基于回归神经网络的沧州市水资源承载能力评价

2019-06-04

水资源开发与管理 2019年5期

(河北省沧州水文水资源勘测局，河北沧州 061000)

水资源承载力是以保证可持续与生态环境良性循环为基础，在合理开发利用的原则下按照目前现有的经济、技术水平，能够持续支撑某地区历史发展阶段最大规模的能力和限度。因此，水资源承载力不仅可综合反映水资源与社会经济、水环境之间的协调关系，而且可用于衡量某流域或地区的水资源能否持续支撑该区域经济发展。随着人们对水资源保护意识的增强以及国家对水生态环境保护力度的不断加大，承载力问题已成为目前研究的主要方向[1-2]。国外许多学者在可持续发展理论中引入了水资源承载力的概念，如Ding等[3]对水资源系统的不确定性和变化特征进行研究分析，并探讨了人水之间的复杂关系，评价了城市人水和谐状况；Lei等[4]通过评价分析多个国家的资源与消耗承载力，探讨了人类社会的可持续发展能力；Joardar[5]分析了水资源承载力规划体系和影响因素；Kyushik等[6]基于土地利用密度和城市现有基础设施，分析了城市承载力状况；Daniel等[7]通过分析文化、社会以及周围生态环境，对物理生态承载力利用最大人口数量进行评估。国内水文学者也开展了大量研究，如徐友鹏[8]在流域承载力评价中引入模糊综合评判法；何俊士等[9]以淮河流域为例，对比分析了模糊聚类神经网络法与集对分析原理的水承载力分析结果；林占东等[10]对深圳市水资源承载力利用投影寻踪和差分进化算法进行客观评价，并获得了理想的评判效果；王俭等[11]利用神经网络客观、科学地评价了辽宁省水资源承载力状况；夏军等[12]从影响因素的角度对西北地区水资源承载现状、未来发展趋势利用综合评判法进行评价和对比，建立了有效的指标体系。本文结合已有文献资料，对沧州市水资源承载力采用回归神经网络模型GRNN进行评价，以期为促进沧州市人水和谐发展提供一定依据。

1 基于回归神经网络的评价模型

1.1 回归神经网络的概念

广义回归神经网络(general regression neural network，GRNN)是由Donald F.Specht教授在1991年提出的，是基于one-pass学习算法的高度并行的径向基网络，是具有导师学习的径向基网络的基于非线性回归理论的前馈式神经网络模型。

GRNN模型具备非常良好的非线性收敛能力，并且在训练过程中具有简单高效的特点。尤其在样本数量较多的情况下，它具有能够快速接近的优点，这样的特点让它在系统的识别和预测掌控等方面具有明显的优越性，该模型因具有良好的学习能力，在模式识别、分类预测、拟合回归等领域具有广泛的应用价值。

1.2 回归神经网络原理

GRNN系统主要包括线性层、径向基神经元以及输入层3部分内容，其中输入层是将样本变量传送至隐含层。训练样本数与隐含层神经元个数相等，并且输入向量p至权值矩阵IW1,1之间的距离可根据欧式距离函数‖dist‖求解，从而生产S1×1和阀值b1，然后利用高斯函数可得到径向基层次的输入向量a1。利用规范化集权函数作为权值函数，点积运算矩阵IW2,1的每行元素和a1，然后以a1各元素之和为分母，以积运算结果为分子做相除运算并得到n2向量。选取a2=purelin(n2)作为网络结构输出层与隐含层的传递关系，最后可输入y=a2。GRNN模型的计算流程为：选取径向基函数中心，引入样本输出和输入矩阵分别为T、P，则径向基函数中心可表示为C=P′，其中P′为P矩阵的转置；然后采用下述公式分别对神经基层的阀值与输出向量进行求解：

b1=[b1,b2,…bi]

(1)

a1=exp(-‖C-p‖2b1)

(2)

式中：bi=0.8326/s，s为散布常数。

经过上述运算，GRNN网络输入可表示为如下形式：

(3)

1.3 回归神经网络法的优越性

水资源系统在一定的时空条件下具有动态性和相对性，并且在评价承载力时往往存在不确定性和复杂性，考虑引入GRNN模型。

1.4 构建评价指标体系及分级标准

水资源系统不仅与人类意识形态、生产活动能力等因素相关，而且还受系统自身特性的影响，它是一个涉及水资源、生态环境以及社会经济等多方面内容的复杂综合系统。因此在指标选取时应考虑各因素之间的相互关联，从而构成能够分析某区域承载力水平的集合，然后利用综合评判工具对承载力进行分析。指标体系应综合考虑区域经济、社会、资源、环境等各个方面，真实反映某区域水资源状况。夏军等[12]从影响因素的角度利用综合评判法对西北地区水资源承载现状、未来发展趋势进行评价和对比，建立了有效的指标体系；陈洋波等[13]对承载力指标从水资源系统内在驱动力、外来压力、系统状态、影响程度、响应结果等方面进行了深入分析；秦奋等[14]以河南省为例，利用灰色关联法建立了指标体系。构建指标体系应遵循可操作性、动态性、完整性等原则，其中可操作性是考虑到指标数据的可获取性与准确性因素，动态性是指符合水资源系统的发展过程和状态变化特征，完整性是指所选取的指标应能够涵盖水资源的各个方面。

