基于人工神经网络的雅鲁藏布江水化学变化趋势研究

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 59, No. 6 (Nov. 2023)

1.中国环境科学研究院流域水环境污染综合治理研究中心, 北京 100012; 2.北京大学环境科学与工程学院, 北京 100871; 3.中国环境科学研究院, 北京 100012; †通信作者, E-mail: wzy1023@foxmail.com

摘要为探究雅鲁藏布江(简称雅江)河流水化学组分的历史变化趋势及未来气候变化的影响, 将 2016, 2017和 2018 年雅江实测数据与文献数据相结合, 采用线性倾向性估计方法, 分析雅江上、中、下游近 60 年来气象及 11 种水化学组分的变化, 采用气候变化模式和 BP 神经网络模型预测未来气候情景下总溶解固体(TDS)的浓度, 以期为资料缺失的雅江流域水资源管理和水环境治理提供科学支撑。研究结果表明, 近 60 年来, 雅江流域年均气温上升趋势显著, 升温速率为 0.38°C/10a; 年降雨量总体上呈上升趋势, 速率为 7.34mm/10a; 河流水化学组分存在一定程度的波动, 其中 TDS 远高于全球河流平均水平(120mg/L), 并存在上升趋势, pH 为弱碱性并存在上升趋势。在未来气候变化模式(RCP4.5)下, BP 神经网络模型预测结果显示雅江流域上、中、下游 TDS 浓度将显著增加, 下游最为显著, 河流水质存在恶化的风险, 将对流域居民生产生活产生不利影响。

关键词 气候变化; 雅鲁藏布江; 人工神经网络; 水化学变化趋势

青藏高原是“亚洲水塔”, 易受极端气候变化的影响[1–2], 对中国乃至世界的水文和水资源起着重要作用。近百年来, 全球气候变暖已成为不争的事实[3], 气候水文因素及人类活动因素是影响流域水化学特征的关键因子。由于青藏高原人类活动强度较低, 气候水文因素对流域水化学特征的贡献更大。对于地处青藏高原的雅鲁藏布江(简称雅江)流域, 气候变化会直接影响其水文循环, 增加岩石化学风化强度, 对河水中的水化学特征产生较大的影响[4]。

近年来, 诸多研究对雅江水文和水化学基本特征进行了分析。在水文过程分析方面, 张小侠[5]系统地分析了雅江 1960—2009 年间气温降水变化情况, 并探讨降水、气温和蒸散发等气候因子以及土地利用/土地覆盖变化等驱动因素对径流的影响。在水文预测方面, 胡岑等[6]使用气候模式, 针对未来气候开展数值模拟试验和预估, 评估 RCP4.5 情景下青藏高原地区 21 世纪的气候变化, 开展降水和气温预测。在水化学特征分析方面, 由于自然条件恶劣和采样困难等原因, 国内外相关研究较少。其中, 中国科学院青藏高原综合科学考察队在 1973—1976 年间对雅江流域干流及多个支流进行水样分析[7]。李红敬等[8]通过对雅江的水质分析, 发现雅江在 6—10 月溶解氧值低, 水温较高; 12—2 月溶解氧值高、水温较低; 8 月悬浮物含量高, 下游比中游的 pH 值和悬浮物含量低。刘昭[9]通过对雅江拉萨-林芝段河水化学的研究, 发现水体的 pH 值变化范围较大, 在 6.9～8.23 之间。Huang 等[10]对雅江全流域的水质进行评估, 并基于统计学方法对水化学的控制因素进行分析。汪磊等[11]基于 2015 年雅鲁藏布江流域丰枯两季的监测数据, 探究该流域近 50 年水化学时空特征的演变及其影响因素。

