郑州市未来水资源需求量预测

针对郑州市未来水资源需求量的预测问题,基于2001—2016年间的郑州市需水量数据,利用主成分分析法从9个影响水资源需求量变化的因素中提取5个主要影响因子,将此作为输入样本构建BP神经网络模型,通过学习训练预测出2017—2020年郑州市水资源需求量,预测结果表明郑州市的水资源需求量将从2016年的17.9987亿m3,提高到2020年的20.8260亿m3,这个预测结果表明我们的政府部门对水资源的管理工作依然不能放松。

1.郑州市水资源现状分析

郑州市位于河南省中部,华北平原南部,总面积达7446.3km2,总人口约890万人。年平均降水量为634.2mm,整体降雨比较少,且时空分布不均,由南向北呈递减趋势,天气干燥,雨水蒸发多,年人均水资源可利用量比较匮乏。

根据2016年度郑州市水资源公报数据,整个城市用水总量为17.9987亿m3,其中农业用水量为5.1158亿m3,工业用水量为4.9184亿m3,生活用水量为5.3853亿m3,生态环境用水量为2.5792亿m3。人均综合用水量为202m3,万元GDP(当年价)用水量为14.8m3/万元,万元工业增加值(当年价)用水量为16.8m3/万元(含火电)。2016年郑州市跨区调水为6.8982亿m3,包括引黄水量为3.0489亿m3,南水北调水量为3.8493亿m3。

水资源是城市经济社会发展不可或缺的重要自然资源。郑州市作为中国中部地区重要的工业城市之一,近几年进入了快速发展时期。其城市化进程大大加快,人口规模持续增加,各项经济产能指标不断提高,给城市水资源供给带来了巨大压力,尽管毗邻黄河,由于气候环境影响,郑州市是一个缺水城市,年人均水资源只有178立方米,不到全省的,不到全国的,是一个资源型缺水与水质型缺水并存的城市。有限的水资源环境与快速的经济发展和不断推进的城镇化进程存在协调发展的矛盾。

对一个区域水资源需求量的预测是该区域水资源承载力预测中的重要组成部分,其对实现区域社会经济可持续发展具有重要意义。预测的结果可为政府部门制定与水资源相协调的区域发展规划提供一定的参考。

2.郑州市水资源需求量预测

影响区域水资源需求量的因素众多,是社会经济和自然环境等多种因素共同影响的结果。但这些因素之间存在着复杂的相关性,有些还是非线性关系,信息重叠多,传统的预测方法大多无法反映这种相互关系而影响了预测的准确性。相比传统的预测方法,BP神经网络模型具有很好的非线性逼近能力,能够实现比较准确的预测。

本文通过主成分分析法对众多影响城市水资源需求的因素变量指标进行特征提取,将具有相关性的指标因素进行降维,针对郑州市的水资源需求情况,以2001—2016年资料作为基础数据,并参考专家意见,从中选取9个因子(如表1)进行主成分分析。

利用SPSS分析软件对上述9个因子的原始数据样本进行主成分分析,检验结果如表2、3所示,结果表明,KMO=0.725＞0.5,Bartlett统计量的显著性概率值为0.000,说明可以对所选取的数据进行因子分析,求得主成分特征值、贡献率和成分矩阵。

表2

表3 成分矩阵a

提取方法：主成分分析。

a.已提取2个成分。

根据主成分分析中最小Em的选取标准(一般要求Em＞85%),从特征值及主成分贡献率可以得出,前两个因素x1,的特征值所对应的累计贡献率最大(累计为87.64%),根据成分矩阵可以看出,x6对第一主成分x1相关性很大,x3对第二主成分x2相关性很大。因此,郑州市水资源需求量的影响因子可以归纳为人口(x1),GDP(x2),年平均降水量(x3),农业用水量(x6)和万元GDP用水量(x8)。

根据2001—2016年的郑州市水资源原始资料,统计出上述5项影响因子及各年总用水量所需的数据作为BP神经网络的输入层数据(如表4)。

表4

在神经网络中,应用最广泛的是美国加州大学的鲁梅尔·哈特和麦克·莱兰等人于1985年提出的BP(Back Propagation)神经网络。一个三层的BP网络结构如图1所示。

图1

本文采用的三层BP神经网络结构,输入层有5个神经元,隐含层的神经元数目根据Kolmogorov定律取为11,输出层有1个神经元即水资源需求量。用于郑州市水资源需求量预测的BP神经网络拓扑结构为(5,11,1),利用Matlab软件编程进行BP神经网络的建立、初始化、训练和模拟。

将表4中的5个影响因子原始数据和对应年份的水需求量实际值进行归一化处理,2001—2014年数据作为网络训练样本,2015年和2016年数据作为测试样本,对网络进行学习训练。选取学习率为0.005,误差平方和