汕頭市水資源承載力評價研究

陳 凱，李就好，李永剛，屈寒飛

(1.華南農業大學水利與土木工程學院，廣州 510642;2.廣東省機械技師學院，廣州 510450)

水資源承載力評價就是采用合適的水資源承載力評價指標，建立相關的數學模型，對一個地區的水資源開發利用程度進行評價，分析其水資源承載能力狀況，并為水資源可持續利用提供科學依據和決策支持。這種評價是一個復雜巨系統問題，涉及到資源、經濟、環境、人口和社會等子系統。目前已經采用了多種數學方法對水資源承載力進行評價，主要有:主成分分析法［1］、灰色系統評價法［2］、模糊評價法［3］、系統動力學方法［4］、多目標分析法［5］、層次分析法［6］、神經網絡法［7］等以及幾種方法相結合的綜合評價法，每一種方法都有各自的特點和適用性。鑒于此，本文以汕頭市為例，采用神經網絡法和模糊層次綜合評價法分別對水資源承載力進行評價研究，探討水資源承載力對該市社會、經濟發展與人口、生態環境相協調的支撐狀況，并對2種方法的優缺點進行了比較研究。

表1 汕頭市來水及用水情況統計表Table 1 Statistics of incoming water and water usage in Shantou city 億m3

1 汕頭市水資源及開發利用狀況

汕頭市位于廣東省東部，韓江三角洲南端，全市總面積2 064km2，人口520多萬人。境內主要河流有韓江、榕江、練江、壕江、雷嶺河。根據《汕頭市水資源公報》［8］，從2000到2009年，汕頭市來水及用水狀況見表1。

從汕頭市水資源公報可知，該市水資源地區分布極度不均勻，年際變化也較大，南澳縣、潮陽區及潮南區的水資源較為缺乏。汕頭市本地水資源量較少，但總體水資源量不少，主要是過境水資源量較為豐富。一年之中，各月降雨量年內變化顯著，其徑流量隨著上游的來水量的變化較大，水量在時間、空間上的分布不均勻且難以調節，汛期(4－9月)水量占全年水量的85%左右，大量過境水以洪水方式入海，難以利用;枯水期則水量銳減，正常用水受到制約。汕頭市用水中以農業用水量最大，在50%左右，其次是生態用水。

2 汕頭市水資源承載力評價指標體系

水資源承載力評價指標體系要求能從不同方面、不同角度、不同層面客觀地反映區域水資源條件、開發利用狀況、供需關系及生態環境等方面。因此，本文在參照全國水資源供需分析指標體系和耿雷華等《水資源合理配置評價指標體系研究》［9］的基礎上，結合汕頭市水資源特性，從水資源條件、社會經濟條件以及生態環境條件3個方面選取14個影響因素作為水資源承載力的評價指標，具體指標含義見表2。

為使評價結果容易標準化，并且符合規范，參照文獻［9］研究成果，并結合廣東省水資源實際狀況對評價指標進行分級，各標準等級值如表3所示。表3中將水資源承載能力分為3級，Ⅰ級為優秀，表示本區域水資源仍有較大的承載能力，供給充足;Ⅲ級為超載，表示水資源承載能力超過其飽和值，進一步開發潛力較小，已制約社會經濟的發展，應采取相應對策;而Ⅱ級為良好，情況則介于兩者之間，表示本區域水資源開發利用規模較大，但仍有一定的開發利用潛力，水資源的供給需求能滿足區域的經濟發展。

根據《汕頭市統計年鑒》及《汕頭市水資源公報》統計汕頭市2000—2009年水資源承載力評價指標實際指標值如表4。

表2 水資源承載力評價綜合評價指標Table 2 Comprehensive evaluation indexes for water resources carrying capacity

表3 承載力評價指標的分級標準Table 3 Levels of evaluation indexes for the carrying capacity

表4 汕頭市水資源承載力評價因素指標統計Table 4 Statistics of evaluation indexes for water resources carrying capacity in Shantou city