总体上, 目前缺乏对雅江水化学特性长时间序列全流域、季节性变化的相关研究, 需要完善气候变化背景下的河流水化学特征变化趋势分析。在全球极端气候不断增多的背景下, 本研究通过实地采样, 获得雅江水化学组成, 结合文献数据, 对流域长时间序列的水文和水化学特征进行分析。构建BP 神经网络模型, 对 RCP4.5 情景下的总溶解固体(total dissolved solids, TDS)浓度进行预测, 以期为流域未来的水资源水环境管理提供科学支撑。

1 研究区域和方法

1.1 流域概况

雅江发源于青藏高原喜马拉雅山北麓的杰马央宗冰川, 自西向东流经仲巴、日喀则和泽当等地。如图 1 所示, 流域东西狭长, 南北窄短, 地势西高东低, 海拔高度为 144～6996m[12]。全年降水集中在7—9 月, 月均最高温度出现在 6 月。雅江在中国境内全长 2057km, 分为上、中、下游三段。雅江上游为从杰马央宗冰川至里孜段, 河长约 268km, 平均海拔在 5200m 以上, 水流平缓, 降水量不足 300mm; 雅江中游为从里孜至米林县派镇段, 主要为农耕区, 河长约 1293km, 中游属高原温带气候, 年降水量为 300～600mm; 雅江下游为从林芝至巴昔卡, 河长 496km, 年径流深可达 3000mm 以上, 水资源及水能丰富。此外, 雅江还具有河水温度低, 流域岩石风化速率高, 河水总溶解性固体含量高等特点[13–14]。

1.2 气温降水数据

本研究选取雅江流域 27 个气象站, 数据来源于中国气象局国家气象信息中心(http://www.cma.gov. cn/)。数据经严格订正, 研究时段为 1960—2018年。对其中个别台站缺失数据, 引用张小侠[5]的数据。雅江中游和下游均有气象站点分布, 因此采用流域内气象站数据的平均值作为流域气象指标; 雅江上游缺乏气象站点, 采用克里金插值方法生成各个气象指标的空间分布, 然后取其平均值作为上游的气象指标。

1.3 水化学数据

依据《水质采样技术指导》(HJ 494—2009)[15], 结合《地表水和污水监测技术规范》[16]相关内容以及雅江流域地貌特征, 兼顾各支流汇入位置, 在干流布设 30 个采样点, 分别在 2016, 2017 和2018 年每年的丰、平、枯 3 个水季分 9 次采集样品。样品的 pH 值、温度、电导率 EC、DO 和 TDS通过便携式水质分析仪现场测试, 其余数据(阳离子、阳离子和 SiO2 等)在实验室分析获得。同时, 综合相关文献中针对雅江河水中的基础理化性质和阴阳离子组成研究数据。由于雅江长时间序列的历史水化学监测数据稀少, 因此本研究将2016, 2017 和 2018 年采集样品的数据进行年内平均, 以便与历史数据进行对比。

1.4 研究方法

高原河流水化学组分复杂, 受气温、降水和人类活动等多种因素等影响, 在源汇响应关系上存在高度的非线性[17–18]。本研究依据历史长时间序列的 TDS 趋势分析结果, 采用 BP 神经网络, 对未来气候情景下的河流 TDS 浓度进行预测。BP 神经网络是一种功能强大的机器学习方法, 能够模拟复杂的非线性关系, 它通过训练提高自身泛化能力, 使模型具备更强的适应性和鲁棒性[19–20], 因此能够较准确地对雅江 TDS 浓度进行预测。雅江地处青藏高原, 属于跨国的国际河流, 其水文和水质等监测数据稀少。本研究以气象数据(气温和降雨)为输入, 构建 TDS 浓度预测的 BP 神经网络模型, 构建过程包括网络设计、数据预处理、损失函数和性能指标、网络训练等。

根据长时间序列的 TDS 监测数据数量, 采用经典的三层 BP 神经网络进行模拟, 网络结果为 2-5-1, 即输入层为两个神经元, 分别为气温和降雨, 隐藏层为 5 个神经元, 输出层为一个神经元, 为TDS。

