遼寧省最嚴格水資源管理評價

陳 月

(遼寧省丹東水文局，遼寧 丹東 118000)

最嚴格水資源管理對于促進經濟社會可持續發展和解決復雜的水環境、水資源問題具有重要意義，并且可為水資源管理格局與規劃提供重要的參考依據。水體污染、用水效率低和水資源過度開發為目前最嚴格水資源管理面臨的主要問題，不僅明確了水資源保護、節約與優化配置的任務要求和工作中心，而且體現了水資源利用的各個環節[1- 2]。ANN智能法為評價非線性、高緯度、多指標問題較為常用的方法，可對綜合復雜問題進行系統的處理。BP神經網絡為ANN智能法應用較為普遍的模型之一，因有較好的非線性、高維度復雜問題的處理能力，被廣泛應用于水資源綜合評價方面。然而，BP網絡在實際應用過程中通常存在運算效率低、陷入局部最優以及結構復雜等問題，SVM支持向量機是一種用于解決非線性映射和模式識別的前饋神經網絡，可根據最小化風險旋球原理和學習統計中的VC維方法提升系統的泛化能力，由于具有嚴謹的數學基礎已成為計算機學習領域新的研究方向，SVM模型在回歸預測與模式識別方面具有廣泛的應用前景。RBF徑向基神經網絡是一種能夠實現高維空間線性可分的前饋型模型，其基本原理是對隱含層空間利用隱單元的“基”進行構造，從而實現低維模型的輸入數據與高維隱含層數據之間的轉換，在高維空間內完成線性可分。RBF由于具有良好的逼近能力，并且可對各類非線性函數進行不同精度的逼近，從而有效避免了傳統網絡易陷入局部極值的問題，在類型分析、數據分類、時間序列分析以及非線性問題處理等領域具有廣泛的應用前景和價值[3- 11]。

本文在詳細分析了最嚴格水資源管理內涵的基礎上，基于AHP層次分析建立了包含20項典型指標的評價體系，然后根據納污能力、用水效率、水資源開發以及用水總量控制紅線，將最嚴格水資源管理類型劃分為Ⅰ～Ⅴ級5個評價標準。通過深入探討SVM與RBF基本原理構建了評價模型，然后以遼寧省現狀年、規劃水平年為例驗證了模型的可信度與可行性，為區域水資源的開發利用和管理規劃控制提供一定理論支撐。

1 最嚴格水資源管理評價體系

1.1 最嚴格水資源管理內涵

為保障水資源和經濟社會的可持續健康發展我國必須實行最嚴格水資源管理制度，它是由水資源管理存在的突出問題、日趨嚴峻的水資源形勢、水環境持續惡化、用水矛盾突出以及水資源時空分布不均等基本國情所決定的。針對當前水體污染嚴重、粗放型水資源利用以及過度開發等突出問題提出的最嚴格水資源管理制度，其基本內涵是基于“四項制度”與“三條紅線”監理管理體系，為嚴格控制入河排污總量、遏制用水浪費以及用水總量控制建立相應的控制紅線。

1.2 構建評價指標體系與分級標準

我國于2009年就提出了最嚴格水資源管理的理念，然而在真正實行最嚴格水資源管理與各省市“制度出臺”之間還存在較遠的距離。系統、全面的指標體系是最嚴格水資源管理分析的重要步驟和關鍵內容，影響可評價結果的因素較多，且因素之間通常具有模糊的、不確定性復雜關系。評價指標體系是由多個子系統構成的多層級復雜的整體，各層級之間相互作用、互相影響，具有十分復雜的關系。因此，指標的選取不僅要反映區域水資源特征、內涵等基本內容，并且能夠覆蓋與水資源管理的各個方面，同時考慮系統本身的發展狀況以及各子系統之間的協調作用。評價指標應盡可能的內涵豐富、度量簡便、靈敏性強，并且能夠最大限度地反映系統特征，本文參考最嚴格水資源管理相關文獻和已有考核標準，在遵循代表性、系統性、可量化性、獨立性、層次性等原則的基礎上，分別從4個方面利用AHP層次分析法選擇20項典型指標。然后根據用水總量、用水效率、納污能力、水資源開發控制紅線，將最嚴格水資源管理類型劃分為Ⅰ～Ⅴ級5個評價標準見表1。

2 構建最嚴格水資源管理評價模型

2.1 SVM回歸支持向量機

在沒有增加復雜度的條件下可利用SVM實現非線性變化的線性回歸，對非線性復雜問題進行線性空間的求解，從而較好地解決了傳統神經網絡易出現的局部極值、高緯度非線性的小樣本復雜問題，其基本流程如下：

f(x)=wΦ(x)+b

(1)

式中，Φ(x)—低維空間中非線性映射函數。

表1 最嚴格水資源管理評價指標與分級標準

(2)

(3)

