lin , DING Bing , DENG Jin-yun , YAO Shi-ming , WANG Jia-sheng , LI Li-gang , WANG Zhao-hui . Response of Runoff Coefficient to Urban Underlying Surface Change Based on BP Neural Network[J]. Journal of Changjiang River Scientific Research Institute, 2025 , 42(10) : 32 -37 . DOI: 10.11988/ckyyb.20240860

开放科学(资源服务)标识码(OSID):

0 引言

径流系数是一个综合参数,是指任意时段内的径流总量(或径流深度)与同一时段内的降水总量(或降水深度)的比值[1-3]。城市年均径流系数是-个综合性参数,体现了汇水面上各种性质的地面覆盖的组合效应[4-6]。径流系数的主要影响因素有降雨条件、下垫面因素等[7],从较长尺度来看,城市降雨条件不会发生趋势性变化[8],而下垫面因素将成为城市年均径流系数变化的主导因素[9]。对城市下垫面变化及其与径流系数响应关系的研究,对于深入理解城市水文过程、优化城市排水系统设计、以及指导城市可持续发展具有重要意义。
现有研究多基于传统水文模型计算分析降雨产流过程及径流系数变化情况,而传统水文模型通常需要详细的数据和参数来描述水文过程[10-13]。然而,这些数据往往难以收集齐全,尤其是对于一些缺乏实测数据的地区。因此,模型的建立和应用受到很大的限制。年均径流系数变化影响因素众多,且其作用过程呈现非线性变化规律。鉴于人工神经网络具有很强的处理大规模复杂非线性动力学系统的能力,已被引入到水文研究领域[14-15]。
为探究城市下垫面变化的径流响应机制,本文以武汉市青山区为典型研究区域,通过遥感、地理信息(Geographic Information Systems,GIS)等手段获取典型研究时段地表覆盖数据,根据已有文献基于C语言构建BP神经网络模型,在此基础上对典型时段年均径流系数进行模拟,分析研究区域下垫面变化及年均径流系数的演变趋势,量化研究区径流系数与城市下垫面覆盖情况的响应关系。该成果能为典型城市扩张及其水文效应研究提供技术支撑,对于指导城市规划与建设以及促进城市可持续发展具有重要意义。

1 研究区域概况

青山区为武汉典型的老城区,大量社区建于上世纪八九十年代,地下雨水管网老旧,雨季期间下大雨后积水严重,历史上和近年城区均出现过大规模的洪涝灾害。在此背景下,青山区成为武汉市海绵城市建设示试点之一,该区域集合老工业区、棚户区、老住宅区、水敏感区、循环经济区等5种需求为一体,着重探索海绵城市建设在旧城生态改造中的落实,示范区主要包括和平公园、青山公园、武汉站三大示范中心和两河生态水域示范带等,面积为23 km2,具体区位见图1。现状用地类型以居住用地和绿地广场用地为主。
图1 武汉海绵城市建设试点区位

Fig.1 Pilot areas for sponge city construction in Wuhan

2 研究方法

2.1 土地利用年均变化率

土地利用年均变化率通常用K来表示,是一个用来定量描述特定时间段内某种土地利用类型数量变化情况的指标。这个指标能够揭示土地利用变化的速率以及区域间的差异,对于预测未来的土地利用变化趋势也具有一定的参考价值。如果K值较大,说明该土地利用类型在研究时段内变化较快,反之则说明变化较慢。
土地利用年均变化率K的计算公式为
K = U b - U a U a · 1 T · 100 % 　 。
式中:K是土地利用年均变化率,以百分数表示;Ua是研究时段开始时(通常是基期年)的某一土地利用类型的面积; U b是研究时段结束时(通常是末期年)的同一土地利用类型的面积;T是研究时段长,通常是以年为单位。

2.2 BP神经网络模型

2.2.1 BP神经网络模型简介

城市年均径流系数变化影响因素众多,且其作用过程呈现非线性变化规律。鉴于人工神经网络具有很强的处理大规模复杂非线性动力学系统的能力,已经被广泛引入到水文研究领域。目前应用最多、研究比较成熟的人工神经网络算法是BP神经网络模型(多层前馈网络误差反传算法模型),该模型是一种基于误差反向传播(Back Propagation,BP)算法的多层前馈神经网络训练方法。其结构见图2。
图2 BP神经网络结构示意图