1.4.2数据预处理

为了减小网络训练误差, 提高网络预测的准确度, 采用最大最小值法对模型输入数据进行归一化处理, 计算公式为

1.4.3 损失函数和性能指标

本研究采用观测值与模拟值的均方根误差(RMSE)作为模型的损失函数用来训练模型, 计算公式为

式中, Tobser为雅江上、中、下游 1960—2018 年 TDS的观测值, Tsimu 为基于 BP 神经网络的雅江上、中、下游 1960—2018 年 TDS 的预测值。

采用皮尔逊相关系数 r 作为衡量模型性能的补充指标, 计算公式为

式中, COV 为观测值与预测值的协方差, σ 为观测值与预测值的标准差。

对于雅江气象及水化学组分历史变化趋势分析, 采用线性倾向估计方法, 通过建立气候序列x 与时间 t 之间的一元线性回归, 判断时间序列上整体的上升或下降趋势, 其计算公式如下:

式中, a 为常数; b 为倾向值, 反映上升或下降程度, b>0 表明序列随时间呈上升趋势, b<0 表明序列随时间呈下降趋势。

对于不同时间段的气象及水化学组分变化显著性分析, 采用滑动 t 检验方法, 通过对比两个时段的平均值差异是否显著来检测突变, 计算公式如下:

式中,

和

分别为时间序列样本 n1 和 n2 的平均值, width=11.7,height=15.9

和

分别是两个时间序列样本的方差。

显著性及相关性等分析在 SPSS18.0中完成, 相关地理分析及绘图在 ArcGIS10.2 中完成, BP 神经网络模型的搭建、代码编写等过程均在MATLAB (R2019a)中完成。

2 结果和讨论

2.1 近60年雅江气候与水化学变化特征

2.1.1逐年平均气温变化趋势

采用线性倾向估计和滑动 t 检验对雅江流域的历史气温变化趋势进行分析, 结果如图 2 所示。近60 年来, 雅江流域全流域及上、中、下游的年平均气温上升趋势明显, 其中全流域平均升温速率为0.38℃/10a (R2=0.876; F>Fα, 显著正相关), 高于全球(0.08℃/10a)和全国(0.25℃/10a)平均水平[21–22]。雅江流域上游升温速率最高, 为0.48°C/10a (R2= 0.747; F>Fα, 显著正相关), 中游次之, 为 0.41℃/ 10a(R2=0.721; F>Fα, 显著正相关), 下游升温速率最小, 为 0.32℃/10a (R2= 0.671; F>Fα, 显著正相关)。雅江流域上、中、下游升温速率差异较大, 受海拔的影响, 具有较明显的空间异质性。升温速率随平均海拔的降低呈现降低的趋势, 波动性随平均海拔的降低呈现增加的趋势。根据 5 年滑动平均法分析结果(图 2), 1960—2018 年雅江年平均气温呈现波动上升趋势, 历史上 1963—1967年 5 年平均气温最低, 为 4.62℃, 而 2014—2018 年为 5 年平均气温最高, 均值为 6.58℃。空间上, 上游地区 1960—1980 年气温波动和升幅较大, 从1980 年至今气温增速趋于平稳, 中游和下游的年平均气温呈现稳步上升的趋势。

