基于神經網絡算法的水資源生態承載力智能監測方法

于國寶

(遼寧省朝陽水文局,遼寧 朝陽 122000)

當前我國水資源可持續發展的一項重要指標為水資源生態承載力，該指標也是學者們研究的一個熱點話題。目前，僅對水資源生態承載能力進行研究的文獻很少，而且多是將其納入到城市可持續發展中分析。在國外，一般用壓力指標、可持續用水量指標、水資源生態限度、水資源系統自然系統極限、水資源短缺程度等指標來表示類似的意義。根據我國目前的發展狀況，現有的水資源生態承載能力研究多集中在水量方面。在保證水資源供求均衡的前提下，對研究區的可用水量進行了分析。

文獻[1]提出了基于DPSIRM模型的水源地水資源脆弱性評價方法，在DPSIRM模型的基礎上，提出了一種基于DPSIRM的流域水資源承載能力評估方法。然后，利用模擬退火算法求解各指標對水資源生態承載力的影響；文獻[2]提出了基于區域水量-水質的水資源生態承載力研究方法，以水質為目標，建立了水資源生態承載能力評價指標體系，并對區域水資源承載能力進行了分析。上述2種方法只考慮了水質不合格，沒有考慮到水環境納污能力和生態需求。盡管已有學者從水質的觀點出發，對水資源的生態承載能力進行了研究，但并未將其納入到水質狀況和水量狀況中。為此，本文提出了基于神經網絡算法的水資源生態承載力智能監測方法。

1 河道水環境納污能力分析

依據水體污染負荷計算的相關規定，構建河流納污能力數學模型。結合朝陽水文站具體情況，分別構建零維模型、一維模型、二維模型。對于零維模型的使用，是在污染物均勻混合情況下分析河流納污能力；對于一維模型的使用，是在河流流量小于100m3/s情況下分析河流納污能力；對于二維模型的使用，是在河流流量大于等于100m3/s情況下分析河流納污能力[3]。

由于朝陽水文站的河流流量小于100m3/s，所以通過構建一維模型來分析河流納污能力，公式為：

(1)

式中，ηR—河道水環境納污能力，t/a；C1—河道下游污染物目標濃度值，g/L；C0—河道上游污染物目標濃度值，g/L；λ—污染物降解系數；L—河道長度，m；v—平均流速，m/s；q—河流流量，m3/s。

朝陽河流域的河流為中小河流，天然河流流量不大[4]。在短時間內，忽略橫向、縱向污染濃度對污水排放口分布所造成的復雜問題，采用一維模型對朝陽河段河流納污能力進行分析。

2 水資源生態承載力智能監測

2.1 水資源容量數據動態采集

以2017、2019年朝陽水文站數據為例，對水資源智能監測。

(1)2017年

2017年水資源智能監測步驟為：對降雨量自記儀器進行虹吸調試及浮子室清洗養護，養護后清洗20cm蒸發器及E601型蒸發器，做好纜道測流系統涂油養護檢查及更換循環索，重新安裝備用電源及電路改造，調試發動機，實現朝陽站汛前校測工作[5]。

在各項測驗任務中嚴格按照規范操作，保質保量完成各項測驗任務，全年實測流量103次，較大洪峰2次，分別于7月6日發生較大洪峰，水位99.92m，流量463m3/s；8月3日發生全年最大洪峰，水位101.34m，實測流量1100m3/s。全年共采沙65次，最大含沙量40.0kg/m3，發生在8月3日。

(2)2019年

2019年水資源智能監測步驟為：對降雨量自記儀器進行虹吸調試及浮子室清洗養護，養護后清洗20cm蒸發器及E601型蒸發器，做好朝陽站斷面及水尺零點高程進行汛前校測和水準點校測工作，完成纜道系統調試、三索涂油、發電機維修養護、朝陽站鋁合金窗戶的密封維修及窗簾制作工作。

全年水文測驗工作：1—8月實測流量64次，8月17日實測最高水位98.95m，最大流量85.4m3/s；5月26日，最大降雨量62.9mm。發送水情報文300余份。完成了松嶺門、白腰、駱駝營子流量巡測任務，實測流量20余次；完成龍潭、六合成等9個墑情站巡測工作，發送墑情報文100余份。