注: x j为输入层第j个节点的输入; W i j为输入层第i个节点到隐含层第j个节点之间的权值; θ i为隐含层第i个节点的阈值; φ ( x )为隐含层的激励函数; α k为输出层第k个节点的阈值; ψ ( x )为输出层的激励函数; o k为输出层第k个节点的输出。

Fig.2 Schematic diagram of BP neural network structure

2.2.2 径流系数影响因素

通过已有研究成果可以发现,径流系数主要与降水条件、下垫面情况、产汇流过程3类影响因素有关,其中下垫面类型是一个重要因素,降水过程对径流系数的影响主要体现在降雨强度、雨型、持续时间等方面。
以上影响因素中,降水条件数据最易获得(包括雨强、雨型、降雨持续时间)且与径流系数直接相关,同时下垫面情况中各地面类型比例可通过遥感影像获得,不同的地面类型直接反映了雨水与地面接触后的截蓄能力的强弱,可作为主要影响因素参与径流系数确定方法的优化。而产汇流过程通常获取困难,本次研究地区没有进行过实际降雨汇流过程的测量与记录,所以不选用产汇流过程作为径流系数确定方法的优化因素。

2.2.3 参数选取及模型训练

基于实测资料收集情况及径流系数主要影响因素综合考虑,并通过多次调整最终确定输入参数为不透水地面面积比例、场次抽排量、场次降雨量、场次日均降雨量,输出参数为场次径流系数,均提前进行归一化处理,因此模型输入层节点数目选取为4。神经网络模型隐藏节点范围通常在几个到几十个之间,具体取值取决于多种因素如问题的复杂程度、训练样本的数量等。径流系数计算涉及多个变量和复杂的非线性特征。本文通过试错法,最终确定隐含层节点数目为9。输出层节点数目为1,计算步长为0.1,总学习次数为5 000。训练误差变化如图3。
图3 本次模型训练误差变化

Fig.3 Variation of model training error

3 结果与分析

3.1 下垫面变化特征分析

图4分析了研究时段内土地典型地表覆盖类型面积变化规律,图5给出了研究区域2002—2017年土地利用现状,研究时段内土地利用年均变化率汇总见表1。
图4 研究区域土地覆盖面积变化趋势

