基于LSTM深度学习模型的重庆地区水资源潜力评估研究

柏 平

(重庆市水利电力建筑勘测设计研究院有限公司，重庆 400020)

1 概述

水资源是国家经济发展和生态环境保护的重要战略性资源，国家经济想要持续发展，区域水资源的供应不可或缺[1- 4]。由于我国水资源缺乏的现象十分严重，导致在一定程度上限制了国内经济的发展[5- 6]。同时随着社会的不断发展，国内水资源开发利用程度已逼近极限水平，这种现象的严重程度使国内专家及研究部门不得不重视国内水资源问题[7- 8]。当前了解区域水资源潜力，找寻合理的方法进行区域水资源潜力评估成为了相关部门研究的热点。

截止到目前，模糊评价算法、TOPSIS模型、层次分析法等方法已逐渐应用于水资源评估中。王旋旋等[9]基于模糊评价算法对中亚地区水资源潜力进行了评估，选取水资源利用率、灌溉率、地表水控制率、生态环境用水率等8个重要指标构建了区域水资源潜力评价体系，指出中亚地区整体水资源开发利用处于中级阶段；郑欣等[10]基于TOPSIS模型对鄂尔多斯市水资源承载力进行了评估，指出鄂尔多斯市资源环境承载力指数在2008—2015年间整体呈上升趋势；李少朋等[11]基于层析分析法和TOPSIS模型的综合方法对江苏省2008—2017水资源承载力进行了评估，指出2008—2017年江苏省水资源承载力整体呈逐渐上升趋势。

相关研究指出，针对多因素的综合评价的方法采用机器学习模型精度更高[12]。崔东文[13]基于支持向量机模型构建了中国31个省份的水资源评估模型，评价结果较ANN模型更为客观科学；陆佳慧[14]基于随机森林模型对河北省水资源进行了评估，指出该方法能较好反映出各影响因素与水资源之间的关系；杨兴旺[15]基于BP神经网络模型对徐州市水资源进行了评估，同样取得了较好的结果。

LSTM深度学习模型可克服传统ANN神经网络易产生局部极值的缺点，是一种精度较高的机器学习模型。目前，LSTM深度学习模型应用于水资源潜力评估的研究较少。本文以重庆地区为研究区域，基于LSTM深度学习模型对重庆市水资源潜力进行评估，试图为重庆市水资源开发利用和生态保护提供科学依据和建议。

2 研究方法

2.1 LSTM深度学习模型原理

LSTM深度学习模型是一种可删除和添加信息至原始单元数据的循环神经网络模型，其可有效学习和记忆样本序列的内在规律，从而达到对数据进行分类统计和权重计算的目的。该模型由输入阀门、遗忘阀门、更新阀门和输出阀门4部分组成，通过不同阀门的开启和关闭完成模型迭代计算，判断模型输出结果能否达到要求，具体原理如图1所示，具体模型训练模拟步骤参见文献[16]。

图1 LSTM深度学习模型原理图

2.2 模型参数设置

基于Matlab2018a软件对LSTM深度学习模型实现编程计算。通过不断对模型进行调参和试算，确定了模型最优参数为：模型初始学习率为0.005，激活函数选择sigmoid激活函数，模型隐含层节点个数为20，输出层个数为1，模型训练周期为600。

2.3 水资源潜力评估体系构建

为全面考虑区域水资源供需状况、水资源开发利用程度、社会经济方面和生态方面的不同特点，选取重庆市13项评价指标构建水资源潜力评估体系，指标分别为：水资源利用率U1、万元GDP耗水量U2、地表水控制率U3、需水模数U4、工业用水率U5、人均水资源量U6、供水模数U7、产水模数U8、污水处理率U9、降水量U10、水资源投资占比U11、水资源重复利用率U12、节水灌溉率U13。

上述评价指标体系中，U1—U6为负效应指标，U7—U13为正效应指标。不同指标分级标准可见表1[17- 18]。

表1 不同指标分级标准

3 结果与分析

3.1 水资源潜力评价指标边界效应分析

图2为13种不同影响因素相对于区域水资源潜力的边界效应分析，图中横坐标为不同影响因素的取值范围，纵坐标为边界效应函数f的取值。由图2中可以看出，水资源潜力与13种影响因素并非标准的线性关系，而是随着影响因素取值的不同呈现阶梯型变化趋势。其中，U1、U2、U3、U4、U5、U6与水资源潜力呈正相关关系；U7、U8、U9、U10、U11、U12、U13呈负相关关系，与前文论述一致。

图2 不同影响因素边界效应分析

3.2 不同影响因素重要性程度分析

图3为13种不同影响因素相对于区域水资源潜力重要程度分析。可以看出，不同影响因素相对于水资源潜力的重要程度有所不同，其中，U4、U7、U8的重要程度较高，其MDG值分别为0.729、0.751和0.735，表明这3个影响因素为影响重庆市水资源潜力大小的关键因素。

图3 不同影响因素重要程度分析

3.3 水资源潜力评估时间趋势分析

利用LSTM深度学习模型，计算2010—2019年近10年的重庆市水资源潜力指数，结果见表2。可以看出，不同年份重庆地区水资源潜力有所不同。根据最大隶属度原则，在2010—2015年，区域水资源潜力等级为高级，表明这段时间内水资源开发程度较低，而2016—2019年，区域水资源潜力等级达到了中级水平，表明水资源开发利用程度有所提高，但区域仍有较大的潜力可开发。

表2 不同年份重庆地区水资源潜力分级表

3.4 水资源潜力评估空间趋势分析

图4为2010、2015、2019年不同站点水资源开发潜力的空间变化趋势。由图4可以看出，在2010年区域整体水资源开发程度较低，潜力等级整体处于高级水平。到了2015年，区域部分站点水资源潜力等级为中级，表明这段时间内区域水资源开发程度有所增加，而部分站点仍处于高级水平。图5为整个区域高程分布图，由图5可知，海拔较高的站点，其水资源开发利用程度较低。在2019年，区域整体均达到了中级水平，仍具有较大的开发潜力。

图4 不同时间不同站点水资源潜力空间变化趋势

图5 重庆地区高程分布图

4 结论

通过LSTM深度学习模型，基于13项基本指标，构建了重庆地区水资源潜力评估体系，并对区域水资源潜力进行了评估，得出以下结论：

(1)13项指标中，6项指标为负相关指标，7项指标为正相关，不同指标与水资源潜力呈阶梯型相关趋势。

(2)需水模数U4、供水模数U7、产水模数U8等3项指标为影响区域水资源潜力的关键因素。

(3)整个重庆地区在2010—2015年水资源潜力为高级水平，而之后为中级水平，具有较大的开发潜力。

(4)本文基于LSTM模型分析区域水资源潜力，并未与其余模型方法计算结果进行对比，在今后的研究中可基于模糊评价理论进一步比较该模型的科学性。