汕头市水资源承载力评价研究

陈 凯，李就好，李永刚，屈寒飞

(1.华南农业大学水利与土木工程学院，广州 510642;2.广东省机械技师学院，广州 510450)

水资源承载力评价就是采用合适的水资源承载力评价指标，建立相关的数学模型，对一个地区的水资源开发利用程度进行评价，分析其水资源承载能力状况，并为水资源可持续利用提供科学依据和决策支持。这种评价是一个复杂巨系统问题，涉及到资源、经济、环境、人口和社会等子系统。目前已经采用了多种数学方法对水资源承载力进行评价，主要有:主成分分析法［1］、灰色系统评价法［2］、模糊评价法［3］、系统动力学方法［4］、多目标分析法［5］、层次分析法［6］、神经网络法［7］等以及几种方法相结合的综合评价法，每一种方法都有各自的特点和适用性。鉴于此，本文以汕头市为例，采用神经网络法和模糊层次综合评价法分别对水资源承载力进行评价研究，探讨水资源承载力对该市社会、经济发展与人口、生态环境相协调的支撑状况，并对2种方法的优缺点进行了比较研究。

表1 汕头市来水及用水情况统计表Table 1 Statistics of incoming water and water usage in Shantou city 亿m3

1 汕头市水资源及开发利用状况

汕头市位于广东省东部，韩江三角洲南端，全市总面积2 064km2，人口520多万人。境内主要河流有韩江、榕江、练江、壕江、雷岭河。根据《汕头市水资源公报》［8］，从2000到2009年，汕头市来水及用水状况见表1。

从汕头市水资源公报可知，该市水资源地区分布极度不均匀，年际变化也较大，南澳县、潮阳区及潮南区的水资源较为缺乏。汕头市本地水资源量较少，但总体水资源量不少，主要是过境水资源量较为丰富。一年之中，各月降雨量年内变化显著，其径流量随着上游的来水量的变化较大，水量在时间、空间上的分布不均匀且难以调节，汛期(4－9月)水量占全年水量的85%左右，大量过境水以洪水方式入海，难以利用;枯水期则水量锐减，正常用水受到制约。汕头市用水中以农业用水量最大，在50%左右，其次是生态用水。

2 汕头市水资源承载力评价指标体系

水资源承载力评价指标体系要求能从不同方面、不同角度、不同层面客观地反映区域水资源条件、开发利用状况、供需关系及生态环境等方面。因此，本文在参照全国水资源供需分析指标体系和耿雷华等《水资源合理配置评价指标体系研究》［9］的基础上，结合汕头市水资源特性，从水资源条件、社会经济条件以及生态环境条件3个方面选取14个影响因素作为水资源承载力的评价指标，具体指标含义见表2。

为使评价结果容易标准化，并且符合规范，参照文献［9］研究成果，并结合广东省水资源实际状况对评价指标进行分级，各标准等级值如表3所示。表3中将水资源承载能力分为3级，Ⅰ级为优秀，表示本区域水资源仍有较大的承载能力，供给充足;Ⅲ级为超载，表示水资源承载能力超过其饱和值，进一步开发潜力较小，已制约社会经济的发展，应采取相应对策;而Ⅱ级为良好，情况则介于两者之间，表示本区域水资源开发利用规模较大，但仍有一定的开发利用潜力，水资源的供给需求能满足区域的经济发展。

根据《汕头市统计年鉴》及《汕头市水资源公报》统计汕头市2000—2009年水资源承载力评价指标实际指标值如表4。

表2 水资源承载力评价综合评价指标Table 2 Comprehensive evaluation indexes for water resources carrying capacity

表3 承载力评价指标的分级标准Table 3 Levels of evaluation indexes for the carrying capacity

表4 汕头市水资源承载力评价因素指标统计Table 4 Statistics of evaluation indexes for water resources carrying capacity in Shantou city

3 汕头市水资源承载力评价

3.1 RBF神经网络模型法评价

3.1.1 RBF神经网络基本原理

RBF神经网络的基本思想是:用RBF作为隐单元的“基”构成隐含空间，将输入矢量直接映射到隐空间，而不需要权连接［10］。它是一种三层前向网络，结构如图1所示，包含输入层、隐含层、输出层。输入层由信号源组成，输入空间到隐含层空间的变换是非线性的;隐含层的变换函数RBF是对中心点径向对称且衰减的非负非线性函数，它以对局部响应的径向基函数代替传统的全局响应激发函数，第三层为输出层，从隐含层到输出层空间变换是线性的。这种网络结构具有训练过程快，结果与初始权值无关，对函数的逼近是最优的，并可避免陷入局部最优，具有全局逼近的特性。

