水资源需求预测的研究进展

摘要：通过对国内外现有的水资源需求来展开具体的预测和分析发现：在研究方向上，近些年国外研究方向向城市、楼宇等小空间尺度转移，国内向生态等国人关注方向转移;在研究方法上，都出现传统方法和人工智能及大数据等技术相融合的特点。但也存在一些问题：所收集数据可靠性不足;对用水需求的多驱动因子考虑不足;对实际生产中供水能力考虑不足。同时对未来相关研究趋势进行了预测：多学科融合更加深入;关于生态用水进一步加大需求量;将采用大数据及人工智能两者结合手段。

关键词：水资源;需求预测;生态;城市化;人工智能

中图分类号：S-1文献标识码：ADOI：10.19754/j.nyyjs.20200115014

收稿日期：2019-11-11

作者简介：杨少康（1993-），男，硕士。研究方向：节水灌溉的理论与技术。

水是人们赖以生存的根本，同时也是自然界非常珍贵的资源。伴随着世界人口的不断增长、经济的不断飞跃发展，人们对于水的需求量也越来越大，造成了水资源的严重短缺和匮乏，这就导致水资源的供需矛盾越来越紧张。因此，对水资源的需求进行预测已成为各个国家和地区进行水资源规划的主要任务之一。基于此种情况，笔者对历史上有关国内外的水资源文献进行了梳理和总结归纳，针对有关水资源需求的预测进行了细致认真的分析，得出了具体的结论。在研究的过程中发生了一些问题，笔者针对这些问题给出了具体的解决方案，并针对未来有关水资源的需求预测发表了自己的一些浅见。

1国内外需水预测研究

1.1国外需水预测研究

世界上首次关于国家水资源的细分评估是在1968年的美国完成的，此次评估中进行了美国水资源当前状况的相关研究和预测，并且做出了有关需水量的预估分析结果。结论提出，预计在2000年、2020年的总需水量会是1965年所有需水量的2倍和4.07倍。在1975年，美国考虑到如此大量的需水量已经不能实现水资源的可持续利用，所以在接下来的研究结论中，融入了有关水污染和节约用水的相关报告，报告中得出的结论与实际的美国用水需求量十分接近。日本从1960年初，就已经将水资源的预测列入国土规划项目，并且10a做1次预测分析。苏格兰自20世纪70年代起，在1973、1984、1994年分别做了水资源的3次规划工作，并且在最后1次的计划实施中，将需水量的预测和实际数值进行了分析和对比，结果与实际情况非常接近[1]。

2003年，Joseph等人建立了WaterGAP2用水模型，分别预测生活、农业、工业需水量，将生活用水过程用Sigmoid曲线表示，工业用水过程用双曲线表示[2]。2014年Ji Young Kim等人开发了一种需求预测模拟器，采用多层感知开发了1个需求预测模块和1个供应设施运行仿真模块来实施多种水资源的需求预测[3]。

2017年，K.Rathnayaka等人针对城市住宅需水提出了1种涵盖多重时空尺度的随机模型，该模型可对城市住宅最终用水需求进行预测[4]。2018年Praveen Vijai等人集合了人工神经网络（ANN）、深度神经网络等技术 （DNN）、极限学习机（ELM）、最小二乘支持向量机（LSSVM）、高斯过程回归（GPR）、 随机森林（RF）和多元回归方法建立模型，并展现出了良好的性能[5]。Hui Wang等人将萤火虫算法这一群体智能算法引入水资源预测实践中，成功地解决了多种实际工程问题[6]。Salah L. Zubaidi等人针对市政水务基础设施建设，通过评估气候因素，结合预处理信号技术、混合粒子群优化算法、奇异谱分析（SSA）技术和人工神经网络（PSO-ANN）等技术对6个气象变量的耗水量进行分解和重构，得到了一种可靠的水资源需求预测模型，同时该模型也揭示了气候变量是人类对水资源的需求变化的重要驱动因子[7]。2019年Li Tianhong等人建立了城市水循环系统动力学模型，研究了整个水循环在社会-经济-生态系统中的相互作用，并对未来城市水需求进行了模拟预测[8]。Rafael Gonzalez Perea等人针对农业短期用水需求预测问题，结合大数据和信息通信技术（ICT）、贝叶斯框架与遗传算法（GA）通过耦合动态人工神经网络（ANN）结构开发了新的模型，并预估了日灌溉的供水数量[9]。

近些年国外水资源需求预测方面的相关研究主要有以下特点：针对城市、市政、楼宇住宅等小尺度范围的研究成为热点[4， 6-8];人工智能和大数据等技术充分融合，建立了性能更好、精度更高的数学模型[5-7， 9]。

1.2国内需水预测研究

伴随着我国水资源開发，我国需水预测研究大致分为以下几个阶段[10， 11]。

1.2.11950年之前

此时期的中国在农业生产方面非常落后，工业等其它行业的底子十分浅薄，没有雄厚的基础，农业生产用水供应不足，主要都采用天然降水的手段进行生产，城市的供水也非常紧缺，国内在供水预测方面的工作也一直没有开展和推行。

