基于大數(shù)據(jù)的水生態(tài)承載力分析模型①

周曉磊,房 萌1,,劉 樞,姜秋俚,金繼鑫,宋春梅,陳月,王興剛,毛立爽

1(中國科學(xué)院大學(xué),北京 100049)

2(中國科學(xué)院 沈陽計算技術(shù)研究所,沈陽 110168)

3(遼寧省生態(tài)環(huán)境監(jiān)測中心,沈陽 110161)

隨著全球氣候變暖,經(jīng)濟(jì)和人民物質(zhì)的提高,工業(yè)、農(nóng)業(yè)、生產(chǎn)生活的用水量增加,導(dǎo)致對水資源的使用加劇,水體遭到污染的事件頻發(fā)[1],與此同時科學(xué)發(fā)展的不斷進(jìn)步,航天遙感在環(huán)境監(jiān)測上的應(yīng)用及雷達(dá)技術(shù)支持,水質(zhì)環(huán)境監(jiān)測數(shù)據(jù)的種類和數(shù)量正在急劇增長,監(jiān)測產(chǎn)生的數(shù)據(jù)量大多為GB 或TB,有時數(shù)據(jù)量能夠達(dá)到PB.大數(shù)據(jù)技術(shù)、互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展使大數(shù)據(jù)存儲及分析利用的問題得到了解決[2].在過去幾年中,新一代系統(tǒng)被引入大規(guī)模數(shù)據(jù)處理中,基于MapReduce 范式的程序[3],尤其是Apache Hadoop[4]越來越成為流行,利用大數(shù)據(jù)技術(shù)對水生態(tài)的歷史數(shù)據(jù)進(jìn)行處理、存儲和分析等,在有效管理水生態(tài)數(shù)據(jù)的同時利用數(shù)據(jù)的分析結(jié)果對水生態(tài)環(huán)境保護(hù)提供有效方案.近年來,國內(nèi)外出現(xiàn)了很多基于大數(shù)據(jù)技術(shù)平臺對水資源數(shù)據(jù)進(jìn)行分析處理的應(yīng)用.例如:Moturi 等[5]研究在處理較小的數(shù)據(jù)集上大數(shù)據(jù)系統(tǒng)表現(xiàn)出不理想的速度,但是在足夠大的數(shù)據(jù)集上實現(xiàn)了合理的加速,數(shù)據(jù)集在補(bǔ)充計算節(jié)點的數(shù)量下,與正常的數(shù)據(jù)挖掘和處理相比,能夠減少30%的執(zhí)行時間;Parmar 等[6]將神經(jīng)網(wǎng)絡(luò)模型、模糊模型和小波模型相結(jié)合對監(jiān)測站監(jiān)測的水質(zhì)參數(shù)化學(xué)需氧量(COD)進(jìn)行預(yù)測.李輝等[7]提出了在Hadoop 平臺上利用MapReduce 并發(fā)處理水文信息的模型,利用大數(shù)據(jù)技術(shù)提高了存儲執(zhí)行的效率.

在水生態(tài)監(jiān)測環(huán)境中,水文監(jiān)測站在網(wǎng)絡(luò)互通的條件下,形成網(wǎng)絡(luò)結(jié)構(gòu)或按河流流向分布,由于監(jiān)測站點分布廣泛,傳感器可監(jiān)測水生態(tài)、水質(zhì)、氣象等多類數(shù)據(jù),因此隨著傳感器的監(jiān)測頻率上升,水生態(tài)環(huán)境數(shù)據(jù)大幅度增長,傳統(tǒng)關(guān)系型數(shù)據(jù)庫在存儲與管理數(shù)據(jù)中不足以承載如此海量的數(shù)據(jù);文獻(xiàn)[8]提出一種基于生態(tài)系統(tǒng)服務(wù)的生態(tài)足跡(Ecosystem Service-based Ecological Footprint,ESEF)方法,在考慮或不考慮水質(zhì)標(biāo)準(zhǔn)和環(huán)境分類的條件下,采用求平均值法和并集法分析太湖流域上游湖州市的水生態(tài)承載力,但該方法擴(kuò)展性不強(qiáng).基于上述問題,為解決海量水生態(tài)監(jiān)測數(shù)據(jù)存儲和處理問題以及水生態(tài)承載力分析方法的可擴(kuò)展性,本文利用Hadoop 分布式存儲以及基于MapReduce并行計算提出一種基于大數(shù)據(jù)的水生態(tài)承載力模型,將影響水生態(tài)承載力的數(shù)據(jù)因素劃分為3 個指標(biāo)層,同時結(jié)合HDFS 分布式文件系統(tǒng)來管理存儲海量數(shù)據(jù),利用生態(tài)足跡法計算水生態(tài)足跡和水生態(tài)承載力[9]以及利用MapReduce 的并行計算處理來訓(xùn)練水生態(tài)承載力模型,將生態(tài)足跡與生態(tài)承載力相比較,得到生態(tài)承載力是否赤字或盈余.在可持續(xù)發(fā)展的基礎(chǔ)上控制水生態(tài)環(huán)境在可承載范圍內(nèi),完成海量水文數(shù)據(jù)存儲并能完成有效計算.