图1 RBF神经网络结构图Fig.1 Structure of RBF neural network

RBF网络学习算法需求解3个参数:基函数中心、方差、隐含层到输出层的权值。对基函数中心本文采用自组织选取中心法中的基于K－均值聚类方法求取;隐含层径向基函数有平方根函数、高斯函数、格林函数等多种形式，本文采用最常用的是高斯径向基函数，所以方差由下式求解:

对于参数隐含层到输出层的权值可用最小二乘法计算:

图1中网络输出为

式中:h为随机选取训练样本个数;cmax为中心之间最大距离;c为高斯函数的中心;xp为第p个n维输入变量，P为样本总数;ci为网络隐含层第i个基函数的中心，与x具有相同的维数;n为感知单元的个数;wij为隐含层到输出层的权值;σi为第i个感知变量，它决定了该函数围绕中心点ci的宽度，即感知视野的大小。

3.1.2 RBF神经网络模型计算分析

本文在Matlab7.6环境下建立了水资源承载力评价的RBF网络模型，具体建模计算分析过程如下:

(1)准备数据。本文共采用了14项评价指标，分为3个等级，根据表4中的分级标准，利用Excel生成随机数方法，每一级随机生成50个样本，共生成150个样本，作为网络的训练输入样本集。与此相对的输出样本期望值(即期望评价等级值)定为:等级Ⅰ为1;等级Ⅱ为2;等级Ⅲ为3，同时为使网络训练达到性能最佳，对训练样本进行归一化处理。

(2)设计RBF网络，并自动对数据样本进行训练。格式:net=newrb(p，t，goal，spread，mn，df)，其中p，t，goal，spread，mn，df分别为输入向量、输出向量、均方误差、径向基函数扩展速度、神经元个数最大值和训练过程显示频率。其中要注意的是选择合适的spread值，过大的spread值，意味着需要非常多的神经元以适应函数快速变化;过小的spread值，意味着需要许多神经元来适应函数缓慢变化，网络性能变差。因此，在具体情况中，需要采用不同spread值调试网络，以确定合理情况。

(3)对研究区域水资源承载力状况进行仿真:y=sim(net，x)，x，y为评价区域的输入向量和水资源承载力评价等级值。经过反复测试，采用如下参数:goal=0.001，mn=150，df=5，spread=20，30，40，对表4水资源承载力指标进行计算分析，结果见表5。

表5 RBF模型水资源承载力评价等级值Table 5 Grades of evaluation of water resources carrying capacity(RBF model)

根据上面RBF网络模型的计算结果，可判断:

(1)汕头市从2000年到2009年水资源承载力等级值多数年份都在1～2之间，说明汕头市最近10年水资源承载力介于等级Ⅰ与等级Ⅱ之间，表明该区域水资源开发利用已有一定规模，但仍有较大的开发利用潜力，水资源的供给需求能满足区域的社会经济发展。同时，也会发现，从2000年到2009年，汕头市水资源承载力指标值有增大趋势，说明水资源承载力有所下降，这将会影响到汕头市未来社会经济的发展，所以应当制定合理的供用水规划，加大水利基础设施建设，合理开发利用较丰富的过境水，提高综合供水保障能力，确保未来社会经济发展对水资源的需求。

(2)以spread参数取20为例，在2004年与2006年，水资源承载力等级值分别为2.50，1.58，表明2006年水资源承载力状况明显好于2004年，这合理地反映了由于来水状况的不同导致这2年的水资源条件差异——2004年入境水量与降雨量比多年平均值大幅减少。对不同spread参数值，也具有相似规律，说明前文采用的综合评价指标基本合理，同时建立的RBF网络模型是稳定的，分类效果明显，评价模型总体对汕头的水资源承载力评价是便捷有效的。

3.2 BP神经网络模型法评价

本文采用三层BP神经网络对水资源承载力进行评价。由于指标体系采用了14个因素，所以在Matlab 7.6环境下建立一个输入层、隐含层和输出层的神经元数分别为14，29，1的BP神经网络模型。网络中间层神经元传递函数采用S型正切函数Tansig()，输出层神经元传递函数采用S型对数函数Logsig();最大训练步数epochs为1 000;goal为0.01;show为100，其他参数均采用缺省值。网络训练样本与前文RBF网络模型训练样本相同，初始化后，利用函数Train对网络进行了训练，并对表4的数据进行计算分析，任选其中5次仿真结果见表6。