评价指标体系是由若干个能够相互补充、且与水资源问题密切相关的指标构成，本文依据2011年中央提出的水资源管理“三条红线”具体要求，并结合沧州市水资源利用现状和特征，分别从限制纳污、用水效率以及用水总量3个方面对指标进行选取，因数据资料有限并考虑到评价结果的准确性，共选取了10项代表性指标。结合全国水资源承载力状况和已有研究成果，将承载力划分为Ⅰ、Ⅱ、Ⅲ级3个标准，分别代表承载力状况较差、一般、较好，见表1。

表1 承载力评价指标体系与取值范围

指标C1～C3分别为人均水资源量、产水模数、人口增长率；C4～C7分别为人均用水量、用水指数、万元GDP用水量和工业产值用水量；C8～C10分别为污水处理率、水质优良率、引用达标率。Ⅰ级是指区域水资源具有较小的开发利用潜力，承载力状态已趋近于极限，在此条件下的生态环境、社会经济以及资源的利用为不可持续状态；Ⅱ级是指区域水资源开发虽然具有一定规模，但仍存在发展潜力，水资源供给基本满足整体的需求；Ⅲ级是指区域水资源具有较大的利用潜力，可持续利用状态良好，可为社会发展提供有力的资源保障。

1.5 回归神经网络的设计

根据上述GRNN运算过程，利用MATLAB软件进行求解，具体的流程见图1。首先利用编程语言和各分级标准随机生成隶属于Ⅰ、Ⅱ、Ⅲ级标准的6个检验样本和10个训练样本，为提高模型训练效果对每个样本利用极差归一化进行处理；然后利用newgrnn 自带函数建立模型，并以各级评分值0.05、0.5、0.95作为训练样本期望输出，利用15个检验样本输入已检验训练完成的网络；通过调整spread值逐渐减少样本输出误差满足设定要求。网络输出见表2，期望输出与实际输出相差不大，由此表明该GRNN模型可用于下一步的计算分析。

图1 模型运行流程

表2 网络输出结果

2 实例应用

2.1 沧州市概况

沧州市位于河北省东南部区域，北面与天津相接、东面与渤海相连、南面与山东接壤，区域面积1.34万km2。属于暖温带大陆季风气候，多年降水量581mm，受地形地貌和经纬度影响，各年份降水量存在较大差异，并且年内降水量以6—9月为主。年均气温12.5℃，季节性温差较大；境内以平坦的平原为主，海拔高度相差不大，地势特征由西南向东北方向呈倾斜状态。经济的发展与人口数量的增加，对沧州市水资源供给能力造成了严重威胁，并对水资源可持续发展提出了挑战。因此，为促进沧州市人水和谐发展，优化经济发展与水资源之间的协调状态，对该区域水资源承载力研究具有十分重要的意义。

2.2 结果分析

根据河北省2005—2015年的统计年鉴、水资源公报、政府工作报告以及沧州市水资源相关资料等，对承载力指标数据进行提取，结果见表3。

表3 沧州市2005—2015年各指标数据

将表3数据进行归一化处理并输入GRNN模型，然后运行模型得到承载力分级标准。对比模糊综合评价法与GRNN评价法的结果，两种方法评价结果一致，验证了模型的可行性与可靠性，具体结果见表4。

表4 两种方法评价结果对比

由表4可以看出，在研究期间沧州市水资源承载力整体在Ⅰ级与Ⅱ级范围波动，其中处于Ⅰ级的年份主要有2005年、2006年和2009年，在2010年以后该区域承载力整体稳定在Ⅱ级标准，由此表明，虽然沧州市水资源开采已具备一定的规模，但仍存在开发潜力；由2014年和2015年模糊综合评判结果可以看出，该区域水资源开发利用潜力呈现出逐渐增强的变化趋势，可能与近几年沧州市逐渐由粗放型、高能耗、高污染的经济发展模式逐渐向节约型、环保型转变有关。两种方法评价结果保持良好的一致性，由此表明，所建立的模型具有较强的可行性与可靠性。