1 水生態(tài)承載力大數(shù)據(jù)處理架構(gòu)

1.1 水信息大數(shù)據(jù)處理總體架構(gòu)

整體的基于大數(shù)據(jù)的水文信息處理架構(gòu)如圖1所示,數(shù)據(jù)源分別由物聯(lián)網(wǎng)、水生態(tài)監(jiān)控站以及互聯(lián)網(wǎng)資源構(gòu)成,通過遠(yuǎn)程上傳、網(wǎng)絡(luò)爬蟲等完成對數(shù)據(jù)源的數(shù)據(jù)采集.

圖1 水文數(shù)據(jù)中心總體架構(gòu)

數(shù)據(jù)資源庫是整個系統(tǒng)平臺的核心,為了處理海量數(shù)據(jù)存儲問題,將其劃分為結(jié)構(gòu)化數(shù)據(jù)庫、基礎(chǔ)數(shù)據(jù)庫以及非結(jié)構(gòu)化HDFS 分布式存儲數(shù)據(jù)庫等部分.是經(jīng)過數(shù)據(jù)采集及處理后的數(shù)據(jù)存儲部分[10],實現(xiàn)對水環(huán)境空間數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)與管理數(shù)據(jù)的管理.提供不同物理結(jié)構(gòu)數(shù)據(jù)資源庫,具有良好擴(kuò)展性.

水生態(tài)環(huán)境管理平臺應(yīng)用依據(jù)Java 開發(fā)框架為基礎(chǔ),將數(shù)據(jù)應(yīng)用開發(fā)、運(yùn)行時環(huán)境與支撐業(yè)務(wù)開發(fā)的軟件封裝為資源管理、基礎(chǔ)服務(wù)以及大數(shù)據(jù)支撐應(yīng)用平臺,為水環(huán)境監(jiān)管部門提供業(yè)務(wù)應(yīng)用,全面提升信息化應(yīng)用水平,增強(qiáng)信息資源共享服務(wù)力度.

1.2 大數(shù)據(jù)采集與處理

目前,大量的水資源、水環(huán)境以及水生態(tài)數(shù)據(jù)不斷的由監(jiān)測站點生成并通過物聯(lián)網(wǎng)技術(shù)上傳至遠(yuǎn)程服務(wù)中心處.在數(shù)據(jù)倉庫的歸檔過程中,其中最大的數(shù)據(jù)集就是關(guān)于水質(zhì)、水位和水流量的實時數(shù)據(jù)信息.水質(zhì)信息在不同站點處實時監(jiān)測水質(zhì)的水溫、溶解氧、pH、電導(dǎo)率、氨氮離子、余氯等參數(shù),這些數(shù)據(jù)集形成海量的水生態(tài)信息.由于水質(zhì)信息數(shù)據(jù)中的pH 值、污水處理廠的排放濃度等具有時空連續(xù)性,因此在進(jìn)行監(jiān)測水質(zhì)數(shù)據(jù)是否超標(biāo)實現(xiàn)污染超標(biāo)預(yù)警預(yù)報等服務(wù)時,對水生態(tài)監(jiān)測數(shù)據(jù)的存儲和計算的要求提升.為實現(xiàn)終端用戶以交互式的豐富方式分析大量后端數(shù)據(jù),使用Hadoop 技術(shù)實現(xiàn)對大量水生態(tài)數(shù)據(jù)的存儲與計算功能,通過Hadoop 分布式文件系統(tǒng)將接口應(yīng)用程序連接到后端HBase,通過MapReduce 框架用戶可以輕松的分析和可視化水生態(tài)大數(shù)據(jù).如圖2所示.