3 汕頭市水資源承載力評價

3.1 RBF神經網絡模型法評價

3.1.1 RBF神經網絡基本原理

RBF神經網絡的基本思想是:用RBF作為隱單元的“基”構成隱含空間，將輸入矢量直接映射到隱空間，而不需要權連接［10］。它是一種三層前向網絡，結構如圖1所示，包含輸入層、隱含層、輸出層。輸入層由信號源組成，輸入空間到隱含層空間的變換是非線性的;隱含層的變換函數RBF是對中心點徑向對稱且衰減的非負非線性函數，它以對局部響應的徑向基函數代替傳統的全局響應激發函數，第三層為輸出層，從隱含層到輸出層空間變換是線性的。這種網絡結構具有訓練過程快，結果與初始權值無關，對函數的逼近是最優的，并可避免陷入局部最優，具有全局逼近的特性。

圖1 RBF神經網絡結構圖Fig.1 Structure of RBF neural network

RBF網絡學習算法需求解3個參數:基函數中心、方差、隱含層到輸出層的權值。對基函數中心本文采用自組織選取中心法中的基于K－均值聚類方法求取;隱含層徑向基函數有平方根函數、高斯函數、格林函數等多種形式，本文采用最常用的是高斯徑向基函數，所以方差由下式求解:

對于參數隱含層到輸出層的權值可用最小二乘法計算:

圖1中網絡輸出為

式中:h為隨機選取訓練樣本個數;cmax為中心之間最大距離;c為高斯函數的中心;xp為第p個n維輸入變量，P為樣本總數;ci為網絡隱含層第i個基函數的中心，與x具有相同的維數;n為感知單元的個數;wij為隱含層到輸出層的權值;σi為第i個感知變量，它決定了該函數圍繞中心點ci的寬度，即感知視野的大小。

3.1.2 RBF神經網絡模型計算分析

本文在Matlab7.6環境下建立了水資源承載力評價的RBF網絡模型，具體建模計算分析過程如下:

(1)準備數據。本文共采用了14項評價指標，分為3個等級，根據表4中的分級標準，利用Excel生成隨機數方法，每一級隨機生成50個樣本，共生成150個樣本，作為網絡的訓練輸入樣本集。與此相對的輸出樣本期望值(即期望評價等級值)定為:等級Ⅰ為1;等級Ⅱ為2;等級Ⅲ為3，同時為使網絡訓練達到性能最佳，對訓練樣本進行歸一化處理。

(2)設計RBF網絡，并自動對數據樣本進行訓練。格式:net=newrb(p，t，goal，spread，mn，df)，其中p，t，goal，spread，mn，df分別為輸入向量、輸出向量、均方誤差、徑向基函數擴展速度、神經元個數最大值和訓練過程顯示頻率。其中要注意的是選擇合適的spread值，過大的spread值，意味著需要非常多的神經元以適應函數快速變化;過小的spread值，意味著需要許多神經元來適應函數緩慢變化，網絡性能變差。因此，在具體情況中，需要采用不同spread值調試網絡，以確定合理情況。

(3)對研究區域水資源承載力狀況進行仿真:y=sim(net，x)，x，y為評價區域的輸入向量和水資源承載力評價等級值。經過反復測試，采用如下參數:goal=0.001，mn=150，df=5，spread=20，30，40，對表4水資源承載力指標進行計算分析，結果見表5。

表5 RBF模型水資源承載力評價等級值Table 5 Grades of evaluation of water resources carrying capacity(RBF model)

根據上面RBF網絡模型的計算結果，可判斷:

(1)汕頭市從2000年到2009年水資源承載力等級值多數年份都在1～2之間，說明汕頭市最近10年水資源承載力介于等級Ⅰ與等級Ⅱ之間，表明該區域水資源開發利用已有一定規模，但仍有較大的開發利用潛力，水資源的供給需求能滿足區域的社會經濟發展。同時，也會發現，從2000年到2009年，汕頭市水資源承載力指標值有增大趨勢，說明水資源承載力有所下降，這將會影響到汕頭市未來社會經濟的發展，所以應當制定合理的供用水規劃，加大水利基礎設施建設，合理開發利用較豐富的過境水，提高綜合供水保障能力，確保未來社會經濟發展對水資源的需求。