2.1.2逐年降水变化趋势

雅江流域 1960—2018 年的年降水量变化如图 3所示。近 60 年来, 降水量波动较大, 总体上呈增加趋势, 但是不显著, 增加速率为 7.34mm/10a(R2= 0.074, F<Fα)。其中, 上游降水增加量最大, 为10.21mm/10a(R2=0.247, F<Fα), 下游次之, 为 6.2mm/10a, 中游降水增加量最小, 为 3.2mm/10a。降雨量在雅江全流域及上、中、下游均呈现增加的趋势, 但不显著, 不同区域间差异明显, 其中上游是中游的 3 倍。雅江上游在 20 世纪 70 年代降雨量减少后, 于 80 年代初开始迅速上升, 90 年后开始呈现波动并逐步增加的趋势。5 年滑动平均法分析结果(图 3)显示, 1964—1968 年 5 年平均降水量最低, 平均值为432.24mm; 1996—2000 年 5 年平均降雨量最大, 平均值为 586.48mm。对于雅江流域上游, 1964 —1968 年 5 年降水量最低, 为 158.36mm; 1975—1979 年 5 年降水量最大, 为 277.65mm。对于雅江流域中游, 1993—1997 年 5 年降水量最低, 为 423.27mm; 1998—2002 年 5 年的降水量最大, 为 562.30mm。对于雅江流域下游, 1993—1997 年 5 年降水量最低, 为 423.27mm; 1998—2002 年 5 年降水量最高, 为 562.30mm。从整体上看, 中游和下游的降雨量明显高于上游。

2.1.3近60年水化学变化特征

我们通过查阅文献及现场采样分析, 收集了雅江近 60 年来水化学组分, 主要包括 11 项指标, 如表 1 所示。近 60 年来, TDS 含量在 84.62～244.36mg/L 之间波动, 显著高于世界河流平均水平(120mg/L)[21], 随着时间的推移, 雅江水中 TDS 含量逐渐上升。雅江水中的阳离子含量整体上呈现上升趋势, 其中 Ca2+浓度显著高于 Na+, K+和 Mg2+, 并且其增速最高。雅江水中的阴离子含量变化趋势不明显, 2005 年浓度最低, 之后逐步升高并趋于平稳。因此, 雅江水化学类型变化不明显, 近 60 年来均为HCO3−-Ca2+型。

近 60 年来, 雅江流域平均气温逐年升高, 受其影响, 河流 TDS 含量也呈增加的趋势。本研究将雅江上游离子浓度与上游的气象数据做相关分析, 中游离子浓度与上游和中游的气象数据做相关分析, 下游离子浓度与全流域的气象数据做相关分析, 结果如下: 上游温度与 TDS 的回归关系为 y=0.0086x +1.512, R2=0.65; 中游温度与 TDS 的关系为 y=0.0127x+4.0816, R2=0.53; 下游温度与 TDS 的关系为 y=0.0088x+6.657, R2=0.43。这表明气温与雅江水中 TDS 含量变化的相关性很高, 高温环境会提升流域内各种岩石风化过程中的离子活性, 进而加速元素的地球化学迁移过程。雅江水中 TDS 含量与降雨量变化趋势较为一致, TDS 与降水量在 1998 年前后达到峰值, 2005 年之后二者同时趋于稳定。对于雅江上游, 降水量与 TDS 的关系为 y=0.1792x+ 223.39, R2=0.11; 对于雅江中游, 降水量与 TDS 的关系为 y=0.0687x+504.7, R2=0.01; 对于雅江下游, 降水量与 TDS 的关系为 y=0.0088x+6.657, R2=0.41。从整体上看, 雅江流域上游和中游降水量与TDS 的相关性并不明显, 下游二者的相关性较为明显。随着降雨量增加, 雨水冲刷作用和汇流过程中携带溶解性物质的能力相应地增加, 促进元素地球化学循环过程。因此, 雅江水中主要离子的浓度含量呈上升趋势[27]。

2.2 气候变化情景下雅江TDS预测

2.2.1基于IPCC的雅江未来气象情景

气候变化及人类活动等因素是影响河流水化学特征的关键因子。本研究区位于青藏高原, 人类活动强度较低, 其水化学组成主要受气候变化的影响。因此, 在预测未来水化学组分变化时, 本研究仅考虑气候变化对水化学特征的影响。气候变化因素中, 气温和降水是最重要的两大要素, 通过直接或间接的方式影响流域水文循环过程, 进而主导流域化学风化和河流水化学性质。本文利用胡岑等[6]的研究结果, 结合现有的气温和降水数据, 预测RCP4.5 情景下 21 世纪雅江流域上、中、下游的气温和降水值, 结果如表 2 所示。