圖2 Hadoop 采集處理架構(gòu)圖

使用高性能的Linux 集群構(gòu)建配置,安裝Yarn、HBase 等Hadoop 生態(tài)大數(shù)據(jù)技術(shù).基于Hadoop 作為水生態(tài)數(shù)據(jù)存儲和計算的基礎(chǔ),主要包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)存儲和數(shù)據(jù)加載4 個模塊.數(shù)據(jù)采集單元負(fù)責(zé)水生態(tài)數(shù)據(jù)監(jiān)測站點的數(shù)據(jù)采集任務(wù),監(jiān)測站點自動對水質(zhì)、水量等信息進(jìn)行監(jiān)控,并通過互聯(lián)網(wǎng)技術(shù)將數(shù)據(jù)信息傳送至數(shù)據(jù)預(yù)處理模塊;數(shù)據(jù)預(yù)處理接收到的數(shù)據(jù)大部分的時候時“骯臟”的數(shù)據(jù),極易遭到噪聲的影響導(dǎo)致數(shù)據(jù)丟失、數(shù)據(jù)出現(xiàn)沖突等,采用ETL (Extra、Transform、Load)技術(shù)將數(shù)據(jù)采集單元收集到的數(shù)據(jù)進(jìn)行清洗轉(zhuǎn)換,完成數(shù)據(jù)加載入庫操作.

數(shù)據(jù)存儲模塊主要是將經(jīng)過ETL 技術(shù)處理后的數(shù)據(jù)存放在HDFS 分布式文件系統(tǒng)、HBase 結(jié)構(gòu)化分布式存儲系統(tǒng)中,這種分布式文件系統(tǒng)提高了數(shù)據(jù)的容錯能力以及提高了可用性,提供了對文件的操作和存儲的支持,在必要時能夠?qū)崟r讀寫并隨機(jī)訪問,數(shù)據(jù)被分成塊,以分布式的方式存儲在HDFS 集群中存在的節(jié)點上,解決了數(shù)據(jù)庫的單點性能極限.既能提供較高的可擴(kuò)展性,又能達(dá)到并發(fā)訪問的能力.

分布式計算框架MapReduce 幫助我們在Hadoop平臺上完成分布式的計算編程,完成對水生態(tài)數(shù)據(jù)的分類處理,Sqoop 工具能夠完成Hadoop 與關(guān)系型數(shù)據(jù)庫之間數(shù)據(jù)的互相轉(zhuǎn)移,例如通過Shell 命令將存在于關(guān)系型數(shù)據(jù)庫中具有結(jié)構(gòu)規(guī)范無需處理的結(jié)構(gòu)化數(shù)據(jù)備份到Hadoop (HDFS、HBase)中,完成數(shù)據(jù)的轉(zhuǎn)移,從而提高獲取數(shù)據(jù)的速度.

1.3 Hadoop 分布式存儲管理

Hadoop 通過分布式存儲管理的方式,將數(shù)據(jù)存儲及計算均衡分布在各個集群上,從而可保證數(shù)據(jù)的可靠性和高容錯性.Hadoop 的核心包括HDFS (Hadoop Distributed File System),Hadoop 的分布式存儲工具,實現(xiàn)水生態(tài)數(shù)據(jù)的存儲;MapReduce 分布式計算框架處理海量水生態(tài)數(shù)據(jù)的運(yùn)算.HDFS 的存儲結(jié)構(gòu)如圖3所示.

圖3 HDFS 分布式存儲結(jié)構(gòu)

與關(guān)系型數(shù)據(jù)庫不同,HDFS 將集群中的工作節(jié)點均勻分布,在存儲上文件分塊存儲,通過設(shè)置參數(shù)(dfs.blocksize)來確定塊的大小,每個數(shù)據(jù)塊的大小默認(rèn)設(shè)置為64 MB,當(dāng)經(jīng)過處理的水生態(tài)數(shù)據(jù)上傳至HDFS時,可以被切割成不同的塊分別存放在不同的DataNode上,完成對水生態(tài)數(shù)據(jù)的備份存儲,使得存儲更高效并具有高容錯性[7].Mastar/slave 結(jié)構(gòu)是HDFS 的架構(gòu)模式,其一個Master (NameNode)節(jié)點包含若干個slave (Data-Node).NameNode 會記錄文件分塊存儲在DataNode上的位置信息,由dfs.name.dir 指定元數(shù)據(jù)(文件的名稱、副本系數(shù),Block 存儲的NameNode)的存儲位置,負(fù)責(zé)客戶端的請求響應(yīng).DataNode 負(fù)責(zé)存儲Block,在NameNode 的調(diào)度下完成數(shù)據(jù)庫的創(chuàng)建、刪除和復(fù)制;根據(jù)設(shè)置的時間間隔定期向NameNode報告本身以及所有Block 的信息.