(2)以spread參數取20為例，在2004年與2006年，水資源承載力等級值分別為2.50，1.58，表明2006年水資源承載力狀況明顯好于2004年，這合理地反映了由于來水狀況的不同導致這2年的水資源條件差異——2004年入境水量與降雨量比多年平均值大幅減少。對不同spread參數值，也具有相似規律，說明前文采用的綜合評價指標基本合理，同時建立的RBF網絡模型是穩定的，分類效果明顯，評價模型總體對汕頭的水資源承載力評價是便捷有效的。

3.2 BP神經網絡模型法評價

本文采用三層BP神經網絡對水資源承載力進行評價。由于指標體系采用了14個因素，所以在Matlab 7.6環境下建立一個輸入層、隱含層和輸出層的神經元數分別為14，29，1的BP神經網絡模型。網絡中間層神經元傳遞函數采用S型正切函數Tansig()，輸出層神經元傳遞函數采用S型對數函數Logsig();最大訓練步數epochs為1 000;goal為0.01;show為100，其他參數均采用缺省值。網絡訓練樣本與前文RBF網絡模型訓練樣本相同，初始化后，利用函數Train對網絡進行了訓練，并對表4的數據進行計算分析，任選其中5次仿真結果見表6。

表6 BP模型水資源承載力評價等級值Table 6 Grades of evaluation of water resources carrying capacity(BP model)

采用該BP網絡訓練仿真時收斂速度較慢，計算結果不夠穩定，與實際情況吻合程度不夠理想，并與前文采用RBF神經網絡模型計算分析得到的結果差異較大。同時在計算過程中發現，當精度很高時，即便無限增加訓練次數，BP網絡都不收斂，而RBF網絡可以收斂，并達到精度要求。通過對兩種網絡模型的比較，反映出RBF神經網絡模型的泛化能力更強，主要是由于RBF神經網絡模型隱含層神經元個數多，致使權值和閾值多，更易調節，使模型收斂速度快，并可避免陷入局部極小，計算結果穩定，更具有實用性。

3.3 模糊層次綜合評價法評價

［11］的方法，采用本文建立的評價指標體系，對表4中評價因素進行計算，得到汕頭水各年資源承載力評價等級值如表7所示。

表7 模糊綜合評價法水資源承載力評價等級Table 7 Grades of evaluation of water resources carrying capacity(Fuzzy Comprehensive Evaluation)

在文獻［11］中指出，各年份計算出的b1，b2，b3值代表該年承載力等級值隸屬于等級Ⅰ、等級Ⅱ、等級Ш的比率，一般可以b值中的最大值對應情況作為該年的承載力等級。a值是將b值進行加權，以便于綜合評定，a值越大，表明水資源承載力越好，開發潛力越大。根據表7，2004年等級值 a為0.584，2006年等級值 a 為0.777，反映出 2006年承載力明顯好于2004年，說明模糊綜合評價法能夠闡明水資源開發利用程度所屬的階段，分類效果明顯，同時該方法與前文建立的RBF神經網絡模型法的評價結果基本一致，和實際情況吻合較好，反映出該方法具有良好的實用價值。

4 結語

(1)本文分別采用神經網絡模型與模糊層次綜合評價模型對汕尾市水資源承載力進行綜合評價，兩種模型都具有較強的分類與排序功能，實用性和可操作性較強。其中RBF神經網絡模型與模糊層次綜合評價模型的分析結果基本一致，但文中所用傳統BP神經網絡模型與前兩者分析結果差距較大。

(2)借助MATLAB工具進行神經網絡模型建模與仿真分析，減少了設計者對經驗的依賴，避免了評價結果受人為確定評價指標權重的影響，提高了模型的客觀性。但神經網絡模型仍然存在泛化能力不足的缺點，如何更合理地設定網絡參數，以及獲得理想的網絡訓練樣本集以使評價結果具有更可靠的區分度和穩定性都有待進一步研究。

(3)在采用模糊層次綜合評價模型計算分析過程中，借用了模糊數學概念將評價指標量化，并通過層次分析法確定指標權重，使評估在主觀和客觀上相互協調。但在采用層次分析法確定權重來反映評價指標之間相對重要性時，帶有人為因素影響，給評價問題帶來敏感性。所以如何有效處理各評價指標的模糊性，采用適合的隸屬函數形式及權重確定方法，使得評價結果具有更好區分度，都有待進一步研究。

參考文獻:

