辽宁省的水资源利用效率评价方法研究

聂大鹏

(辽宁省营口水文局，辽宁 营口 115003)

0 引 言

随城镇化和经济一体化的不断推进，水资源利用和社会经济发展之间的矛盾日趋突出，为保护水体生态环境以及促进水系统的良性循环，评价和分析辽宁省水资源利用效率对于促进人水和谐发展发挥着重要作用。通过对不同区域用水效率的差异性分析，找出制约用水效率提升的关键性因子，从而提出有效的解决方案和办法，这对于提高用水效率和充分发挥有限的水资源功能具有重要的意义[1]。相比发达国家我国的水资源利用效率仍存在较大的提升空间，关于用水效率评价方法和理论模型许多学者开展了大量研究，如靳京等通过论述与分析生产函数法、比值分析法等农业用水效率评价方法的实现过程、基本原理，提出了各方法的优缺点及其适用范围；白颖等总结分析了用水效率评价方法，并认为较单纯的数学模型法评价指标体系法更加系统、全面，由于涉及到的因素较多对于权重的计算仍在较大困难；翟丽妮等对水资源相关研究做了较为全面的概述，提出水资源利用效率综合评价时定量参数少、定性参数较多的问题。在指标权重方面，AHP层次分析法为当前应用较为广泛的客观赋权法，而德菲尔法因具有较强的主观性易造成评价结果与实际不符的现象[2-4]。

为减少期望输出与实际输出之间的误差需要对权值矩阵反复多次调整，直至达到预定的学习次数或输出误差小于允许的精度。客观事物的复杂关系利用高度非线性映射、高度容错性的样本学习与训练过程来描述，利用训练好的神经网络输出评价样本的最终向量或数值。该方法具有较高的实用价值和运算速度，且操作简单、精准度较高，在公路交通、洪涝灾害预测、水资源评价、处理多因素复杂问题等方面应用广泛，而运用该模型对区域用水效率的评价研究相对较少。

根据辽宁省2017年水资源公报、统计年鉴获取用水效率评价相关参数值，结合前人研究成果和区域水资源利用实际情况，根据BP网络的联想记忆、自适应性、自组织学习、高度非线性映射、高度容错等特性，构建能够模拟区域水资源特点和考虑专家评分偏好的BP网络评价模型，以期为区域用水效率评价和水资源发展规划提供科学的依据[5-8]。

1 水资源利用效率评价模型

1.1 评价指标体系

农业用水过大为引起区域水资源短缺的关键因素，所以关于农业用水效率的评价为以往研究的主要内容。通过分析不同指标之间的相互作用关系，按照递阶层次框架理论构建较为系统、全面的水资源利用效率评价体系，对区域用水效率定量的衡量和表征。

文章依据辽宁省水资源利用情况和用水效率评估报告，综合考虑各方面影响因素建立评价体系，见表1。其中，生产单位数量农产品所消耗的水资源量为传统的农业用水效率WUE，即WUE=Y/ET，其中ET、Y分别为实际耗水量和农产品产量；水分利用效率在水资源供应充足的情况下设为WUE0，则有WUE/WUE0=(Y/Y0)(ET0/ET)。实践表明，在特定区域内的作物产量受一定水分亏缺的影响相对较小，所以可认为Y≈Y0，由此可将上式转化为WUE/WUE0≈(ET0/ET)，农业用水效率U在去变异化后可表示为U=ET0/1+P。

表1 用水效率综合评价体系

受数据资料条件限制，未收集到当年COD排放量相关数据，且该指标对评价结果的影响程度较小，所以选用人均污水排放替换COD参与评价。

1.2 神经网络基本原理

人工神经网络是一种具有较强的容错性、鲁棒性、自学习和自适应能力，陈守熠等将流域水环境质量状况利用神经网络和模糊数学相结合的方法进行科学评价；崔远来等对神经网络结构利用遗传算法优化，从而构建了能够预测参考作物腾发量的GA-ANN神经网络模型；金菊良等对水华危险性利用GIS技术与网络模型相结合的方法进行了科学分析。

BP网络自上至下可依次分为输入、隐含和输出层3个部分，各层级之间的连接方式以全连接为主，其中连接程度的控制方法主要是对权值的调整，而学习过程属于权值控制的实现途径，神经元在同一层次内不存在相互连接关系。为了能够准确获取网络相关参数，通常需要学习和训练一定容量的样本，经反复的训练，联想和极易学习样本并用于最终的评价。

