《Sustainability》:Laboratory Studies on the Effect of Deflectors on Changes in Sediments Flow
河流调节(river regulation)通常导致河道内条件均一化,改变沉积物动态,并导致水生栖息地退化。偏转器(deflectors)越来越多地被用作河流修复项目中的栖息地形成要素。然而,水力条件、沉积物 inflow、偏转器位置和表面粗糙度之间的相互作用及其对沉积物清除空间范围的影响尚缺乏充分研究。研究人员在一个流动水槽中进行了实验室实验,使用了三个几何形状相同的偏转器,其布置方式依据波兰西部 Flinta 河观测到的构型。研究针对以下组合进行:三种流量(Q = 0.40, 0.64, and 1.70 dm3 s?1)、三种水深(h = 0.03, 0.06, and 0.09 m)、三种累积替代沉积物质量(Rum = 0.5, 1.0, and 1.5 kg)、三种无量纲纵向位置(ξ = 0.21, 0.61, and 1.00),以及两种偏转器粗糙度规格——光滑或粗糙。基于航拍照片,使用归一化表面指数(normalized surface index, A*)对无沉积物区的二维范围进行了量化。无量纲水深(χ)和无量纲流量(Q*)是主导因素,其排序为 χ > Q* > R* ? ξ,且它们的交互作用构成了最强的双向效应,而沉积物质量具有显著但次要的影响。表面粗糙度并未独立影响平均 A* 值,但改变了空间特征:对于光滑偏转器,纵向位置不显著,但对于粗糙偏转器,纵向位置变得显著,特别是通过水深与位置之间以及水深、位置与表面之间的相互作用。这些发现表明,偏转器粗糙度不应被视为孤立的设计参数,而应与预期的流量-水深状态和连续结构的纵向布置共同选择。在实际应用中,研究结果可支持旨在受调节河道中创建或维持空间分化的沉积物清除区的栖息地形成偏转器的初步设计和定位,从而有助于更加基于证据和可持续的河流修复。
**研究背景与问题**
欧洲河流网络因历史上的调节工程(如筑坝、渠化)而高度破碎化,导致河道条件均一化、沉积物动态改变及水生栖息地退化。尽管偏转器(deflectors)作为栖息地形成要素在河流修复项目中日益普及,但水力条件(流量、水深)、沉积物 inflow、偏转器纵向位置及表面粗糙度之间的交互作用如何影响沉积物清除的空间范围,仍缺乏系统研究。现有研究多聚焦于单一因素或局部效应,而多因素耦合作用及粗糙度与位置依赖性的关系尚未被阐明。为此,研究人员在受控实验室条件下,系统分析了无量纲流量(Q
*)、无量纲水深(χ)、无量纲累积替代沉积物质量(R
*)、无量纲纵向位置(ξ)及表面粗糙度(smooth/rough)对沉积物清除效率(A
*)的独立与交互影响,旨在为基于证据的河流修复设计提供理论依据。该论文发表在《Sustainability》期刊。
**关键技术方法**
研究采用实验室水槽实验,水槽为波兰西部 Flinta 河天然断面的缩放模型(几何比例1:10),设置三个几何相同的偏转器(D1–D3),间距1.5 m。主要技术方法包括:基于弗劳德数相似准则和 Shields 参数相似性选取替代沉积物(湿锯屑,密度1.05–1.10 g·cm
?3),以模拟高有机质含量的 Flinta 河床砂;通过航拍照片图像分析,定义归一化表面指数(A
* = A/(b·S))量化无沉积物区二维范围;采用全因子设计,结合方差分析(ANOVA,包括对数转换及两因素交互项)和四种机器学习模型(线性模型LM、广义加性模型GAM、随机森林RF、极端梯度提升XGBoost)进行统计推断与非线性关系识别。样本队列来源为波兰西部 Flinta 河。
**研究结果**
**3.1 光滑偏转器—ANOVA分析**
基于74个观测值,对数转换后的ANOVA模型满足正态性(W=0.987, p=0.629),整体拟合优度R
2=0.839。主效应分析显示,Q
*(F=26.37, p<0.001)和χ(F=23.74, p<0.001)为最主要因素,R
*为显著次要因素(F=6.01, p=0.005),而ξ无显著效应(F=0.81, p=0.454)。双向交互作用中,Q
*×χ(F=17.83, p<0.001)占主导,表明流量与深度的联合效应远大于单独作用。
**3.2 光滑偏转器—机器学习模型**
六种模型(LM、GAM、RF、Extended LM、Extended GAM、XGBoost)中,XGBoost拟合最优(R
2=0.930, RMSE=0.040)。变量重要性排序为Q
*(增益≈0.48)> χ(增益≈0.29)> R
*(增益≈0.10–0.12),ξ贡献极低。Extended LM较基础LM(R
2=0.457)显著提升(R
2=0.870),证实交互项的重要性。整体结论:Q
*与χ为主控因子,其交互为最强二阶效应,R
*为次要因子,ξ不显著。
**3.3 粗糙偏转器—ANOVA分析**
基于68个观测值,ANOVA模型R
2=0.900。与光滑偏转器不同,ξ成为高度显著主效应(F=10.86, p<0.001),且χ×ξ交互为模型中第二强效应(F=19.76, p<0.001)。在最大水深(χ=1.5)处,中下游偏转器的A
*显著高于上游。χ×R
*交互也达显著(F=4.45, p=0.005),而Q
*×R
*交互不显著。表明粗糙度改变了交互结构,使位置依赖性增强。
**3.4 粗糙偏转器—机器学习模型**
基础模型(LM、GAM、RF)拟合度均优于光滑偏转器(LM R