Fig.4 Trends in land cover area changes in the study region

图5 研究区域土地利用现状

Fig.5 Current landuse status in the study area

表1 研究区域典型时间节点土地利用变化情况统计

Table 1 Statistics of land use changes at typical time nodes in the study area

一级类
名称		 二级类
名称		 2002年青山示
范区地表覆盖
面积/km2		 典型时间节点土地利用变化
2002—2005年 2005—2010年 2010—2013年 2013—2015年 2015—2017年
面积变
化/km2		 K 面积变
化/km2		 K 面积变
化/km2		 K 面积变
化/km2		 K 面积变
化/km2		 K
1水域 河流 0.650 0.002 0.077 0.158 3.156 0.007 0.227 0 0 -0.021 -1.050
沟渠 0.256 -0.020 -0.670 0.008 0.156 -0.014 -0.473 -0.003 -0.038 0.034 1.690
湖泊 0.550 0 0 -0.202 -4.030 -0.002 -0.060 0.143 1.784 0 0
水塘 2.731 -0.106 -3.523 -1.682 -33.630 -0.311 -10.357 -0.159 -1.991 0.008 0.405
合计 4.187 -0.124 -4.117 -1.717 -34.346 -0.320 -10.667 -0.020 -0.245 0.021 1.045
2屋面 硬屋面 5.204 -0.093 -3.097 0.143 2.858 -0.767 -25.550 -0.175 -2.191 -0.130 -6.515
绿化屋面 0.001 0 0 0.003 0.068 0 0 0.002 0.024 -0.002 -0.075
合计 5.205 -0.093 -3.093 0.146 2.926 -0.767 -25.550 -0.173 -2.166 -0.132 -6.595
3道路 混凝土、沥青道路 2.217 0.054 1.813 0.522 10.448 0.209 6.950 0.269 3.364 0.111 5.570
块石等铺砌道路 0.022 0 0 0.022 0.446 0.001 0.020 0.013 0.161 0.017 0.850
土或碎石道路 0.208 -0.003 -0.103 0.190 3.794 0.024 0.807 0.090 1.128 -0.108 -5.385
合计 2.446 0.051 1.713 0.734 14.688 0.233 7.777 0.372 4.651 0.021 1.035
4地面 硬化地面 1.674 -0.047 -1.563 0.613 12.254 -0.129 -4.300 0.225 2.811 0.384 19.180
待开发松散土地 1.191 0.472 15.720 1.398 27.950 -1.086 -36.213 -0.348 -4.351 0.396 19.810
塑胶地面 0.013 0.012 0.393 0.120 2.394 0.010 0.333 -0.005 -0.065 0.024 1.220
合计 2.878 0.437 14.550 2.130 42.598 -1.205 -40.180 -0.128 -1.605 0.804 40.210
5植被 绿地 2.663 1.358 45.257 0.245 4.896 -0.035 -1.173 -0.209 -2.611 0.423 21.140
草地 1.983 0.034 1.147 -0.712 -14.244 2.328 77.613 -0.111 -1.393 -0.837 -41.825
农田 2.061 -0.240 -7.990 -1.391 -27.828 -0.196 -6.533 -0.076 -0.944 0.324 16.210
林地 2.750 -1.424 -47.470 0.549 10.978 -0.022 -0.733 0.345 4.315 -0.577 -28.830
合计 9.457 -0.272 -9.053 -1.310 -26.200 2.075 69.177 -0.051 -0.635 -0.666 -33.300
从表1可以看出,2005—2013年属于城市快速发展阶段,示范区土地利用状况变化剧烈。2005—2010年间,由于城市发展的需要,示范区水域面积和植被面积急剧减少,年均变化率分别为-34.346%和-26.200%;城市道路和地面面积急剧增加,年均变化率分别为14.688%和42.598%,其中增加的地面面积主要以硬化地面和待开发的松散土地为主,年均变化率分别为12.254%、27.950%,待开发的松散土地主要来自于减少的水域面积围湖造地形成;2010—2013年间,城市快速发展,示范区改造低矮房屋、新建园林式小区、实施城市生态景观项目、修建城市道路等,从而该时段内示范区内屋面面积、水域面积、地面面积大幅降低,同时植被面积和道路面积又有显著增加,示范区屋面面积、水域面积和地面面积年变化率分别为-25.550%、-10.667%、-40.180%,植被面积和道路面积年变化率分别为69.177%、7.777%;2015—2017年,植被面积虽然减少,但是因为海绵城市的建设,绿地面积却有所增加,年均变化率为21.40%。地面面积有波动,但硬化地面面积2015—2017年有所增加,这中间也有海绵城市建设的功劳。道路面积呈现持续增加趋势,这符合城市发展状况。屋面面积呈现持续下降趋势,主要是因为青山近几年城中村改造工程的实施,大量的低矮房屋得到改造,房屋占地面积减少,小区绿化面积增大的缘故。

3.2 研究区域年均径流系数变化特征

将需要计算的年份的相关数据输入已训练好的神经网络模型中,模拟计算得到各场次径流系数,计算得年均径流系数。研究区域年均径流系数变化规律如图6所示,年均径流系数总体上呈现逐年升高的趋势。这是由于随着城市的发展建设,不透水地面类型的面积逐渐增加,这些用地类型产流较高,从而城市径流系数也响应的逐年增大,2009年径流系数为0.399,2013年径流系数为0.580,年均变化率为3.6%。2013年之后,城市发展速度相对减缓,相应的年均径流系数变化幅度也趋于平缓,2014年径流系数为0.586,相比2013年增幅仅为0.006,年均增幅为1.0%。可见,土地利用方式的改变在一定程度上会导致径流系数的变化。
图6 年均径流系数变化曲线

Fig.6 Variation of annual average runoff coefficient

研究区域于2015年开展海绵城市示范区建设,2017年建设完成。海绵城市建设的主要内容为:绿色屋顶41.94万 m2,透水铺装216.34万 m2,下凹式绿地131.25万 m2,新建植草沟1 300 m2,雨水花园1.15万m3,雨水调蓄设施18.51万 m3。现有研究表明,径流系数的值随着流域内透水面积比例的增加而减小。随着海绵措施的实施,示范区透水面积逐渐增加,进而研究区域年均径流系数呈现逐年降低趋势,2017年径流系数为0.535,较2014年降低0.051,年均变化率为-1.70%。表明海绵城市建设对于雨水径流调节起到了积极作用,通过增加强透水地面面积,同时额外增加雨水调蓄容积,从而达到控制径流的目的。从计算结果看,海绵措施的作用比较明显,达到了降低径流系数的作用,说明海绵措施的利用,降低了城市建设对于雨水截蓄的不利影响,可有效缓解城市水资源短缺与内涝频发的矛盾,增强水资源调节能力。