2.2.2基于神经网络的雅江TDS含量预测

采用 trainlm 函数对神经网络进行训练, 网络迭代次数 epochs 为 5000 次, 期望误差 goal 为 0.0001, 学习速率为 0.01。本研究中观测数据较少, 因此采用 K 折交叉验证的方法对网络进行训练, 在本研究中 K取值为 10, 即将样本数据分为 10 份, 将其中9 份作为训练数据, 1 份作为测试数据, 10 次训练结果的均值作为算法精度评估的结果, 从而克服过拟合问题。模型包含两个输入变量、一个输出变量以及两个隐层, 预先设置的最大迭代次数是 100 次, 且迭代 100 次后有效性检验为 6 次无错误, 在第 16次迭代时输出最优值。BP 神经网络训练及验证结果如图 4 所示, 网络训练 R值为 0.82, 验证 R 值为0.74, 均大于 0.6, 网络训练效果良好, 可以进行预测。

采用训练好的神经网络模型, 对 RCP4.5 情景下雅江上、中、下游 2018—2035, 2046—2065 和2081—2100 年的 TDS 浓度进行预测, 计算结果如表3 所示。在 RCP4.5 情景下, 雅江上游未来 3 个时段内 TDS 无明显变化, 浓度在 235～237mg/L 之间波动。雅江上游为高寒荒漠区, 该区因地势高寒, 远离海洋, 印度洋水汽难以到达本区, 上游降水量与TDS 线性回归的 R2 值很低(0.11)。因此, 该区域河流水中 TDS 含量受降雨及温度变化的影响较小。在 RCP4.5 情境下, 中游 TDS 含量有略微上升的趋势, 增幅为 0.1mg/(L·10a)。雅江中游为高原温带半干旱区, 夏季印度洋的暖湿气流沿雅江河谷自东向西进入该区域, 随着水汽移动, 水汽含量逐步减少, 中游 TDS 与降水线性回归的 R2值很低(0.01)。因此, 该区域河流水中 TDS 浓度受气候变化的影响很小。在 RCP4.5 情境下, 下游增高趋势较为明显, 增幅为 2.2mg/(L·10a)。2018—2035, 2046—2065 和2081—2100 年 TDS 浓度分别达到 280.72, 393.72 和416.38mg/L。雅江下游为亚热带山地多雨区, 降水量为整个雅江流域最高, 包括尼洋河流域、帕隆藏布江流域。雅江下游气温与 TDS 的线性回归 R2 值达到 0.48, 下游降水量与 TDS 的线性回归 R2 值达到0.41, 因此, TDS 与气温和降水有一定的相关性。降水量和温度的增高促进了岩石风化作用, 随着气候变化的加剧, 21 世纪中后期, 河流的 TDS 含量迅速增加, 会对下游人们的生产生活产生一定的影响。

3 结论

本研究采用实测数据与文献数据结合的方式, 利用线性倾向性估计方法和 BP 神经网络模型, 对资料较少的青藏高原雅江流域历史气候与水化学特征进行分析, 并对未来情景下 TDS 浓度进行预测, 得到如下结论。

1)近 60 年来, 雅江流域全流域及上、中、下游年平均气温均呈上升趋势, 显著性较高, 平均升温速率为 0.38°C/10a, 升温速率随海拔高度的降低而降低, 下游的波动更剧烈。近 60 年雅江流域降水量波动较明显, 总体上呈上升趋势, 但不显著, 上升速率为 7.34mm/10a。

2)近 60 年来, 雅江水的 pH 值一直为弱碱性, TDS 含量高于世界河流平均水平, 且具有逐年增加的趋势。气温和降水与 TDS 的相关性较高, 未来气候变化将促进岩石风化作用。雅江水 60 年来均为HCO3−-Ca2+型。

