5.3.3.1　预测子模型

区域水资源可持续利用评价是对某一时间短可持续利用状况的评价,而区域水资源可持续利用预警是对未来某区域的水资源可持续利用状况处于什么样的警戒线的范围内进行预测,并用不同信号进行警告,提示人们及时采取措施。

因此,在评价和预警之前首先要对指标的发展态势进行预测,及预测是评价和预警的前提。本次研究所选取的指标体系大多属于相对指标,因此,必须对构成相对指标的因素进行预测,本次研究拟采用人工神经网络进行预测。

利用人工神经网络进行预测,必须建立在相当规模的数据基础之上,因此要求我们尽可能收集真实可靠的基础数据,并且数据有可追溯性特点,随着时间的推移能够反映一定的趋势和规律,同时,数据项尽可能完整。将收集到的基础数据,部分作为人工神经网络的训练和学习数据,部分作为精度检验数据,训练数据达到设定的误差要求之后,将检测数据作为输入,进行模型的检测,如果模拟数据与检测数据能够满足要求的精度,则模型能够用于将来某时段和时点的预测。

5.3.3.2　评价及预警子模型

前已述及,区域水资源的可持续利用预警是在可持续利用评价的基础上,根据预警理论,进行的判断和指示,基于此,我们在既有区域水资源评价的基础上进行预警建模。

首先,将表5.2中综合评价4级评价标准值分别赋值为1,2,3,4,其中赋值越高则说明区域水资源可持续利用处于越低状态,赋值的大小与可持续利用程度存在对应关系,因此,在综合评价的指标与得分之间可构建出如下数学模型:

我们将E 称之为区域水资源可持续利用预警指数,模型中的16个变量,分别对应于灌溉率、水资源利用率、水资源开发程度、供水量模数、人均供水量和生态用水率等16项指标。

同时,根据陈守煜等的划分标准,模型计算值总是在1到4区间上,同时,得分越高可持续利用程度越低,其中,当模型计算值高于2时,区域水资源处于低可持续利用状态,因此,我们认为当E=2时,水资源系统的可持续利用可能向有警状态转化,此时,如果系统不进行有效调控,水资源系统将向不可续利用发展,系统开始报警。

如果,模型计算值大于2后,系统处于有警状态,但处于无警、轻警、中警、重警还是巨警,我们则通过警度的划分来判断。考虑到无警和有警区分的模糊性,本次研究中,我们利用对比判断法进行警度的划分,对比判断法是指在横比和纵比中确定预警指标的大小,所谓横比是指通过与区域内其他行业,以及区际之间等的比较中确定预警指标的警限；所谓纵比是指通过预警指标历史数据的比较来确定警限。在警限和警度划分的具体操作之中,我们采取引入模糊数学隶属度的概念来进行划分,进行纵比确定,假设E 的最优值为2,记为Mb,最劣值为4,记为Ma；则隶属度为:

R(x)为预警对象的隶属度,即R(x)≥0.85,则可判断预警对象的警限为0.85,预警指标的警度划分为:

轻警区间——R(x)∈[0.65,0.85)；

中警区间——R(x)∈[0.45,0.65)；

重警区间——R(x)∈[0.25,0.45)；

巨警区间——R(x)∈[0,0.25)。

在分析得到模型的概念基础之上,我们具体分析基于人工神经网络的区域水资源可持续利用评价子模型的实现方法,神经网络模型由拓扑结构 (层数及神经元组成)、学习规则、训练样本组成,三者的有机结合,最终确定网络的功能。(www.daowen.com)

区域水资源可持续利用预警ANN 模型,我们用灌溉率、水资源利用率、水资源开发程度、供水量模数、需水量模数、人均供水量和生态用水率等16个指标作为模型的输入,因此输入层神经元个数为16。输出为可持续利用预警指数,故输出层的神经元个数为1。隐含层层数和神经元个数由试算确定。

网络隐含层传递函数为双曲正切S型:

输出层选用线形函数。

模型误差测度函数选用均方误差MSE。

网络隐含层传递函数为双曲正切S型:

输出层选用线形函数。

模型误差测度函数选用均方误差MSE。

模型训练样本和精度检测样本根据表5.3随机生成。

至此,我们就建立了完整的区域水资源可持续利用预警模型。

5.3.3.3　模型精度分析

为检测模型运行结果的精度要求,我们采用随机生成技术,分别在各级指标下随机生成了10组数据,共计40组数据作为系统精度检测数据,生成依据系统设计时的评价指标及其分级标准值,按照如下公式进行数据生成。

为了综合分析模型模拟误差,采用最大误差、最小误差和平均误差三个指标综合分析模型精度,各级指标的运行结果误差见表5.5。

表5.5　模型模拟误差情况

从误差分布情况可知,模型对各等级的模拟都具有较高的精度,说明建立的人工神经网络模型具有良好的模拟精度,可以用于水资源可持续利用预警。