1.3 BP网络建模方法

设各个评价指标组成的网络输入为X=[X1,X2,…,Xi,X7]，专家评分为网络期望输出Y*，评价得分为Y。输出向量X(i)∈Rn与输入向量Xj(i)∈Rm*n之间的非线性映射关系为BP神经网络的评价机制，其表达式为：

X(i,j)∈Rn→Y(i)∈Rn

(1)

BP神经网络存在自学习、误差计算、传递函数以及输入输出等计算模块，其中输入层接受参数信息，通过设定期望误差和一系列神经元节点运算实现最终的综合评判。对隐含层的变换计算使得讯号经过输出节点形成相应的输出值，其中非线性Sigmoid激活函数为传递过程中输出节点与隐含层的最常用计算公式，计算公式为：

f(x)=1/(1+e-x)

(2)

对BP网络输出结果产生不利影响，在评价向量输入前需要采用下式进行归一化处理，即：

(3)

文章对用水效率评价指标体系利用Matlab软件和BP网络模型进行评价分析，从而确定辽宁省各地区的水资源利用状况。

2 实证分析

2.1 区域概况

辽宁省地处我国东北地区南部，境内各支流纵横交错、蜿蜒曲折，大小河流近300余条，如饶阳河、大凌河、浑河、太子河、辽河等支流，主要岛屿有长兴岛、石城列岛、大鹿岛及里长山列岛等。该区域属于大陆性季风气候，气候特征为春秋季短、冬长夏暖、平原风大、寒冷期长、雨量集中、雨热同期、四季分明、光照丰富，年降水量600-1100mm之间。由于特殊的地理环境和复杂的水文气象，降水量存在显著的区域性与季节性特征，在空间分布上平原地区相对于高山地较低，与渤海相邻的东南部降水量充足，而西北地区风沙干旱严重且降水稀少；在时间尺度上每年的7-9月为降雨集中期且多以暴雨或强降雨。近年来，随着人口的急剧增加和社会的不断发展，各行业用水量迅速增大，水资源短缺、农业用水量占比过大、用水效率低等问题日趋严峻。水资源用水效率低对社会经济的可持续发展产生严重的制约，并进一步激化了原本紧张的水资源供需矛盾。因此，对于用水效率的评价方法和模型的研究具有重要的现实意义[9-11]。

2.2 结果分析

文章对辽宁省各地市用水效率选用多因素、多层次BP模型评价，依据文献中各地市水资源评价结果作为BP网络训练样本，经归一化处理后获取各参数标准值如表2、表3所示。

表2 水资源利用效率评价指标的初始值

表3 水资源利用效率评价指标的标准值

续表3 水资源利用效率评价指标的标准值

设定BP网络的训练样本和测试样本分别为10、4，经网络训练模拟评估用水效率水平。训练样本评价结果如图1所示。

图1 专家评价值与BP网络拟合值

经120次训练后BP网络已达到良好的性能，设定的收敛误差为0.0001，网络最大均误差为3.90%，R2值为0.9928，满足预期精度要求。对于相似样本可利用训练好的网络实现自动的计算处理，误差最小时的结果输出即为用水效率评价的最终值。其运算流程为：模型输入向量选择为经归一化处理的初始数据，网络输出即为用水效率评价结果，利用网络对学习样本训练，当达到设定精度要求时停止运算，采用该模型进行用水效率的评价分析，并输出最后的结果值，如表。从表可以看出，用水效率评价过程中BP网络最大误差为3.90%，专家预测和网络输入保持较高的一致性，模型具有较高的映射精度。

表4 专家评价结果与BP网络输入

3 结 论

文章依据专家评价结果和辽宁省水资源利用现状，对专家决策系统利用人工神经网络模拟分析，从而提出了一种能够客观、准确反映区域水资源利用水平的BP网络模型。结果显示：所构建的BP网络用水效率评价模型具有较强的非线性拟合能力和较高的计算精度，能够系统全面的描述水资源利用与各项特征指标之间的非线性关系，可为区域水资源发展规划和用水效率评价提供一种新的方法。

对专家决策过程利用Matlab系统自带的计算工具箱，通过样本输入和精度设置即可完成评价模型的复杂计算，实证分析表明该网络模型具有较高的精度和良好的可操作性，能够依据实际需要调整预测精度与误差，具有操作简单、原理清晰、容错性强等优点，在用水效率评价中该模型是科学可行的。