3)RCP4.5 情景下, 未来 3 个时段(2018—2035, 2046—2065 和 2081—2100 年)雅江上游的TDS 含量无明显变化, 浓度在 235～237mg/L 之间; 中游 TDS有略微增高的趋势, 增幅为 0.1mg/(L·10a); 下游增高趋势较明显, 增幅为 2.2mg/(L·10a)。21世纪中后期的 TDS 含量急剧增加, 会对流域人类生活带来一定的风险。

[1] 李潮流, 康世昌. 青藏高原不同时段气候变化的研究综述. 地理学报, 2006, 61(3): 327–335

[2] 青藏高原高寒荒漠地带与寒冷干旱核心区域. 干旱区研究, 2019, 36(1): 1–6

[3] 秦大河. 气候变化科学与人类可持续发展. 地理科学进展, 2014, 33(7): 874–883

[4] Singh V, Ramanathan A L, Sharma P, et al. Dissolved ion chemistry and suspended sediment characteristics of meltwater draining from Chhota Shigri Glacier, western Himalaya, India. Arabian Journal of Geo-sciences, 2015, 1(8): 281–293

[5] 张小侠. 雅鲁藏布江流域关键水文要素时空变化规律研究[D]. 北京: 北京林业大学, 2011

[6] 胡芩, 姜大膀, 范广洲. 青藏高原未来气候变化预估: CMIP5 模式结果. 大气科学, 2015, 39(2): 260–270

[7] 1973—1976 中国科学院青藏高原综合科学考察队. 西藏水利. 北京: 科学出版社, 1981

[8] 李红敬, 张娜, 林小涛. 西藏雅鲁藏布江水质时空特征分析. 河南师范大学学报(自然科学版), 2010, 38(2): 126–130

[9] 刘昭. 雅鲁藏布江拉萨—林芝段天然水水化学及同位素特征研究[D]. 成都: 成都理工大学, 2011

[10] Huang X, Sillanpaeae M, Gjessing E T, et al. Water quality in the southern Tibetan Plateau: chemical eva-luation of the Yarlung Tsangpo (Brahmaputra). River Research and Applications, 2011, 27(1):113–121

[11] 汪磊, 杨剑, 王兆涵, 等. 近 50 年来雅鲁藏布江流域水化学特征变化及成因分析. 华北水利水电大学学报(自然科学版), 2021, 42(2): 10–16

[12] 刘佳驹, 郭怀成. 雅鲁藏布江河水氢氧同位素时空变化特征. 中国环境科学, 2021, 41(11): 5194–5200

[13] 刘佳驹, 赵雨顺, 黄香, 等. 雅鲁藏布江流域水化学时空变化及其控制因素. 中国环境科学, 2018, 38(11): 4289–4297

[14] Liu J, Zhao Y, Li Z, et al. Quantitative source ap-portionment of water solutes and CO2 consumption of the whole Yarlung Tsangpo River basin in Tibet, China. Environmental Science and Pollution Research, 2019, 26(27): 28243–28255

[15] 环境保护部. HJ 494—2009 水质采样技术指导[S/OL]. (2009–09–27) [2023–03–12]. https://www. mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/200910/W020111114543133505806.pdf

[16] 国家环境保护总局. HJ/T 91—2002 地表水和污水监测技术规范[S]. (2002–12–25) [2023–03–12]. https: //www.mee.gov.cn/image20010518/3589.pdf

[17] Li J C, Hu M C, Ma W J, et al. Optimization and multi-uncertainty analysis of best management practices at the watershed scale: a reliability-level based Bayesian network approach. Journal of Environmental Manage-ment, 2023, 313: 117280

[18] Dong F F, Li J C, Dai C, et al. Understanding robust-ness in multiscale nutrient abatement: probabilistic simulation-optimization using Bayesian network emu-lators. Journal of Cleaner Production, 2022, 378: 134394

