水資源模糊評價方法的對比與研究

鄧智中

摘 要：如何評價并且良好的利用水資源是一個重要的話題，通過模糊層次分法可以將水資源模型進行分層的分析，對相關參數模糊處理得到目標層的權重。模糊神經網絡是將各種不同類型的參數輸入，經過隱含層處理，得到目標層的結果。兩種方法各有優缺，但是都有很大的兼容性，可以解決很多問題。

關鍵詞：水資源評價;層次分析法;模糊神經網絡

水資源的利用是關乎國家民生發展的大事，水資源評價就是必須要進行的一個環節，依靠計算機的強大計算能力可以很快速的得到計算預測的結果，其中又以神經網絡和層次分析法應用的較為廣泛[1]。通過幾年的發展，分支也逐漸增多，研究范圍也趨于融合化，大數據時代的到來也激化了水資源評價向快速有效的機器評價的時代[2]。更加智能和科學的評價方法也被更多的需要，信息的多元融合評價也在逐漸的發展。讓評價直接由機器來做，在直接規劃出發展的方向，中間省去了大量的人工的勞動，使得效率大幅度提高，只需要極少的后臺維護人員，就可以完成大量的工作。

1.模糊層次分析法與神經網絡

這兩種評價方法都是利用的計算機強大的計算能力，層次分析法是利用計算機的計算能力，為神經網絡就是利用了機器的學習能力，以極短的時間得出評價結果的方法。

1.1模糊層次分析法

層次分析法在很早就被人們提出，通過不斷的發展，不斷融合新的方法，新的理論，使這種方法一直保持著強大的活力與生命力。層次分析可以和多種方法結合，如主成分分析法、模糊數學、熵權法、神經網絡等等方法。同時該方法應用的十分的廣泛，如性能評價、工作等級評定、環境等級評價、安全等級評價等等。

模糊層次分析法[3-5]在水資源評價方面大致步驟為：先對研究區域進行界定，最好有詳細的歷史水文資料，對城市的人口，規模，植被覆蓋率等的數據進行收集和整理，并將收集到的數據整理并分組，并確定分層的層次，收集的資料全部設定為指標層，將指標進行歸類分組，比如水資的總量，人均占有量可以分為一類，水中微生物數量，氮磷鉀的量可以分為一類。這樣的一類就是準則層，最終設立一個目標層，如環境的可持續發展率等。形成以目標層、準則層、指標層三層一體化的層析分析法的模型。

邀請相關專家確定各層之間的權重系數，按重要程度將兩兩之間的重要性進行9個等級的劃分，并讓專家進行判斷，從而得到重要度判斷矩陣，對矩陣的一致性檢驗進行檢驗，當CI和CR的取值同時小于0.1時，則判斷矩陣的一致性較好。隨后是指標的評級，通過歷史資料和專家咨詢確定等級。通過半梯形函數模糊計算出隸屬度矩陣。通過一級二級評價得到最終的模糊評價結果。

1.2模糊神經網絡

早在1943年神經網絡就被人所提出[6]，經過一代代的計算機的不斷革新，神經網絡也不斷的煥發出新的活力與生命力。神經網絡由于其的廣泛適用性也被應用在各行各業，如林冰[7]將BP神經網絡應用于水資源的優化配置問題的研究中;金鑫鑫等人[8]利用神經網絡與遺傳算法的結合探究大體積混凝土的降溫過程;戴會超等人[9]將傳統的神經網絡增加了誤差修正功能，使模型更加的精細化和精確化。現在時下流行的人工智能也是在神經網路的框架下的研究。模糊數學的含義是通過一定模糊規則將數據進行一定的模糊化處理，這樣會使抽象的邏輯的比較，上升到數值，這樣往往會使結果更加的靠近準確值。