［1］周亮廣，梁 虹.基于主成分分析和熵的喀斯特地區水資源承載力動態變化研究——以貴陽市為例［J］.自然資源學報，2006，21(5):827－833.(ZHOU Liangguang，LIANG Hong.A Study on the Evolution of Water Resource Carrying Capacity in Karst Area Based on Component Analysis and Entropy［J］.Journal of Natural Resources，2006，21(5):827－833.(in Chinese))

［2］翟國靜.灰色關聯分析在水質評價中的應用［J］.水電能源科學，1996，14(3):183－187.(ZHAI Guo-jing.Application of Grey Relational Analysis to Assessment of Water Quality［J］.International Journal of Hydroelectric Energy，1996，14(3):183－187.(in Chinese))

［3］呂建樹，劉煜杰，倪騰南.兗州市水資源承載力多情景評價研究［J］.長江科學院院報，2010，27(5):24－28.(LV Jian-shu，LIU Yu-jie，NI Teng-nan.Multiple Scenarios Evaluation of Water Resources Carrying Capacity in Yanzhou City［J］.Journal of Yangtze River Scientific Research Institute，2010，27(5):24－28.(in Chinese))

［4］王 勇，李繼清，王靄景，等.天津市水資源承載力系統動力學模擬［J］.中國農村水利水電，2011，(12):1－4.(WANG Yong，LI Ji-qing，WANG Ai-jing，etal.A System Dynamics Model and Simulation for Water Resources Carrying Capacity in Tianjin［J］.China Rural Water and Hydropower，2011，(12):1－4.(in Chinese))

［5］酈建強，陸桂華，楊曉華，等.流域水資源承載能力綜合評價的多目標決策-理想區間模型［J］.水文，2004，24(4):1－4.(LI Jian-qiang，LU Gui-hua，YANG Xiaohua，etal.A Multi-Objective Decision-Making Ideal Interval Model for Assessment of Water Resources Carrying Capacity in River Basins［J］.Hydrology，2004，24(4):1－4.(in Chinese))

［6］朱國宇，黃川友，華國春.層次分析法在水環境規劃中的應用［J］.東北水利水電，2003，(4):1－3.(ZHU Guo-yu，HUANG Chuan-you，HUA Guo-chun.Application of Step Analysis Method to Planning of Water Environment［J］.Water Resource ＆ Hydropower of Northeast China，2003，(4):1－3.(in Chinese))

［7］邵金花，劉賢趙，李德一.基于RBF網絡的區域水資源可持續利用綜合評價［J］.水電能源科學，2006，24(6):9－11，16.(SHAO Jin-hua，LIU Xian-zhao，LI Deyi.Comprehensive Evaluation on Sustainable Utilization of Regional Water Resources Based on Radial Basis Function Neural Network ［J］.Water Resources and Power，2006，24(6):9－11，16.(in Chinese))

［8］汕頭市水文局.汕頭市水資源公報［R］.汕頭:汕頭市水文局，2000－2009.(Bureau of Hydrology of Shantou City.Bulletin of Water Resources in Shantou City［R］.Shantou:Bureau of Hydrology of Shantou City，2000－2009.(in Chinese))

［9］耿雷華，卞錦宇，許澎波，等.水資源合理配置評價指標體系研究［M］.北京:中國環境科學出版社，2008.(GENG Lei-hua，BIAN Jin-yu，XU Peng-bo，etal.E-valuation Index System of Reasonable Allocation of Water Resources［M］.Beijing:China Environmental Science Press，2008.(in Chinese))

［10］張德豐，周 品，許華興，等.MATLAB神經網絡應用設計［M］.北京:機械工業出版社，2009.(ZHANG Defeng，ZHOU Ping，XU Hua-xin，etal.MATLAB Neural Network Application and Design［M］.Beijing:Machinery Industry Press，2009.(in Chinese))

［11］陳 凱，李就好，陸金馳，等.基于模糊層次綜合評價法的汕頭水資源承載力變化趨勢研究［J］.廣東農業科學，2012，39(2):110－113.(CHEN Kai，LI Jiu-hao，LU Jin-chi，etal.Study on Variation Trend of Fuzzy Comprehensive Evaluation of Water Carrying Capacity for Shantou area［J］.Guangdong Agricultural Sciences，2012，39(2):110－113.(in Chinese))