灌區水資源需求智能算法預測分析

劉 娜

（凌海市水利事務服務中心，遼寧 凌海 121200）

0 概述

各個行業的發展離不開淡水資源，而農業屬于最大的淡水消費領域，占其總消費量的70%以上。中國是世界上最大的農業國之一。然而，中國大部分農業用地都位于水資源缺乏的農業區，在這些地區，沒有受到灌溉的作物種植效率低下，產量較低，嚴重影響當地農業經濟發展[1]。“十三五”以來，國家累計投入700多億元對1 000多處大中型灌區實施續建配套與節水改造，為糧食生產和水資源的節約集約利用提供了有效支撐。盡管如此，我國的灌區用水調度仍然存在較大問題，主要體現在當地用水需求量預測不準，調度模型效率低下等方面。因此如何準確的預測當地灌溉用水需求量，是增強灌區水資源分配率的關鍵方法之一[2]。

目前國內外對灌區需水量的預測研究還處于探索階段，主要取得了以下相關成果。李玉瓊[3]針對初始化網絡參數隨機選擇，造成RBF神經網絡預測結果不穩定問題，設計了一種基于天牛須搜索（BAS）算法對RBF神經網絡參數進行尋優的番茄結果期需水預測方法；魯紅武[4]應用數理計算的方向思考策略，研究了稻田灌溉用水量等相關的內容，結合多方面的因素得到了隴西縣農業用水效率控制紅線；邊疆[5]為確保崇信縣經濟的可持續發展，通過水資源供需分析對2025年—2035年需水量供需做了預測，可以結合預測的結果來制定對應的灌溉計劃；陳穎杰 等[6]采用MPI氣候模式預估的未來氣溫、降水結果及未來流域5種不同的經濟社會發展情形,預測了黃河流域2017年—2030年的水資源供需演變趨勢; 李學軍 等[7]針對農作物灌溉進行了大量的研究，設計了一種灌溉預測模型，在模型中集成了LSTM算法，能夠結合土壤環境以及植物生長需求進行灌溉，提升了水資源利用的合理性，降低了灌溉的成本。除了上述研究之外，孫鵬[8]基于ERA5-Land網格數據集和灌區降水、地表水、土壤水的補給機制,使用土壤水消退系數法和彭曼公式法, 獲取了灌區多水源的轉化關系, 使用網格數據和未來氣候情景數據對水稻灌溉用水量進行估算和預測。

本文以目前應用最廣泛的機器學習算法為基礎，對灌溉區域的用水需求量進行了預測分析，并對比分析了各種方法的精度，選出最優預測解，研究成果可為灌區工程提供參考。

1 機器學習算法

1.1 人工神經網絡

人工神經網絡屬于一種廣泛使用的算法模型，該模型結合人腦神經元特征進行設計，擁有自主學習和自適應的特點，通過神經元之間的關系實現對信息的處理。各個神經元以變量x作為輸入，然后對y-hat值進行計算。已知訓練集中的樣本數目為m，x代表某個樣本各個特征的取值，g代表非線性激活函數。另外，各個單元存在偏差（b）、權重向量（w）兩個需要進行學習的參數。在迭代過程中，需要基于當前的w對x的加權均值進行計算，然后將b加上，并將得到的結果代入到g中，具體的計算公式如下所示：

在上述公式中，角標k表示第k個神經元，x1，x2，...xn為輸入參數向量，表示未知量個數；w1，k，w2，k， ...,wn，k為各參數權重；bk為閾值；sk為第一次進行權重分配后的輸入值；g為非線性激活函數；yk為輸出值. 圖1為神經網絡模式圖。

圖1 神經網絡模式圖

1.2 支持向量機

支持向量機是一種基于統計學的最先進的神經網絡方法。背后的基本概念是超平面，支持向量機在高維空間中構造一個超平面或一組超平面，用于分類。最大間隔分類器屬于該算法的基礎，盡管最大間隔分類器復雜度較低，然而并不具備較高的適用性，難以通過線性分類器對大量的非線性數據進行處理，導致其應用受到了明顯的限制。為了有效地解決上述問題，可以先執行核函數映射的過程，核函數主要對兩點的相似度進行計算，核函數的選擇將會影響到算法的應用效果。為了獲得靈活度更高的決策邊界，一般需要采用度高于1的內核。該算法的基本原理如圖2所示。