HDFS 架構(gòu)中還包含一個輔助NameNode:Secondary NameNode,它相當(dāng)于NameNode 的助手節(jié)點,負(fù)責(zé)fsimage (鏡像文件)備份以及將edits(日志文件)與鏡像定期合并,幫助減小edit logs 的大小,減輕NameNode 重新啟動時的壓力,使NameNode 保持文件系統(tǒng)最新的元數(shù)據(jù).當(dāng)系統(tǒng)發(fā)生突發(fā)事件的時候,可以保存最新的改動.

2 水生態(tài)承載力分析模型

2.1 水生態(tài)承載力影響因素

水生態(tài)環(huán)境具備彈性力的特點,能夠在一定程度上進(jìn)行自我恢復(fù).對水生態(tài)承載力的計算主要從環(huán)境、生活、資源多個方面進(jìn)行綜合分析,能夠體現(xiàn)數(shù)據(jù)的多元性、動態(tài)性以及分析結(jié)果的客觀性,為人們對水生態(tài)破壞控制在可以恢復(fù)的范圍內(nèi),即水污染、水資源利用控制在水生態(tài)環(huán)境自我恢復(fù)能力中,能夠最大化的利用水資源,凈化對水體造成的污染.本文通過研究分析水環(huán)境、水資源與水生態(tài)方面的數(shù)據(jù),分別進(jìn)行分類統(tǒng)計、比對、分析,總結(jié)歸納得出影響水生態(tài)承載力評估的主要因素主要包括:水生態(tài)壓力數(shù)據(jù)、水資源支撐力層數(shù)據(jù)以及彈性力數(shù)據(jù).水生態(tài)壓力數(shù)據(jù)主要包括人口增長P1、經(jīng)濟(jì)增長P2、環(huán)境污染P3,支撐力指層標(biāo)數(shù)據(jù)主要包括水資源自身支持S1、人類支持S2,彈性力指標(biāo)數(shù)據(jù)主要包括生態(tài)因素數(shù)據(jù)E1.如表1所示.

2.2 水生態(tài)承載力模型

在研究承載力評估方法的過程中,從多個領(lǐng)域了解到目前計算承載力的方法主要有系統(tǒng)仿真、灰色關(guān)聯(lián)度計算、系統(tǒng)統(tǒng)計學(xué)等方法[11–13].生態(tài)足跡是從可持續(xù)發(fā)展的理念出發(fā),黃林楠等[9]提出了一種水資源生態(tài)足跡計算方法,本文基于生態(tài)足跡法,參考王文國等[14]對生態(tài)足跡計算相關(guān)參數(shù)的修正,分別計算水生態(tài)足跡以及水生態(tài)承載力.

式(1)中所述的 λw為區(qū)域水資源產(chǎn)量因子;Qw為該區(qū)域水資源總量;N為人口總數(shù),人;γw為水資源均衡因子,ghm2/km2;Pw為區(qū)域水資源平均產(chǎn)能m3/km2.本文在水生態(tài)足跡計算過程中,參考文獻(xiàn)[15]在遼寧省水資源生態(tài)足跡中的研究,其在全球部分國家數(shù)據(jù)統(tǒng)計中,選定WWF 確定的均衡因子,在中國定義范圍下,各區(qū)域的水資源產(chǎn)量因子進(jìn)行生態(tài)承載力計算,并得到中國的單位面積產(chǎn)水量也就是水資源平均產(chǎn)能為29.46×102m3/hm2.

其中,WEF為水生態(tài)環(huán)境總生態(tài)足跡,其分別由生活用水生態(tài)足跡WEFl、生產(chǎn)用水生態(tài)足跡WEFp和生態(tài)用水生態(tài)足跡WEFc組成.Wi(i=l,p,c)為各項用水消耗量.

表1 水生態(tài)承載力數(shù)據(jù)

根據(jù)表1所示的壓力層數(shù)據(jù)、承載力層數(shù)據(jù)和彈性力層數(shù)據(jù)的需求,設(shè)計包含3 層的水生態(tài)承載力分析模型,通過輸出值不斷調(diào)整模型的權(quán)重以及誤差,如圖4所示.