式中，f(x)、y—回歸函數返回的預測值及其對應的真實值；C—懲罰因子，訓練誤差大于不敏感線性損失ε的樣本懲罰程度隨C值的增大而增大，由于不敏感線性損失ε規定了誤差要求，因此回歸函數誤差隨ε值的降低而減少；對上述公式進行對偶形式轉換時可引入Lagrange函數，具體的轉換過程詳見文獻。

(3)計算對偶函數的最優解a與a*，然后根據計算結果可有：

(4)

(5)

式中，Nnsv—支持向量機個數。

(4)根據公式(1)并輸入w*、b*計算結果可有回歸函數，其表達式為：

(6)

2.2 RBF神經網絡

RBF是由輸出、隱含與輸入層組成的具有收斂速度快、訓練精度高、結構簡單、能夠根據不同精度逼近各類連續函數等優點的模型，相對于BP網絡RBF模型具有較高的學習速度、較強的模式識別與逼近能力。RBF網絡選擇徑向基Gaussian函數時的激活函數如下：

(7)

可利用下式作為RBF網絡的輸出結果：

(8)

式中，yj—第j個節點的網絡實際輸出；wij，φi(x)—分別為連接權值以及第i個節點的輸出。

引入樣本的期望輸出為d，則可采用下式作為基函數方差σ：

(9)

RBF網絡的學習方法主要有正交最小二乘法、監督選取中法、自組織以及隨機選取中心法等，本研究對RBF網絡學習選擇自組織選擇中心法，受文章篇幅限制不再詳細介紹，具體的計算流程詳見文獻。

2.3 模型訓練與性能檢驗

(1)歸一化處理。各項評價指標的屬性與量綱存在差異，對評價結果的影響也不盡相同，因此在最嚴格水資源管理評價之前應先對各指標初始數據作歸一化處理。數值越大則評價結果越優型指標的歸一化處理方法如公式(10)，而對于數值越小則評價結果越優型指標取歸一化處理后的倒數并乘以100，處理公式如下：

(10)

(2)設計輸入與輸出樣本。相對于傳統BP，網絡SVM是基于最小化風險原則解決小樣本回歸問題，因此在應用過程中具有明顯的優質。在各個評價等級閥值之間本研究利用隨機生成的方式構成10組樣本，然后隨機選擇5組訓練樣本，并將其他樣本作為檢驗樣本。因此，隨機抽取得到50組樣本，檢驗與訓練樣本各20組，不同模型的輸出模式見表2。

表2 各模型期望輸出與評價樣本

(3)統計性能評價指標。對傳統BP網絡、RBF模型以及LM-BP的性能選擇運行時間、決定系數R2、RMAPE均方根相對誤差、RMSE均方根絕對誤差、MAE平均絕對誤差、maxRE最大相對誤差以及MRE平均相對誤差7個評價指標進行分析，從而對網絡訓練過程中可能存在的“過擬合”與“欠擬合”問題進行控制，有助于提高模型的泛化能力。決定系數R2值在0～1區間，模型的性能隨趨近于1的程度的增大而增大；模型性能與其他指標值呈負相關性，即其他指標值越小則模型性能越優。

(4)網絡訓練與評價。本研究利用libsvm工具箱以及Matlab語言分別建立傳統的BP網絡、RBF與SVR模型，然后對表2中各評價樣本與期望輸出進行檢驗與訓練，為獲取較好的評價精度進行多次反復調試，最終確定的各模型參數分別如下：

①SVR模型。對于給定的核函數，影響評價精度的主要參數為模型核函數參數g及其懲罰因子C。結合相關文獻選擇核函數為徑向基函數，設置的g及C參數的搜索空間相同，均為2-2～26，對參數g與C利用交叉驗證法確定，不敏感系數ε為0.001，進步程度均為0.5。

②傳統BP網絡。由于目前還未形成較為理想的BP網絡傳遞函數、訓練次數、期望誤差、隱層節點數等參數確定方法，因此主要還是憑借以往經驗選取參數值。根據現有文獻最終確定為最嚴格水資源管理評級的BP網絡結構為20- 25- 1，訓練函數為traingdx，輸出與隱含層傳遞函數為logsig和tansig，最大迭代次數設定為1000次、期望誤差為0.0001時模型達到最優。

③RBF模型。在徑向基函數中RBF網絡的期望誤差與擴散速度spread利用循環訓練算法程序確定，模型達到最優性能時分別為0.0001和2。

選擇7項指標運行5次的平均值作為模型優劣評判的主要依據，根據上述各模型參數設定值最終的運算輸出，見表3。

表3 各模型隨機運行5次的優劣性能指標輸出值

根據表3各指標輸出值可知，RBF和SVR模型的7項性能指標在隨機運行5次、隨機選取與生成樣本條件下的均值優于傳統的BP網絡，由此表明在預測評價過程中RBF與SVR模型具有較強的泛化能力與較高的預測精度。本文從運行時間、泛化能力以及評價精度3個方面選擇RBF與SVR模型，并以遼寧省為例評價分析了該區域最嚴格水資源管理。