2.2 水資源生態承載力模型構建

通過分析河道水環境納污能力，結合2017、2019年朝陽水文站智能采集的數據，根據該區域河道實際污染情況，充分考慮生態用水需求，以河道水環境納污能力為研究對象，保證生態需水量達到最低。選擇一維模型計算朝陽河段河流納污能力，分析可利用的生產、生活水資源數量，進而估算研究區域水資源的生態承載能力[6- 7]。

以人口規模和GDP規模衡量我國水資源承載能力，并以此為依據反映其人口承載能力與經濟承載能力。以研究區可用水量、綜合用水量、人均GDP為依據，對研究區水資源的可承載GDP和人口進行測算。構建水量-水質的水資源生態承載力模型，如圖1所示。

圖1 水資源生態承載力模型

如圖1所示，首先計算出最小的需水量，以保證該地區的生態環境不會受到損害。然后通過對水資源的限制，計算出可利用的水資源量。之后通過對水質的控制，對研究區的水環境容量進行計算[8- 10]。最后通過對地下水的綜合利用指標，可以確定水資源生態承載力[11]。

2.2.1水量約束

根據河流的生態需求量，確定各流域的水資源限制條件。在維持河流流域生態環境所需的最小生態需水量基礎上，保持河道基本生態環境滿足該區域實際需求[12]。

在水資源短缺和用水緊張的區域，通常按“好”等級劃分，并根據各節點的最小生態流量和徑流特性，選擇最佳生態環境。該環境下對應的流量百分比見表1。

表1 不同狀況對應的流量百分比 單位：%

由表1可知，在河流年徑流量中，河流的寬度、水深、流速都在30%以上。

2.2.2水質約束

水質約束是指每年排放到江河中的污染物總量不超過河道的環境容量，并根據河水的環境容量確定其在水質約束條件下的可用水量。根據河道水環境納污能力ηR計算結果，確定河道納污能力[13]。根據河道內主要河流污染負荷，確定污水排放系數，使污水排放不超過河道納污能力。由于河道生態環境隨氣候和周圍環境變化，因此河道水流變小會影響水環境容量，導致水資源生態承載力變化[14]。計算GB/T 23598—2009《水資源公報編制規程》中水資源總量，公式為：

W=ηR+q+q1

(2)

式中，q1—地下水資源量，m3。

為了滿足河道需水量要求，對流域內的水環境容量進行了測算，并制定出了以水量、水質為基礎的水資源生態承載能力3種方案，第1種方案為排水全用，全部排水都被用來納污；第2種方案為排水半用，一半排水被用來納污，另一半被用作供水；第3種方案為排水不用，全部排水都被用作供水[15]。

從水量-水質約束條件角度出發，分析了水資源生態承載力。充分考慮上述這3種水資源生態承載力，求取最優水資源生態承載力智能監測結果。為此，提出了基于神經網絡算法的最優承載力計算方法。

2.3 基于神經網絡算法的最優承載力計算

神經網絡是一種前饋性的神經網絡，通過該網絡獲取的結果是最優的，3層神經網絡的結構如圖2所示。

圖2 神經網絡拓撲結構

由圖2可知，基于神經網絡算法的最優承載力計算步驟如下：

步驟1：初始化神經網絡，賦予網絡連接權值；

步驟2：設置誤差函數，隨機選取k個輸入采樣及相應的預期輸出結果，以獲取運算準確度及最大學習次數；

步驟3：根據預期輸出結果，確定輸出層各個神經元偏導數；

步驟4：輸出層中各神經元的連接權重由各神經元的輸出結果進行校正；

步驟5：計算全局錯誤，判定錯誤是否低于設置的臨界值，在錯誤的運算次數最多時終止，否則繼續進行下一次學習；

步驟6：從下一輪學習中選取學習樣本及對應的期望輸出結果，在確定最大期望輸出結果情況下，分析水資源生態承載力在3種方案下的監測指標，詳細內容如下：

(1)對于方案1的監測指標，計算公式為：

(3)