輸入層有3 個節(jié)點,分別為水資源壓力層數(shù)據(jù)P、水生態(tài)承載力層數(shù)據(jù)S 和水生態(tài)彈性力層數(shù)據(jù)E.隱藏層節(jié)點的個數(shù)通過式(4)進(jìn)行計算,得出節(jié)點的個數(shù)范圍為[3,12],在本模型中選取6 個節(jié)點,輸出層有一個節(jié)點,為EF 評估值.

將流域流經(jīng)區(qū)域地區(qū)的水生態(tài)足跡與生態(tài)承載力相比較,就會得到水生態(tài)資源環(huán)境是否為生態(tài)赤字或者生態(tài)盈余,如式(5)所示,若 ?E>0,水生態(tài)環(huán)境呈現(xiàn)盈余,說明該區(qū)域水生態(tài)供給充足,水資源可持續(xù)發(fā)展利用.若 ?E<0,水生態(tài)環(huán)境赤字,水資源的供給大于自身可以提供的生態(tài)環(huán)境支撐,容易對環(huán)境過度使用,對水生態(tài)環(huán)境環(huán)境造成破壞.

圖4 水生態(tài)承載力模型

2.3 水生態(tài)承載力模型MapReduce 并行計算

本文模型實現(xiàn)采用傳統(tǒng)的反向傳播算法,并且參考文獻(xiàn)[16]中的一些思想.

MapReduce 是一種編程模型適用于大規(guī)模數(shù)據(jù)處理的相關(guān)實現(xiàn).開發(fā)者只需實現(xiàn)mapper 函數(shù)和reducer函數(shù)就定義好了MapReduce 作業(yè),mapper 函數(shù)初始鍵/值對(key-value),根據(jù)初始鍵/值對計算產(chǎn)生中間鍵/值對.MapReduce 框架會將產(chǎn)生的中間鍵值對中鍵相同的值傳遞給一個reduce 函數(shù).Reducer 函數(shù)接受一個鍵以及一組值,將這組值進(jìn)行合并產(chǎn)生一組規(guī)模更小的值[17],具體的操作如下:

將訓(xùn)練集分配到多個節(jié)點,執(zhí)行多個mapper 任務(wù),每一個mapper 接收一個訓(xùn)練項,然后使用訓(xùn)練項計算出模型中權(quán)重的更新值,并將產(chǎn)生的中間鍵/值對,形如(key=權(quán)重;value=更新值)暫存于本地系統(tǒng)文件;然后執(zhí)行多個reducer 任務(wù),每個reducer 收集一個權(quán)重的更新值,并計算更新值的平均值,然后將計算所得的平均值作為權(quán)重的更新值;更新模型中所有的權(quán)重的值.重復(fù)執(zhí)行mapper-reducer 任務(wù)直到達(dá)到預(yù)期的精度.

3 實驗應(yīng)用

3.1 實驗環(huán)境

實驗環(huán)境基于Hadoop 大數(shù)據(jù)平臺,實驗應(yīng)用采用Java 做為編程語言,JDK 版本為1.8.0_181,采用分布式搭建大數(shù)據(jù)環(huán)境,選擇5 臺PC 搭建,其中一臺作為Master(NameNode),其余4 臺作為slave(DataNode).環(huán)境信息及配置如表2和表3所示.

表2 節(jié)點配置

表3 Hadoop 參數(shù)信息

3.2 實驗數(shù)據(jù)

本文選取遼河流域2012～2018年的水生態(tài)監(jiān)測數(shù)據(jù)以及人口數(shù)據(jù)、GDP 增長基礎(chǔ)數(shù)據(jù)作為研究對象.數(shù)據(jù)分別來源于遼寧省環(huán)境監(jiān)測站監(jiān)測數(shù)據(jù)、遼寧省沈陽市、盤錦市、鞍山市、營口市、鐵嶺市的年水資源公報以及遼寧省統(tǒng)計年鑒.選取2012～2017年的數(shù)據(jù)作為訓(xùn)練集,2018年的數(shù)據(jù)作為測試集.