神經網絡一般由輸入層、隱含層和輸出層的結構組成，其中對于輸入層樣本進行模糊化，通過誤差反向傳播的方式可以得到修正過后的參數，進行反復的迭代可以得到收斂后的結果，使誤差在可控的范圍之內或者迭代到規定的迭代次數。經過反復的和真實值進行對比，不斷的修正模型的參數，使得誤差越來越小，最終確定神經網絡的參數。神經網絡計算的結果可以通過公式直接和真實值進行對比，可以通過下面的公式得到測試值的決定系數R2值。決定系數的值在0到1之間越接近于1則表示模型的預測效果越好。

2.神經網絡與層次分析的異同

以上兩種水資源分析方法都可以科學的得到水資源評價的結果，可以給水資源的發展帶去一定指導意義，但是究其本質，兩種方法還是有很大的差別的。

2.1兩種方法的共通之處

這兩種方法的輸入的值可以是一致的，輸出的值也具有一定的相同性質，所以這兩種方法可以進行一定的相互驗證，這樣可以使兩個模型的輸出都具有較高的可信度。同時兩種方法都具有一定的兼容性，可以應用于各種評價工作，同時可以結合各種其它的算法得到更加精確的評價結果。

2.2兩種方法的不同之處

雖然模型輸出的結果具有一定的可比性，但是模型中的計算過程具有很大的差異性，層次分析法的核心是專家的兩兩指標評價的等級的這個環節，專家的指標對結果具有很大的影響，但是由于是兩兩比較，所以模型具有一定的糾錯能力，而且一直性檢驗也減小的人為因素的誤差。神經網絡的核心思想是學習的過程，本質也是系數的確定，所以學習量、學習的廣度、學習的深度都對神經網絡的結果有著巨大的影響。但是學習量也不是越大越好，越大的學習量反而會導致神經網絡學到更多的錯誤信息，偏差較大的信息。從模型的計算時間和前期準備階段，神經網絡占據了很大的優勢，因為減少的專家評價這一個環節。所以神經網絡只要有足夠的數據，就可以開始學習和計算。層次分析法則需要更多的時間。但是要說到模型的復雜程度，就會發現層析分析法思路比較清楚，參與運算的參數較少，對于簡單的層析分析法，可以手算就可以得到結果，但是神經網絡更加的復雜，涉及到的參數較多。

3.結語

通過對廣泛應用的兩種水資源評價的方法的簡述和分析，我們了解到現在的水資源評價在向著更加智能，簡便，科學，快速的方向發展。神經網絡和層次分析都是很早之前提出的理論，但是由于計算機和其他學科的發展致使神經網絡和層次分析都有了更加深層次的發展，這為今后的研究方向指出了

參考文獻：

[1] 歐建鋒， 程吉林. 基于AHP與BP神經網絡的農村水利現代化評價[J]. 中國農村水利水電， 2010， 000（011）：94-97，100.

[2] 程學旗， 靳小龍， 王元卓，等. 大數據系統和分析技術綜述[J]. 軟件學報， 2014， 000（009）：1889-1908.

[3] 哈仙. 層次分析法在水利工程評標過程中的應用探究[J]. 水電與新能源， 2019（8）.

[4] 顧延芊. 基于層次分析法和熵權法的堤防安全評價[J]. 黑龍江水利科技， 2019（10）.

[5] 張秀紅， 馬迎雪， 李延暉. 結合主成分分析法改進后的層次分析法及應用[J]. 長江大學學報自然科學版：理工（上旬）， 2013（2）：30-32.

[6] 杜剛. 改進的BP神經網絡在地下水質評價中的應用[D]. 上海師范大學， 2007.

[7] 林冰. 基于BP算法的阜新市水資源優化配置研究[J]. 水資源開發與管理， 2019.

[8] 金鑫鑫， 劉江俠， 張國新. 基于神經網絡與遺傳算法的大體積混凝土全過程智能通水模型[J]. 水電能源科學， 2019（8）.

[9] 戴會超， 何文社， 曹叔尤. 基于誤差修正的BP神經網絡模型在河道洪水預報中的應用[J]. 水電能源科學， 2006， 024（001）：69-71.