[19] Pany R, Rath A, Swain P C. Water quality assessment for River Mahanadi of Odisha, India using statistical techniques and artificial neural networks. Journal of Cleaner Production, 2023, 417: 137713

[20] Xia L, Han Q, Shang L, et al. Quality assessment and prediction of municipal drinking water using water quality index and artificial neural network: a case study of Wuhan, central China, from 2013 to 2019. Science of the Total Environment, 2022, 844: 157096

[21] 任国玉, 初子莹, 周雅清, 等. 中国气温变化研究最新进展. 气候与环境研究, 2005, 10(4): 701–716

[22] An Zhisheng, Fu Zongbin. Progresses in global change science. Advances in Earth Science, 2001, 16(5): 671–680

[23] Hren M T , Chamberlain C P , Hilley G E , et al. Major ion chemistry of the Yarlung Tsangpo–Brahmaputra river: chemical weathering, erosion, and CO2 con-sumption in the southern Tibetan plateau and eastern syntaxis of the Himalaya. Geochimica et Cosmochi-mica Acta, 2007, 71(12): 2907–2935

[24] 马明, 关志华. 雅鲁藏布大峡谷地区水环境评价及保护研究. 地理研究, 2000, 19(2): 194–201

[25] Kawashima M, Nishiyama T. Salt concentrations and chemical types of lake, river, snow, and hot spring waters from the Tibetan Plateau. Japanese Journal of Limnology, 1989, 50(2): 93–104

[26] Gaillardet J, Dupré B, Louvat P, et al. Global silicate weathering and CO2 consumption rates deduced from the chemistry of large rivers. Chemical Geology, 1999, 159(1): 3–30

[27] 汪磊. 雅鲁藏布江流域水化学特征及影响因素研究[D]. 北京: 中国科学院大学, 2016

Study on Hydrochemical Change Trend of Yarlung Tsangpo River Based on Artificial Neural Network

LIU Jiaju1,2, LI Jincheng2, GUO Huaicheng2, YUAN Peng1, LI Zheng2, ZHANG Yang2, WANG Zhiyong3,†

1. Research Center for Comprehensive Treatment of Watershed Water Environment Pollution, Chinese Research Academy of Environmental Sciences, Beijing 100012; 2. School of Environmental Science and Engineering, Peking University, Beijing 100871; 3. Chinese Research Academy of Environmental Sciences, Beijing 100012; † Corresponding author, E-mail: wzy1023@foxmail.com

Abstract In order to reveal the trend of water chemistry change in the Yarlung Tsangpo River (Yajiang River) under the background of climate change and provide scientific and technological support for water resources and water environment management in the basin, based on the study of hydrochemical characteristics of the Yajiang River in 2016, 2017 and 2018, combined with the research results of existing research teams on hydrochemistry, this paper studies the trend of 11 hydrochemical components change of the upper, middle and lower reaches of the Yajiang River over the past 60 years by comprehensive use of linear tendency estimation, climate change model output and BP neural network model. The results show that the annual average temperature in the upper, middle and lower reaches of the Yajiang River Basin has been increasing obviously in the past 60 years. The average temperature warming rate was 0.38°C/10a. The precipitation in the Yajiang River Basin fluctuated obviously and showed an overall rising trend, with a rising rate of 7.34 mm/10a. pH value of the water in Yajiang River was weakly alkaline and showd an upward trend. TDS was higher than the average level of the world river (120 mg/L) and showed a trend of gradual increase. Based on the climate change model RCP4.5 scenario, the artificial neural network prediction shows that the TDS flux in the upper, middle and lower reaches of the Yajiang River Basin presents a gradually increasing trend, and the downstream will have a certain impact on the production and life of the downstream residents.

Key words climate change; Yarlung Tsangpo River; artificial neural network; trends in water chemistry