(2)對于方案2的監測指標，計算公式為：

(4)

(3)對于方案3的監測指標，計算公式為：

(5)

通過上述分析結果可知，第3種方案應用效果最差，第1種方案和第2種方案水資源生態承載力比第3種方案大。但第1種方案沒有考慮將河水流量作為供水水源，相比第2種方案，不利于水資源可持續發展。第2種方案在確保獲取最小需水量情況下，將一半排水用作供水水源。

3 實驗

3.1 實驗背景

根據GB/T 23598—2009要求，朝陽水文局分析了河南鄭州“7.20”特大暴雨災害報告。全體職工從災害特點、應對策略、相關部門單位責任問題、改進措施等方面進行深入剖析。河南鄭州特大暴雨給當地居民生活帶來嚴重危害，所以需要盡快制定措施，盡快修復電力和通訊設施，保障正常飲水和食品安全，恢復交通正常出行，對地鐵等受損嚴重的場所要盡快恢復。水文作為水利戰線的尖兵，防汛抗洪的耳目，在抗洪救災中發揮著極其重要作用。

面對類似的強降雨天氣，水文站要及時制定出安全策略，充分利用氣象部門的應急體系，精準分析雨情、水情等水文數據。

3.2 實驗數據采集

統計2022年水資源生態承載力數據，見表2。

表2 2022年水資源生態承載力數據

結合表2數據和上述研究的3種水資源生態承載力方案，統計理想情況下的數據，見表3。

表3 理想情況下2022年水資源生態承載力數據

由表3可知，第2種方案承載人口多和承載GDP規模大，在2022年可承載人口達到230萬人，可承載GDP規模達到3325.22億元。

3.3 實驗結果與分析

通過上述分析結果可知，方案2水資源生態承載力最優，以此為研究對象，分別使用基于DPSIRM模型的水源地水資源脆弱性評價方法、基于區域水量-水質的水資源生態承載力研究方法和基于神經網絡算法的水資源生態承載力智能監測方法，對比分析2022年水資源生態承載力各項數據，對比結果見表4。

表4 3種方法水資源生態承載力各項數據對比分析

由表4可知，使用基于DPSIRM模型的水源地水資源脆弱性評價方法、基于區域水量-水質的水資源生態承載力研究方法，各項數據均與表2理想數值不一致。其中在承載人口和承載GDP規模兩方面與理想數據分別存在10萬人、20萬人和312.08億元、169.02億元誤差。使用基于神經網絡算法的水資源生態承載力智能監測方法，各項數據均與表2理想數值基本一致，只是承載GDP規模與理想數據存在12.12億元的誤差。

為了進一步驗證所研究方法的有效性，將上述各項數據作為輸入數據，對不同方法使用的適應度值進行對比分析，對比結果如圖3所示。

圖3 3種方法適應度值對比分析

由圖3可知，基于神經網絡算法的水資源生態承載力智能監測方法，在監測時間為4個月時趨于穩定；使用基于DPSIRM模型的水源地水資源脆弱性評價方法和基于區域水量-水質的水資源生態承載力研究方法，分別在監測時間為8、10個月時才趨于穩定。

通過上述分析結果可知，使用基于神經網絡算法的水資源生態承載力數據監測結果精準，且適應度值趨于穩定時長短，說明使用該方法收斂速度快，明顯優于其余2種方法。

4 結語

基于神經網絡算法的水資源生態承載力智能監測方法，利用神經網絡算法克服傳統方法存在的問題，獲取承載力監測最優解，提高了收斂速度。因此，水資源生態承載力模型的構建解決了目前水資源生態承載力分析僅注重水資源的資源量的問題，從而豐富了水資源的生態承載力，提高了水資源的可持續利用能力。

下一步研究，仍需進一步分析收斂因子，努力提高尋優效率。而且有關分析的項目還不全面，所以接下來要分析由于天氣、突發事件等原因造成的非規律用水需求，并綜合考慮多種因素，以保證該監測方法的可行性和實用性。