3 實例應用

3.1 區域概況

遼寧省總面積為14.8萬km2，主要包括沈陽、大連、撫順、鞍山、本溪、丹東等14個省轄市；屬于大陸性季風氣候，年降水量在600～1100mm之間，由于其獨特的地理特征和環境氣候，年際水資源量呈現出典型的周期性豐枯變化特征，其中70%以上的降水量集中在汛期6—9月，并多以暴雨和強降雨的形式出現。年均水資源量為341.79億m3，境內主要包括大凌河、遼河、渾河、太子河和繞陽河等河流，東南部與渤海相鄰水源面積較大，降水量較為充足，而西北區域降水較少并且風沙干旱現象較為頻繁。該區域人均水資源占有量僅為全國人均占有量的8.6%，水資源儲蓄量嚴重不足，遼寧省屬于我國嚴重缺水區域，并且水資源供需問題隨著近年來人口的不斷增長、經濟的快速發展以及需水量的大幅增加而日趨突出，再加上工農業用水效率低、水體污染嚴重等問題，進一步降低了區域水資源承載能力。該區域最嚴格水資源管理主要有水資源緊缺、降水量時空分布不均、用水效率低、水資源利用方式粗放以及局部地區水環境惡化等問題。由于區域經濟發展不平衡，其用水水平存在一定差異，因此研究該區域最嚴格水資源管理對于區域經濟發展和水資源優化配置具有重要意義[12- 14]。

根據遼寧省水資源公報、統計年鑒以及政府工作報告等資料提取現狀年各指標初始數據，然后結合當地經濟社會與水資源開發利用現狀分別確定規劃水平年2025、2030、2035年見表4。

3.2 結果分析

對遼寧省2018、2025、2030、2035年最嚴格水資源管理分別利用已訓練好的RBF、SVR模型進行計算分析，然后將各評價等級閥值進行模擬運算，并以模型輸出結果作為等級評判依據見表5。

表4 遼寧省最嚴格水資源管理評價指標初始數據

表5 遼寧省最嚴格水資源管理輸出

根據上表計算結果可知，在2018、2025、2030、2035年基于RBF與SVR模型的遼寧省最嚴格水資源管理分別處于Ⅱ級、Ⅲ級、Ⅳ級與V級狀態，SVR和RBF模型評價結果保持良好的一致性，評價結果較好地反映了遼寧省不同年份的水資源管理實際水平，可為該區域水資源管理規劃以及最嚴格水資源管理制度的實施提供一定的參考依據；由于遼寧省2018年還處于“制度出臺”階段，根據模型輸出值可以看出，其管理考核制度在最嚴格水資源評價中處于空白狀態，這也是影響評價結果的掛件因素；雖然在2025年評價結果為Ⅲ級，處于理想水平，但是模型輸出值接近理想狀態，由此表明該區域實施的最嚴格水資源管理已取得了明顯的成效但仍具有較大的提升空間；在2035年模型輸出為V級最理想狀態，輸出結果處于Ⅳ級的上限水平，由此表明遼寧省水資源管理隨著最嚴格制度的實施逐漸趨于最理想水平。然而由于受到萬元GDP、農業用水效率等因素影響，該區域仍具有較大的最嚴格水資源管理空間。

4 結論

在我國水資源管理發展進程中，基于“思想制度”與“三條紅線”的最嚴格水資源管理制度的實施必將對水資源的永續發展與我國經濟社會的可持續發展產生深遠而重要的影響。通過科學的方法評價分析最嚴格水資源管理的實施效果對于促進區域水資源利用良性循環、推動制度的實行具有非常重要的現實意義。本文在詳細分析了最嚴格水資源管理基本內涵的基礎上，分別從4個不同方面選擇了20項典型指標并建立了評價體系與分級標準；然后對模型的評價性能與相關參數利用隨機選取法與隨機內插法形成的數據樣本進行評價，在此基礎上對比分析了RBF、SVR以及傳統BP網絡模型的泛化能力和評價精度，得出的主要結論如下：

(1)RBF和SVR模型的7項性能指標在隨機運行5次、隨機選取與生成樣本條件下的均值優于傳統的BP網絡。這兩個模型具有較強的泛化能力與較高的預測精度，可作為遼寧省最嚴格水資源管理評價模型。

(2)在研究期間基于RBF與SVR模型的遼寧省最嚴格水資源管理分別處于Ⅱ級、Ⅲ級、Ⅳ級與V級狀態，遼寧省水資源管理隨著最嚴格制度的實施逐漸趨于最理想水平。然而由于受到萬元GDP、農業用水效率等因素影響，該區域仍具有較大的最嚴格水資源管理空間。

(3)SVR和RBF模型評價結果保持良好的一致性，評價結果較好地反映了遼寧省不同年份的水資源管理實際水平，可為該區域水資源管理規劃以及最嚴格水資源管理制度的實施提供一定的參考依據。