建昌縣水庫移民后期扶持效果評估

黨淑慧

(建昌縣水利事務服務中心，遼寧 葫蘆島 125300)

0 引 言

由于未能充分認識水庫移民安置的社會后果、重要程度及其進度控制因素，許多大中型水庫移民安置過程中存在一些遺留問題，因安置項目未能妥善移民，使得生活困難和不安全社會因素等問題經常出現。水庫移民后期扶持效果風險評價是加強扶持政策實施監督管理的有效方法，對維護移民群眾合法權益和庫區社會穩定極其重要，可為后期扶持政策資金的高效、安全使用以及移民安置區的經濟社會持續發展提供保障。當前，計算過程較復雜和權重計算人為主觀性強為后期扶持效果風險評價存在的主要問題，而對于信息量龐大且數據復雜的問題研究受到一定的限制。BP網絡具有聯想記憶、自適應性、自組織學習、高度非線性映射、高度容錯等特性，可從復雜龐大的信息中揭示其內在變化規律，有效解決傳統分析方法存在的復雜性和主觀性問題，已被廣泛應用于工程投資估算、洪澇災害預測、水資源評價等多個領域[1]。

鑒于此，文章以建昌縣水庫移民安置項目為例，依據監測評估調查數據和BP神經網絡模型評價分析了后期扶持效果風險水平，更好的掌握移民區生活改善程度，為合理的制定相關政策和移民安置進度風險分析提供可靠的依據。

1 后期扶持效果評估模型

1.1 風險評價指標體系

在實地調查、勘察以及整理相關資料的基礎上，結合建昌縣移民安置后期扶持監測評估工作和移民項目面臨的風險來源，考慮移民的切身利益將恢復與提高移民生產生活水平可能遇到的風險要素進行系統全面地分析，從土地資源、居住環境、收入結構、生活與住房條件5個子系統選擇20項評價因子，遵循系統性、層次性、代表性和科學性等原則構建評價體系如表1所示。

1.2 BP神經網絡模型

一般情況下，對于任意的n維到m維的映射均可利用一個3層的BP神經網絡實現。所有的輸入、輸出和隱含層神經元節點為組成網絡結構的關鍵，其同一層次、不同層次間的神經元處理單元為全互聯連接和無連接形式，網絡結構如圖1所示。

表1 安置區扶持效果評估體系

圖1 BP神經網絡結構

設輸入模型的樣本值為(Xp,Tp)，其中p∈{1,2,…,N|，N為BP網絡的樣本總數；評價樣本的權值向量為W，神經網絡的期望與實際輸出向量Yp之間的誤差函數表示為E(W)=g(f(W,Xp,Tp))，則利用二乘函數法獲取相應的誤差，其數學式為：

(1)

式中：m為網絡輸出向量維數，其它參數含義同上。在數學方程映射關系未知的情況下，系統軟件存儲大量的映射關系預測模式，因此在非線性復雜問題處理時具有明顯的優勢。根據設定的精度和權值w，針對特定的數據(Xp,Tp)能夠完成輸入xp∈R″至輸入yp∈Rn的映射。為了獲取最高的精度和最小的誤差通常要對模型進行訓練，依據一定的規則選擇網絡學習過程中新的w′，從而使得E(w′)≤E(w)，其流程包括：①設定正向傳播方式，完成樣本的輸入和模擬輸出；②若模擬期望值與實際輸出存在較大偏差，則按照一定的規則反向傳播；③從輸出向隱含層的反向傳播，可計算實際與期望之間的誤差信號，并作為連接權誤差的修正依據；④網絡學習訓練的實質是反復交替的完成誤差逆向傳播與正向傳播；⑤輸出全局誤差最小時的模擬值即為網絡趨于收斂的最終評價結果[2]。梯度下降算法為BP神經網絡模擬的常用方法，利用下式修正相應的權值，即：

(2)

式中：wij為連接節點i與j的權值；η為控制修正速度的學習步長，也成為學習速率，取值區間為0-1。一般情況下，若η值過大，則對Wi(t)的穩定性產生顯著影響；若η值過小，則Wi(t)的收斂時間太長，速度較慢。

因此，BP網絡模型調整閾值向量和權值矩陣的過程就是不斷地自動學習，網絡系統在誤差達到預先設定的精度要求時終止學習。該條件下，將權值矩陣以數據文件的形式納入網絡系統內部，并存儲于數據庫中。采用已經訓練好的網絡即可實現水庫移民后期扶持效果的評估，通過輸入移民點的指標數據可獲取相應的輸出向量，依據設定好的評價標準確定輸出向量所屬的評價等級[3]。

2 實例分析

2.1 區域概況

建昌縣位于遼寧西部山區，東與連山、興城區接壤，南接河北省青龍綏中，西與凌源毗鄰，北靠喀左、朝陽縣，地處E119°2′47″-120°17′45″，N40°24′30″-41°5′57″之間。該區域總面積3181km2，其中城區261km2，共有28個鄉(鎮)、276個行政村，村民組2854個，總人口628529人。研究區實有耕地面積5.96萬hm2，人均耕地面積0.095hm2，農業和工業總產值21.67、55.83億元，農村居民人均純收入9429元。境內地勢西高東低，呈階梯狀，最高峰大青山海拔1223.8m，最低點六股河出境處海拔76.3m，研究區平均海拔426m。根據地貌單元和組合情況，全縣可劃分西部嶺上低山丘陵區、中部河谷盆地區、東部嶺下區和南部嶺下區4個地貌類型。該地區為青龍河、大凌河和六股河發源地，皆匯入渤海，其中大凌河、六股河縱貫全縣，河長為63km和92.6km，流域面積1199km2、1772 km2。研究區屬大陸性季風氣候，其特點為光熱充足，四季分明，雨量不均，易成干旱，年均氣溫8.2℃，日照時數2915h，無霜期162d[8-9]。