1.2.220世纪60年代中后期

此时期处于新中国刚刚成立不久，基础建设实力不强，农业在大力发展的同时，需水量也在不断增加，当时的农业需水量较之前增加了2倍多，其它行业的用水需求量不是十分明显。因此，这一阶段的用水预测主要还是集中在农业灌溉方面的研究。

1.2.320世纪60年代中期—20世纪70年代后期

此时期农业得到了广泛的发展，土地的灌溉导致用水需求量急剧加大，工业建设也较为突出，城市居民的用水需求量也显著提升，用水需求量较之以前有了明显的增多，所以国家开始注重用水预测工作的推行，虽然已经开始重视了预测的重要性，但是由于技术等其他原因，很多工作没有深入的开展。除了在农业用水方面进行了预测以外，其它用水基本都采用的粗略预估。

1.2.420世紀80年代—2005年前后

此时期的中国已经发生了翻天覆地的变化，农业、工业、城市建设等都在不断快速的发展，全国总用水量都在不断的提升，水资源的供需矛盾也在不断加剧，城市用水和工业发展用水形成了剑拔弩张的态势，城市和工业发展都在抢占农业的水资源，国家各个相关部门已经开始关注水资源的预测问题，并在这一时期开始进行大量的预测工作，并将预测的实际结果应用到实际工作中[12-15]。

1.2.52005年至今

随着人工智能和大数据等技术的应用，一些人工智能的模型被应用到水资源需求预测上面[16-19]。张灵等人[16]结合需水预测中的高维非线性和非正态问题，采用投影寻踪技术设立搭建了需水预测模型，运用免疫进化算法进行选取模型中的相关参数，这种方式方便于计算，预测的结果也较容易实现，同时表现出了较强适用性。符传君等人[17]搭建了 GM灰色理论模型，展开了针对海口市的工业、农业、第三产业发展及人口增长趋势的预测分析，通过分析结构，实现了灰色理论与神经网络的有机结合。王坚[19]采用了模糊反馈法进行直接改进熵值法，通过此种方法来确定组合模型的加权系数，通过引进反馈和演化机制手段，能够让使用者通过调整求解精度以控制算法的收敛速度。

同时，生态需水预测也越来越受到相关领域学者的重视[20-26]。任丽军等人[21]应用了联合国法和线性分析法来针对山东省的城市用水、生活用水、工业用水和生态用水等进行了预测和研究，学者根据预测得到的相关结果，旨在给山东省的城市水资源可持续利用提供了一些解决策略和相应的建议。王艳菊等人[22]研究了新郑市当地的一些用水特性，选用了3种经济建设发展策略进行分析，针对当前的用水需求量和城市用水现状，确定了一套切实可行的用水方案。王文君等人[24]研究了黄河三角洲生态经济区的用水现状，结合相关结论分析的前提之上，结合生活用水、工业用水和生态用水3个方面展开三角洲城市用水的预测工作。

近些年国内水资源需求预测方面的相关研究主要有以下2个特点：人工智能技术被逐步引入到预测模型建立中[16-19];生态需水预测成为热点[20-26]。但是同国外研究相比，在人工智能和大数据融合以及城市、楼宇等小尺度研究等方面还存在差距。

2现阶段国内外研究存在问题

水资源需求预测的各种方法都有优缺点，但总的来说，研究的预测结果都会比实际的需水量值偏大，分析具体的原因，可以得出以下几点因素。

2.1历史数据存在偏差

预测所需要的基础数值都来源于以往的历史数据，因为过去的数据存在一定的偏差，与实际数值有较大出入，导致预测结果与实际有误差。

2.2关于水资源需求量的增长有一定的时期和阶段性

用水需求也因为水利工程条件、水价以及节水方面因素的限制，存在浮动，而且国外的一些地方用水零增长、负增长的实例已证实了这点。

2.3对水资源的供给能力约束力分析不足

考虑水资源的供需关系，应该结合实际情况来综合分析。国外许多地方就是在公开供水能力的前提下进行需水预测。假如开展无约束的用水预估分析，就会导致预测的结果过大。

3水资源需求预测研究的发展趋势

在进行了具体的水资源用水预测研究之后，本文针对发现的问题给出了一定的分析意见和看法。

水资源的预测和分析涉及到的学科众多，涵盖的方面也较广，虽然在部分领域获得了一定的研究成果，但是作为一门完整的学科我国至今仍没有建立成熟，水资源需求分析的理论体系与方法论研究仍待进一步发展。

水资源需求预测受国家用水政策、节水型社会发展水平等影响，随着节水技术的快速提高，其用水弹性很大，故需要在研究节水潜力和用水弹性的前提下进一步进行水资源需求预测研究，并得出二者之间的联系。

生态需水在水资源规划中的比重逐渐加强，而关于生态需水预测方法尚未有完善的理论，同时对生态需水的量化仍需进一步研究。

如今人工智能和大数据技术得到了广泛的应用，人工智能和大数据技术如何更好地服务于新形势下水资源需求预测，也需要更深入探讨。

参考文献

[1] Anderson. Demands and Resource for Publid Water Supplies in Soctland from 1991 to 2016[J]. Water International， 1997，11（3）：164-169.