4 结论

以武汉市青山区为典型研究区域,建立了考虑城市下垫面空间特征的径流系数BP神经网络模型,在解译典型研究时段高清遥感影像的基础上,分析了研究区域下垫面变化特征,综合考虑土地利用方式、抽排量、降雨量等影响因素,基于BP神经网络模型计算分析研究区域径流系数变化特征。结果表明:
(1)受城市发展的影响,研究区域在2002—2017年土地利用地类型整体呈现出由透水面向不透水面转变的趋势,植被、屋面等土地利用类型面积呈现波动式变化,水体面积自2002年以来呈逐年萎缩趋势。2015年由于海绵城市示范区的建设,该趋势有所减缓。
(2)研究区径流系数受下垫面变化及降雨条件等的综合影响,但由于在较短时间尺度内,城市降雨条件不会有较大的改变的,因此不透水面比例是影响城市径流系数的主导因素。随着研究区域硬化地面等产流高的土地利用类型面积占比逐渐增加,植被、绿地等产流低的土地利用类型面积占比逐渐降低,研究区域径流系数也相应的逐年增大。2009—2017年,研究区径流系数从0.399增至0.535。可见,土地利用方式的改变在一定程度上会导致径流系数的变化。
(3)随着海绵措施的实施,研究区域年均径流系数较海绵措施实施前呈现降低趋势,2017年径流系数为0.535,较2014年降低-0.051。可见,海绵城市建设通过增加强透水地面面积,同时额外增加雨水调蓄容积,可达到降低径流系数的作用,降低城市建设对于雨水截蓄的不利影响。
该成果可为城市内涝风险评估、防洪排涝规划提供重要参考,同时对于指导城市规划与建设以及促进城市可持续发展具有重要意义。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
张丽平, 孙英君, 赵培华, 等. 基于地理国情数据的城市土地利用变化与地表降雨径流关联分析[J]. 国土与自然资源研究, 2024(1):32-37.

(ZHANG Li-ping, SUN Ying-jun, ZHAO Pei-hua, et al. Correlation Analysis of Urban Land Use Change and Surface Rainfall Runoff Based on Geographical National Conditions Data[J]. Territory & Natural Resources Study, 2024(1): 32-37. (in Chinese))

[2]
苏定江, 刘希, 董佳, 等. 海绵城市年径流污染总量削减率定义及计算方式探讨[J]. 中国给水排水, 2023, 39(24): 93-99.

(SU Ding-jiang, LIU Xi, DONG Jia, et al. Definition and Calculation Method of Total Annual Runoff Pollutant Reduction Rate in Sponge City[J]. China Water & Wastewater, 2023, 39(24): 93-99. (in Chinese))

[3]
温达文, 杨建涛, 王森, 等. 海绵城市年径流总量控制率指标分解探析[J]. 人民珠江, 2023, 44(12):80-86,100.

(WEN Da-wen, YANG Jian-tao, WANG Sen, et al. Analysis of the Decomposition of the Annual Runoff Volume Control Rate Index in Sponge Cities[J]. Pearl River, 2023, 44(12): 80-86,100. (in Chinese))

[4]
余胜男, 樊仕宝, 张玉英. 城市化发展背景下缺资料地区径流量分析[J]. 水利规划与设计, 2023(11): 107-111.

(YU Sheng-nan, FAN Shi-bao, ZHANG Yu-ying. Analysis of the Runoff in Regions with Scarce Data under the Background of Urbanization Development[J]. Water Resources Planning and Design, 2023(11): 107-111. (in Chinese))

[5]
刘宏志. 植被和降雨类型对地表径流和土壤侵蚀的影响研究[J]. 陕西水利, 2023(10): 112-114.

(LIU Hong-zhi. Effects of Vegetation and Rainfall Types on Surface Runoff and Soil Erosion[J]. Shaanxi Water Resources, 2023(10): 112-114. (in Chinese))

[6]
梅超, 石虹远, 李瑞栋, 等. 基于数值试验的降雨径流过程对不透水面空间分布的响应分析[J]. 水资源保护, 2024, 40(1):86-92.