表6 BP模型水资源承载力评价等级值Table 6 Grades of evaluation of water resources carrying capacity(BP model)

采用该BP网络训练仿真时收敛速度较慢，计算结果不够稳定，与实际情况吻合程度不够理想，并与前文采用RBF神经网络模型计算分析得到的结果差异较大。同时在计算过程中发现，当精度很高时，即便无限增加训练次数，BP网络都不收敛，而RBF网络可以收敛，并达到精度要求。通过对两种网络模型的比较，反映出RBF神经网络模型的泛化能力更强，主要是由于RBF神经网络模型隐含层神经元个数多，致使权值和阈值多，更易调节，使模型收敛速度快，并可避免陷入局部极小，计算结果稳定，更具有实用性。

3.3 模糊层次综合评价法评价

［11］的方法，采用本文建立的评价指标体系，对表4中评价因素进行计算，得到汕头水各年资源承载力评价等级值如表7所示。

表7 模糊综合评价法水资源承载力评价等级Table 7 Grades of evaluation of water resources carrying capacity(Fuzzy Comprehensive Evaluation)

在文献［11］中指出，各年份计算出的b1，b2，b3值代表该年承载力等级值隶属于等级Ⅰ、等级Ⅱ、等级Ш的比率，一般可以b值中的最大值对应情况作为该年的承载力等级。a值是将b值进行加权，以便于综合评定，a值越大，表明水资源承载力越好，开发潜力越大。根据表7，2004年等级值 a为0.584，2006年等级值 a 为0.777，反映出 2006年承载力明显好于2004年，说明模糊综合评价法能够阐明水资源开发利用程度所属的阶段，分类效果明显，同时该方法与前文建立的RBF神经网络模型法的评价结果基本一致，和实际情况吻合较好，反映出该方法具有良好的实用价值。

4 结语

(1)本文分别采用神经网络模型与模糊层次综合评价模型对汕尾市水资源承载力进行综合评价，两种模型都具有较强的分类与排序功能，实用性和可操作性较强。其中RBF神经网络模型与模糊层次综合评价模型的分析结果基本一致，但文中所用传统BP神经网络模型与前两者分析结果差距较大。

(2)借助MATLAB工具进行神经网络模型建模与仿真分析，减少了设计者对经验的依赖，避免了评价结果受人为确定评价指标权重的影响，提高了模型的客观性。但神经网络模型仍然存在泛化能力不足的缺点，如何更合理地设定网络参数，以及获得理想的网络训练样本集以使评价结果具有更可靠的区分度和稳定性都有待进一步研究。

(3)在采用模糊层次综合评价模型计算分析过程中，借用了模糊数学概念将评价指标量化，并通过层次分析法确定指标权重，使评估在主观和客观上相互协调。但在采用层次分析法确定权重来反映评价指标之间相对重要性时，带有人为因素影响，给评价问题带来敏感性。所以如何有效处理各评价指标的模糊性，采用适合的隶属函数形式及权重确定方法，使得评价结果具有更好区分度，都有待进一步研究。

参考文献:

［1］周亮广，梁 虹.基于主成分分析和熵的喀斯特地区水资源承载力动态变化研究——以贵阳市为例［J］.自然资源学报，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］翟国静.灰色关联分析在水质评价中的应用［J］.水电能源科学，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］吕建树，刘煜杰，倪腾南.兖州市水资源承载力多情景评价研究［J］.长江科学院院报，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，李继清，王霭景，等.天津市水资源承载力系统动力学模拟［J］.中国农村水利水电，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］郦建强，陆桂华，杨晓华，等.流域水资源承载能力综合评价的多目标决策-理想区间模型［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］朱国宇，黄川友，华国春.层次分析法在水环境规划中的应用［J］.东北水利水电，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，刘贤赵，李德一.基于RBF网络的区域水资源可持续利用综合评价［J］.水电能源科学，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］汕头市水文局.汕头市水资源公报［R］.汕头:汕头市水文局，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］耿雷华，卞锦宇，许澎波，等.水资源合理配置评价指标体系研究［M］.北京:中国环境科学出版社，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］张德丰，周 品，许华兴，等.MATLAB神经网络应用设计［M］.北京:机械工业出版社，2009.(ZHANG Defeng，ZHOU Ping，XU Hua-xin，etal.MATLAB Neural Network Application and Design［M］.Beijing:Machinery Industry Press，2009.(in Chinese))

［11］陈 凯，李就好，陆金驰，等.基于模糊层次综合评价法的汕头水资源承载力变化趋势研究［J］.广东农业科学，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))