[2]Joseph Alcomo Petra Doll. Development and Testing of the Water GAP2 golbal model of Water Use and Availability[J]. Hydrological Sciences， 2003，48（3）：317-337.

[3]Kim Ji Young， Jung Jin Hong， Yoon Young H.， et al. Development of Demand Prediction Simulator Based on Multiple Water Resources[J]. APCBEE Procedia， 2014（10）：224-228.

[4]Rathnayaka K.， Malano H.， Arora M.， et al. Prediction of urban residential end-use water demands by integrating known and unknown water demand drivers at multiple scales II： Model application and validation[J]. Resources， Conservation and Recycling， 2017（118）：1-12.

[5]Vijai Praveen， Bagavathi Sivakumar P. Performance comparison of techniques for water demand forecasting[J]. Procedia Computer Science， 2018（143）：258-266.

[6]Wang Hui， Wang Wenjun， Cui Zhihua， et al. A new dynamic firefly algorithm for demand estimation of water resources[J]. Information Sciences， 2018（438）：95-106.

[7]Zubaidi Salah L.， Dooley Jayne， Alkhaddar Rafid M.， et al. A Novel approach for predicting monthly water demand by combining singular spectrum analysis with neural networks[J]. Journal of Hydrology， 2018（561）：136-145.

[8]Li Tianhong， Yang Songnan， Tan Mingxin. Simulation and optimization of water supply and demand balance in Shenzhen： A system dynamics approach[J]. Journal of Cleaner Production， 2019（207）：882-893.

[9]González Perea Rafael， Camacho Poyato Emilio， Montesinos Pilar， et al. Optimisation of water demand forecasting by artificial intelligence with short data sets[J]. Biosystems Engineering， 2019（177）：59-66.

[10]傅金祥， 馬兴冠. 水资源需求预测及存在的主要问题探讨[J]. 中国给水排水， 2002（10）：27-29.

[11]贺丽媛， 夏军， 张利平. 水资源需求预测的研究现状及发展趋势[J]. 长江科学院院报， 2007（01）：61-64.

[12]姚建文， 王建生， 徐子恺. 21世纪中叶中国需水展望[J]. 水科学进展， 1999，10（2）：190-194.

[13]贾绍凤， 张士锋， 红杨， 等. 工业用水与经济发展的关系——用水库兹涅茨曲线[J]. 自然资源学报， 2004，19（3）：279-284.

[14]敬明光， 叶文涛， 储嘉康. 宁波市水资源需求预测[J]. 水利规划设计， 2002（01）：30-35.

[15]鲍卫锋， 黄介生， 谢华. 西北干旱区水资源需求预测方法与态势分析——以陕西省延安市为例[J]. 干旱区地理， 2006（01）：29-34.

[16]张灵， 陈晓宏， 刘丙军， 等. 免疫进化算法和投影寻踪耦合的水资源需求预测[J]. 自然资源学报， 2009，24（02）：328-334.

[17]符传君. 基于灰色理论和神经网络的海口市水资源需求预测分析[J]. 水资源与水工程学报， 2010，21（5）：96-98.

[18]柴文佳. 基于灰色模型的华北六省（市）区农业水资源需求量预测研究[D]. 石家庄：河北经贸大学， 2012.

[19]王坚. 基于改进组合神经网络的水资源预测研究[J]. 计算机科学， 2016，43（01）：516-517.

[20]胡惠方. 郑州市需水量驱动因子及水资源需求预测分析[D]. 郑州：郑州大学， 2007.

[21]任丽军， 袁存超， 崔兆杰. 山东省城市化对水资源需求预测研究[J]. 山东大学学报（理学版）， 2008（09）：27-30.

[22]王艳菊， 管新建， 沈凯， 等. 新郑市水资源需求预测研究[J]. 水土保持通报， 2010，30（06）：208-213.

[23]陈兴科， 卢天文. 贵州工业强省战略水资源需求预测与对策建议[J]. 人民长江， 2012，43（02）：33-35.

[24]王文君， 任丽军. 黄三角高效生态经济区城市水资源需求预测[J]. 人民黄河， 2012，34（01）：38-41.

[25]贺丽媛， 苏柳， 贾冬梅， 等. 鄂尔多斯市水资源需求预测研究[J]. 人民黄河， 2014，36（09）：59-61.

[26]高齐圣， 路兰. 中国水资源长期需求预测及地区差异性分析[J]. 干旱区资源与环境， 2016，30（01）：90-94.

（责任编辑李媛媛）