(MEI Chao, SHI Hong-yuan, LI Rui-dong, et al. Analysis of the Response of Rainfall-Runoff Process to the Spatial Distribution of Impervious Surfaces Based on Numerical Experiments[J]. Water Resources Protection, 2024, 40(1):86-92. (in Chinese))

[7]
赵源媛. 辽东无径流资料山区小流域设计径流系数计算模型的应用[J]. 水利技术监督, 2023, 31(6): 143-146.

(ZHAO Yuan-yuan. Application of Runoff Coefficient Calculation Model for Small Watershed in Mountainous Areas without Data in Eastern Liaoning Province[J]. Technical Supervision in Water Resources, 2023, 31(6): 143-146. (in Chinese))

[8]
桂海娇, 张翔, 王瑶, 等. 改进的径流系数法在城市小流域设计洪水中的应用研究[J]. 武汉大学学报(工学版), 2023, 56(8):978-986.

(GUI Hai-jiao, ZHANG Xiang, WANG Yao, et al. Application of Improved Runoff Coefficient Method in Design Flood Estimation for Small Urban Watersheds[J]. Engineering Journal of Wuhan University, 2023, 56(08): 978-986. (in Chinese))

[9]
张力元. 快速城市化地区生态水文模型的构建及应用[D]. 郑州: 华北水利水电大学, 2023.

(ZHANG Li-yuan. Construction and Application of Eco-hydrological Model in Rapidly Urbanized Areas[D]. Zhengzhou: North China University of Water Resources and Electric Power, 2023. (in Chinese))

[10]
万思思, 王炳亮, 石慧群. 基于SWAT模型径流模拟的苦水河流域水文要素研究[J]. 绿色科技, 2023, 25(10):242-247.

(WAN Si-si, WANG Bing-liang, SHI Hui-qun. Research on Hydrological Elements of Kushui River Basin Based on SWAT Model Runoff Simulation[J]. Journal of Green Science and Technology, 2023, 25(10): 242-247. (in Chinese))

[11]
沈黎达. 城市复杂下垫面子汇水区划分及其对径流过程影响的模拟研究[D]. 杭州: 杭州师范大学, 2023.

(SHEN Li-da. Simulation Study on the Subdivision of Sub-catchment Area in Urban Complex Underlying Surface and Its Impact on Runoff Process[D]. Hangzhou: Hangzhou Normal University, 2023. (in Chinese))

[12]
李显鸿, 崔松云, 郭财秀, 等. 松华坝流域植被覆盖度变化对区域径流量的驱动响应关系[J]. 水利规划与设计, 2023(1):47-50,63.

(LI Xian-hong, CUI Song-yun, GUO Cai-xiu, et al. The Driving Response Relationship between Vegetation Coverage Change and Regional Runoff in Songhuaba Watershed[J]. Water Resources Planning and Design, 2023(1): 47-50,63. (in Chinese))

[13]
燕超, 胡海波, 徐晓梅, 等. 模拟降雨条件下城市下垫面径流系数变化规律[J]. 中国水土保持科学(中英文), 2022, 20(5):24-30.

(YAN Chao, HU Hai-bo, XU Xiao-mei, et al. Variation of Runoff Coefficient of Urban Underlying Surface under Simulated Rainfall Conditions[J]. Science of Soil and Water Conservation (Chinese and English Edition), 2022, 20(5):24-30. (in Chinese))

[14]
殷书梅, 龚莉, 张翔. 快速城市化流域综合径流系数确定方法比较研究[J]. 人民长江, 2022, 53(8): 87-93.

(YIN Shu-mei, GONG Li, ZHANG Xiang. Comparative Study on Determination Method of Watershed Comprehensive Runoff Coefficient under Rapid Urbanization Backgound[J]. Yangtze River, 2022, 53(8): 87-93. (in Chinese))

[15]
王思思, 侯爽, 王榕. 城市绿地产流影响因素与径流系数取值的多方法比较[J]. 环境工程, 2021, 39(12): 84-90, 242.

(WANG Si-si, HOU Shuang, WANG Rong. A Multi-method Comparison of Influencing Factors and Value of Runoff Coefficient of Urban Green Space in Beijing[J]. Environmental Engineering, 2021, 39(12): 84-90, 242. (in Chinese))

Options
Outlines

/

〈 〉

Copyright © Journal of Changjiang River Scientific Research Institute, All Rights Reserved.
Powered by Beijing Magtech Co. Ltd.