圖2 支持向量機算法圖解

1.3 邏輯回歸

logistic回歸模型的主要目標是基于訓練數據集上提取的知識預測新給定數據的標簽。邏輯回歸可以分為兩種類型：簡單邏輯回歸和多元邏輯回歸，二者的作用以及適用性不同。其中簡單邏輯回歸用于預測類別值，因為它是分類的，并且只有兩種可能的結果，然而，多元邏輯回歸可以用來預測由三個或更多可能結果組成的類值。對于特定的數據集，需要通過分類函數（h函數）對輸入數據的判斷結果進行預測；然后對損失函數進行設計，一般是預測結果和類別的差值，計算損失函數的均值或者總和，即可得到全部數據的偏差，即為J函數。根據J函數取值大小可以對預測函數的應用效果進行判斷，如果其值較高，則說明預測函數的精度較低，而其值較低時，則意味著預測函數的精度更高。因此需要對J函數的最小值進行計算。一般通過梯度下降方式進行參數估計，具體公式如公式（3）所示：

1.4 隨機森林算法

Leo Breiman（2001）設計的隨機森林算法廣泛應用到了分類等領域中，該方法實際上是在決策樹基礎上實現的，首先需要對決策樹進行訓練，在此過程中采用有放回抽樣方式在訓練集M中提取一定數目（n）的樣本，然后進行訓練并得到一棵決策樹；基于上述方式可以訓練得到較多的決策樹，并且這些決策樹均對應著獨立提取的樣本，由此形成了隨機森林。盡管某個樹的分類能力無法達到較高的要求，但是在決策樹數目較大之后，一個測試樣本可以通過每一棵樹的分類結果經統計后選擇最可能的分類。

1.5 決策樹

決策樹(DT)主要是結合數據特征進行劃分，在全部特征劃分完成之后結束此過程，該方法已經較多的應用到了分類以及回歸等領域中。一些學者針對此類算法進行了深入的研究，提出了不同的改進算法，常用的包括ID3等。DT對數據采用自上而下的方法，在給定數據集的情況下，他們會嘗試對數據之間相似性進行分組和標記，并尋找最佳規則來對它們之間對應的不同的標簽進行分類和回歸分析，直到達到最大的精度。

2 灌區概況

本次分析的灌區位于錦州市區域內，流域內雨量豐沛，結合統計的結果可知，最大、最小年降雨量分別達到了2 743.5 mm、1 190.7 mm，對應的年份依次是1973年、1958年，而多年均值也達到了1 800 mm。盡管全年降水量較高，但是年內分布呈現出顯著的不均性，各個月份的降水差異顯著。雨季汛期主要是4月~9月，降水占比達到74.9%，其他月份降水相對較少，屬于旱季枯水期。另外，整個流域上游部分以山地丘陵為主，植被覆蓋較好，水流清澈，水質良好，環境較少受人為破壞，基本無工業區污染，水土流失主要為山洪爆發等自然因素造成。

3 灌區需水量預測結果分析

本次在做需水量預測之前，根據灌溉區域分布地區，將其劃分為21個數據點，表1給出了21個灌溉小區域的實際灌溉用水量和5種機器學習方法的預測值，以及21個區域總的灌溉用水量和預測量。根據表1可以明顯看出單個灌區的預測精度比所有灌區總的預測精度要高很多。從總的預測精度來看，支持向量機（SVM）預測的需水量與實際耗水量更接近,準確率高達97.5%，表明該模型預測的貼近度較高。在準確率上位于二、三位的分別是決策樹（DT）、神經網絡(ANN)，二者依次是96%、95%，這兩個指標的預測度與RF方法相差不大。然而，對于小灌溉區域需水量的預測，例如A4和A6等少數節點，相對于ANN、DT兩種方法，RF預測結果的準確性更低。在大多數節點中，支持向量機（SVM）、logistic回歸等的性能低于ANN、DT、RF算法。此外，在C3、C7等少數節點中，實際用水量明顯低于所有模型預測的用水量。這是因為在這個季節，只有幾個節點需要進行灌溉，此外不排除在對灌溉用水量進行統計時產生了誤差，影響了最后的預測精度。圖3為本研究中所有試驗模型的實際和預測用水量。

表1 21個灌溉小區域的實際灌溉用水量和5種機器學習方法的預測值

圖3 所有試驗模型的實際和預測用水量

4 結論

我國的灌區用水調度主要體現在當地用水需求量預測不準，調度模型效率低下等方面。針對這一問題，本文采用隨機森林方法(RF)、決策樹（DT）、人工神經網絡(ANN)、支持向量機（SVM）和logistic回歸5種機器學習算法，對灌區21個灌溉點，以及灌區總的灌溉用水量進行了預測分析。結果表明從總的預測精度來看，支持向量機（SVM）預測的需水量與實際灌區總的耗水量更接近, 準確率高達97.5%，更適用于對總灌區的需水量進行預測。而對于小灌溉點需水量的預測，決策樹和人工神經網絡預測性能更占領優勢。研究方法可為其他灌區的需水量預測提供較好參考，大幅度提升灌區用水資源配置率。