建昌縣境內有大中型水庫2座，其中宮山咀水庫是大凌河上游的一座大(Ⅱ)型水庫，總庫容10886萬m3，該水庫是防洪、發電、灌溉、城市供水等綜合利用水利工程，防護建昌縣城和喀左縣城的城鎮及沿岸的人民生命財產，多年平均供水量為3776.2萬m3，發電量為3105kW；馬道子水庫是一座以防洪、灌溉、工業和城市供水為主，同時具有養魚、發電等功能的水利樞紐，，總庫容1330萬m3。另外，境內有小型水庫20座，總庫容2662萬m3，其中小(1)型水庫8座，小(2)型水庫12座。

2.2 數據的獲取

以建昌縣2018年宮山咀水庫、馬道子水庫移民后期扶持監測評估報告為依據獲取各樣本數據，參評樣本隨機選取昌縣10個安置村，數據統計見表2。其中，訓練樣本為隨機選取的7個樣本點評估數據，后期扶持效果評估樣本為其余3個樣本點指標值。

表2 水庫移民后期扶持效果評估樣本數據

2.3 樣本數據歸一化

若樣本數據未經歸一化預處理，則極易造成計算結果無法收斂或計算時間的增加。因此，對于數據的歸一化處理，考慮采用最小最大值法，其數學表達式為：

(3)

式中：ymin、ymax為后期扶持效果評估的下界與上界；xmin、xmax為參評樣本的最小、最大值。

2.4 風險評定標準

后靠或外遷移民在安置工程實施后，其生產結構、生活方式和生活環境均發生不同程度的改變，對提升和恢復移民生產生活水平產生較大影響。綜合考慮移民生產生活影響程度、風險因素以及移民風險評價習慣等因素，將風險評價等級劃分為v1、v2、v3、v4、v5，所對應的評語為零風險、可忽略、可接受、中等和不可接受風險，從而構建后期扶持效果評價向量為V={極有利，有利，一般，不利，極不利影響}，BP模型輸出如表3所示。

表3 BP網絡輸出等級

2.5 后期扶持效果風險評價

1)確定神經元數目。移民后期扶持效果評估體系中共有20項參評因子，而效果評價標準為5級，因此BP網絡的輸入層和輸出層神經元節點數為20、5個，相應的輸入和輸出向量維度為20、5。一般條件下，利用試算法及經驗公式確定隱含層神經元最佳節點數，即：

(4)

式中：m、n、S為輸出、輸入和隱含層神經元節點數，其中N值為0-10范圍。

設定隱含層節點數為6-15個，然后利用公式(4)和m=20、n=5試算試算最佳節點，BP網絡的參數設置為：最大失敗和訓練次數為5、500次，訓練精度為0.00001，保持其它參數不變。通過訓練同一樣本集，選擇隱含層神經元符合精度要求時的節點數。根據相關文獻和試算結果，從6-15范圍內選取最佳的隱含層節點數。結果顯示，在保持模擬精度不變的條件下，網絡系統的穩定性在12個節點時最好，所以選擇12個隱含層節點數進行BP網絡模擬分析，因此BP網絡的節點數為20×12×5。

2)仿真與訓練。采用trainlm函數作為網絡訓練方法，相對于傳統的梯度動量下降法L-M優化方法能夠大大縮短運算時間，顯著提升預測模擬誤差的收斂速度。設定網絡模型的學習速率和最小梯度為0.01、0.1，訓練精度為0.00001，最大訓練步數10000，具體見表4。網絡訓練的輸入樣本數據矩陣為建昌縣10個移民村的20×8數據，選用向量的形式作為監測評估的目標輸出。

表4 BP網絡訓練參數

3)移民安置風險評價。BP網絡訓練完成后，選擇監測樣本為牤牛營子、建昌鎮、石佛3個安置村的指標數據，為驗證風險評價效果的準確性將監測樣本數據輸入模型，比較分析監測評估報告與BP神經網絡評價結果見表5。

表5 后期扶持效果評價結果對比

從表5可知，評價結果達到極有利影響的為牤牛營子安置村，可見后期扶持政策的實施不僅恢復了移民生產生活，而且較移民前有了較大的提升；評價結果達到有利影響的為建昌鎮風險評估，雖然已恢復至搬遷安置前的移民生產生活水平，但其提升幅度不顯著；評價結果屬于一般影響的為石佛村，后期扶持政策的實施使得石佛村的移民生活基本恢復至搬遷前的水平。檢測評估綜合評價結果與BP網絡模型風險評估保持較高的一致性，可見BP模型的仿真能力較好，對于后扶持效果的評價具有較強可靠性和可行性。

3 結 論

1)對建昌縣水庫移民后期扶持效果利用BP神經網絡模型科學評價，結果發現后期扶持政策的實施在一定程度上提高和改善了建昌縣大部分地區的移民生產生活水平。監測評估結果和BP網絡評價保持良好一致性，因此神經網絡的仿真能力較好，對于后扶持效果的評價具有較強可靠性和可行性。

2)對移民效果風險狀況運用BP模型評價，其中相關數據的收集較為中線，誤差精度要求、網絡參數設置、數據預處理和樣本的選擇等均可影響評價結果可靠性，為進一步提升計算精度未來仍需要不斷的深入研究。