2=0.556, GAM R
2=0.586, RF R
2=0.663)。Extended LM R
2=0.793,Extended GAM在原始对数尺度上解释偏差85.4%,R
2adj=0.819。XGBoost再次最优(R
2=0.931, RMSE=0.038)。变量重要性显示,水深χ的系数绝对值(?3.356)显著大于光滑偏转器(?1.686),且ξ在GAM和Extended LM中均显著。
**3.5 合并数据集—偏转器表面类型效应**
合并142个观测值,添加表面类型(surface)作为分类变量。ANOVA模型R
2=0.820。表面类型单独作为主效应不显著(F=1.41, p=0.238),但通过交互作用显著:ξ×surface(F=4.62, p=0.012)、Q
*×surface(F=5.28, p=0.007),以及最强的三因素交互χ×ξ×surface(F=8.96, p<0.001)。进一步的系数分析表明,在粗糙表面且水深χ=1.5时,下游和中游位置呈现大的正交互系数(χ1.5×ξ0.605: 3.350; χ1.5×ξ1.0: 3.630),而光滑表面的对应交互系数为负值(?3.847, ?3.764),印证了粗糙度对位置依赖性的调节作用。
**总结讨论与结论**
讨论部分强调,本研究的主要贡献在于揭示了表面粗糙度不应作为孤立设计参数,而应与预期流量-水深状态和纵向位置联合考虑。粗糙偏转器在深水条件下(χ=1.5)的中下游位置具有显著更高的沉积物清除效率,但这一优势在浅水或下游位置被削弱。研究结果与已有文献中关于偏转器角度、孔隙率影响的结论(如Biron等,2004;Akbar等,2019)一致,并进一步深化了表面特性与空间配置的交互机制。研究局限性包括:样本量较小(68–74个观测值),机器学习模型仅反映拟合优度而非预测泛化能力;A
*仅描述二维空间范围,未测量冲刷深度、体积平衡及局部流速场;几何相似性基于Froude数和Shields相似,但未同时满足Reynolds和Weber相似。
**结论**(翻译自原文结论部分):
分析了影响引入常规河道的偏转器无量纲沉积物清除效率(A
*)的单个水力与几何变量的显著性。研究在受控实验室水槽条件下进行,应用经典统计推断和多种机器学习方法。分析针对无量纲变量:流量Q
*、水深χ、床沙荷载R
*和偏转器位置ξ,并检验了光滑与粗糙两种表面类型。基于所有分析结果,得出以下结论:
- 决定沉积物清除效率的主要因素是无量纲水深χ和无量纲流量Q
*,在所有三个数据集(光滑、粗糙、合并)中结果一致。在合并数据集和粗糙偏转器中,ANOVA模型显示χ具有最强主效应(F=58.05和F=51.66),其次为Q
*(F=35.78和F=21.53)。Q
*×χ交互在所有配置中均为最显著的双向效应(F=17.20, p<0.001)。
- 无量纲累积替代沉积物质量R
*是显著但次要的因素,在所有ANOVA模型中均显示统计显著的主效应,其影响在粗糙偏转器中更强(F=10.34)大于光滑(F=6.01)。粗糙偏转器与水深χ的交互(χ×R
*)在粗糙偏转器单独及合并模型中均为显著因素。
- 偏转器位置ξ仅在结合粗糙表面时显著。对于光滑偏转器,ξ在任何分析模型中均不作为主效应或任何两因素交互的一部分而显著;但对于粗糙偏转器,ξ是高度显著的主效应(F=10.86, p<0.001),且其与水深χ的交互(χ×ξ, F=19.76, p<0.001)是第二强效应。
- 表面类型作为独立变量时,在任何分析场景中均未对A
*产生显著影响;但该效应仅通过交互作用体现,尤其是三因素交互χ×ξ×surface(F=8.96, p<0.001)。
- 分析验证了基于交互的非线性关系存在。经典统计方法仅能部分捕捉这些关系;所提出的A
*对数转换及显式纳入高阶交互项在所有分析中显著改善了模型拟合。
- 这些分析表明,偏转器周围底部清除的空间范围A
*主要取决于由无量纲流量Q
*和无量纲水深χ表征的水力因素,其交互构成主导联合效应,而R
*起次要作用。表面粗糙度单独考虑时并未引起A
*平均值的系统性变化;但表面粗糙度的改变导致流态变化,并增加了后续偏转器纵向位置的重要性,特别是在较大水深时。
- 光滑与粗糙偏转器观测到的A
*差异表明,表面特性可能间接影响沉积物再分布。光滑偏转器中系统响应主要由Q
*和χ决定,ξ无独立效应;粗糙偏转器中位置及与水深和粗糙度的交互(χ×ξ和χ×ξ×surface)变得显著,说明粗糙度改变了位置依赖的系统响应。
- 加性模型、交互增强模型及树模型的比较表明,除Q
*、χ、R
*和ξ等独立因子外,这些因子与表面类型的交互也在特定情境下显著,尤其对于粗糙偏转器,模型呈现显著的非加性结构。机器学习模型作为评估模型灵活性和预测变量相对贡献的工具具有价值,但其性能指标反映的是样本内拟合,不应视为预测泛化能力的证据。
研究局限性需在解释结果时考虑:单个数据集仅68–74个观测值,限制了独立模型验证并增加了过拟合风险;沉积物再分布仅基于航拍照片,A
*描述二维空间而非质量或体积;未测量冲刷深度、床面高程变化或局部流速场;尺度效应通过几何比例1:10、Froude相似及Shields相似准则减小,但未实现完全动态相似。未来研究应基于更大可重复数据集,结合床层研究、直接质量测量及局部流速场(如ADV)评估,并考虑更多粗糙度水平、偏转器几何构型、沉积物属性及场地条件,以确定所识别关系在自然调节河流中的适用性。