3.3 生態(tài)承載力結(jié)果分析

分析2012～2017年遼河流域流經(jīng)區(qū)域的水生態(tài)承載力是否符合生態(tài)發(fā)展的規(guī)律,是否呈現(xiàn)可持續(xù)發(fā)展?fàn)顟B(tài).選取人口數(shù)量、生活用水、農(nóng)業(yè)灌溉、工業(yè)用水、GDP 增長率、萬元GDP 平均耗水量作為生態(tài)壓力層數(shù)據(jù);選取人均水資源量、城市污水處理量、工業(yè)用水重復(fù)率作為承載力層數(shù)據(jù);選取年降水量、森林覆蓋面積作為彈性力層數(shù)據(jù).對2012–2017年間的遼河流域流經(jīng)區(qū)域的數(shù)據(jù)通過EF 計算方法對生態(tài)足跡進(jìn)行計算,通過30 組輸入數(shù)據(jù)以及EF 所得數(shù)據(jù)對水生態(tài)承載力模型進(jìn)行訓(xùn)練.

將2018年遼河流域流經(jīng)地區(qū)的壓力層數(shù)據(jù)P、支撐力層數(shù)據(jù)S、彈性力層數(shù)據(jù)E 作為輸入層節(jié)點數(shù)據(jù)輸入到水生態(tài)承載力模型中,計算出2018年的遼河流域流經(jīng)區(qū)域的水生態(tài)足跡的評估值,如表4所示.

表4 水生態(tài)承載力盈余/赤字

將ECC 所得值與生態(tài)足跡評估值進(jìn)行比較,通過分析,沈陽、鐵嶺、盤錦、營口的生態(tài)承載力值均小于生態(tài)足跡評估值,處于水生態(tài)環(huán)境赤字狀況,尤其是盤錦地區(qū)生態(tài)承載力達(dá)到最低值,說明對水資源環(huán)境過度使用;鞍山生態(tài)承載力值大于生態(tài)足跡評估值,處于生態(tài)盈余情況,如圖5所示.通過分析以往數(shù)據(jù)顯示,鞍山水資源總量較往年相比減少了30%,但相較于其他地區(qū)多,水生態(tài)環(huán)境處于可持續(xù)發(fā)展?fàn)顟B(tài).

圖5 生態(tài)承載力分析圖

3.4 Hadoop 集群吞吐能力分析

為了能夠驗證利用Hadoop 集群存儲處理海量數(shù)據(jù)方面比單機(jī)數(shù)據(jù)處理技術(shù)上能夠有更優(yōu)越的表現(xiàn)[18],本實驗在選取不同的數(shù)據(jù)量在Local 單機(jī)模式以及Full-Distributed Mode 集群模式下進(jìn)行運(yùn)行時間測試,在這兩種情況下都使用“清洗”后的數(shù)據(jù)進(jìn)行規(guī)則計算.數(shù)據(jù)表包括3 列:唯一標(biāo)識符、監(jiān)測時間、監(jiān)測值.用“清洗”后的數(shù)據(jù)統(tǒng)計時間段內(nèi),監(jiān)測物的超標(biāo)次數(shù).

從表5可以看出,在數(shù)據(jù)量較小的情況下單機(jī)運(yùn)行的時間更短,處理數(shù)據(jù)的效率更高,而數(shù)據(jù)在超過3 GB 之后,Hadoop 集群的運(yùn)行時間更短,且穩(wěn)定運(yùn)行,時間跨度不是很大.

表5 Hadoop 集群與單機(jī)運(yùn)行時間

4 結(jié)論與展望

本文對水生態(tài)環(huán)境承載力的分析從現(xiàn)實生態(tài)環(huán)境出發(fā),提出基于大數(shù)據(jù)的水生態(tài)承載力分析模型,利用大數(shù)據(jù)技術(shù)對水資源、水生態(tài)數(shù)據(jù)處理分析,以及增加生態(tài)足跡計算的數(shù)據(jù)多樣性,通過生態(tài)承載力分析模型輸出值與生態(tài)承載力相比較,得出水生態(tài)環(huán)境當(dāng)前發(fā)展情況是否赤字或盈余.應(yīng)用案例表明,在增加數(shù)據(jù)多樣性的同時能夠通過水生態(tài)承載力模型對生態(tài)足跡做出準(zhǔn)確的分析,減少了數(shù)據(jù)進(jìn)行各類公式計算的過程,提高了工作的效率并豐富了數(shù)據(jù)來源的多樣性.基于大數(shù)據(jù)的水生態(tài)承載力模型加深了對歷史數(shù)據(jù)的分析與挖掘,在未來科學(xué)和技術(shù)的發(fā)展下,以及數(shù)據(jù)資源庫資源的不斷完善,能夠?qū)λ鷳B(tài)環(huán)境承載力做出更準(zhǔn)確的分析結(jié)果.