遼河流域水安全評價

楊 冶

（遼寧省鞍山水文局，遼寧 鞍山 114000）

全球氣候變化導致水資源供應和水環境受到不同程度的影響，從而進一步加劇了水生態功能退化和水污染等問題。遼河流域橫跨內蒙古、河北、遼寧、吉林四省(自治區)，流域內水安全問題突出，如何實現經濟騰飛與水體保護雙重目標，繼續維持經濟活力是現階段亟待解決的問題[1]。

我國十四五規劃明確提出要統籌安全與發展，實現水安全保障能力的全面提升。因此，從社會與自然雙重角度分析遼河流域水安全，針對存在的問題探索適宜的發展對策，對實現流域可持續發展及生態保護極具現實意義。目前，廣大學者越來越關注水的安全問題，從內容上多側重于水生態文明、水安全的評價等方面，如蘇聰文等從生態、節約、環境、監管等角度分析我國水生態文明整體狀況；張楚等從宏觀層面上探討了長江存在的問題及其成因，指出城市化發展與水安全關系密切；薛昱等以廣州市為例，從生態、經濟、社會、水資源層面評價區域水安全水平[2-4]。從研究范圍上大多側重于城市、省域和區域水安全，從研究方法上以測算綜合指數和構建評估體系為主，應用較廣泛的方法有水貧窮指數法、功能系數法、熵權法、AHP法和模糊數學法等，如高媛媛等以泉州市為例，采用改進的層次分析法評價分析了區域水安全狀況；劉秀麗等以京津冀地區為例，采用改進模糊綜合法評價水環境安全程度；邵駿等以長江流域為例，應用水貧乏指數系統分析其水安全水平；梁緣毅等將熵權法與層次分析法相耦合評定了我國水安全風險等級，也有學者利用SPA-MC法、可拓云模型評價了水安全[5-8]。

目前，對流域水安全利用學習向量量化網絡模型(LVQ)研究評價的較少，文章結合遼河流域水資源利用現狀，從多個角度構建評估體系，對LVQ網絡模型利用模糊C-聚類分析FCM法加以優化，并評價了遼河流域2015—2021年水安全狀態，以期為流域水資源可持續利用提供科學依據。

1 研究方法

1.1 流域概況

遼河是我國東北地區重要的河流，流域面積廣闊，具有豐富的水資源和生態環境。流域內地貌類型以沖擊平原為主，地勢平坦，土壤肥沃，適合農業發展。然而，由于過度的農業耕作和不合理的土地利用方式，導致水土流失問題日益嚴重。遼河流域內的森林覆蓋面積相對較大，其中包括大片的天然林，在維護生態平衡和保護水源上發揮著重要作用，可以保持水土的保持能力和水質的安全。然而，受非法砍伐、過度放牧和人類活動的影響，導致天然植被的萎縮和退化，這不僅對生物多樣性造成了威脅，也對水資源的保護和水生態系統的可持續發展帶來了挑戰。因此，需要采取積極措施來保護和恢復流域內的天然植被，如植樹造林、退耕還林還草等。

近年來，隨著農業、工業和城市化的發展，對水資源的需求不斷增加。因此，為了滿足農業灌溉和生活用水的需求，修建水庫和水利工程成為必要的舉措。柴河、清河等水庫供水工程的建設，使得河道流量得到一定的調節和控制，確保了農業用水的供應，但水庫對河流徑流的調節，使得河流的自然水文特征發生改變，可能會對河流生態系統造成一定的影響。因此，需要在水資源利用和生態環境保護之間找到平衡，制定合理的水資源管理措施，以實現可持續發展。

1.2 數據來源

為確保評價結果的可靠性，研究使用遼寧省統計年鑒、水資源公報和水利發展統計公報等資料數據，FCM-LVQ模型的測試數據選擇2015—2021年各指標數據，經訓練學習評價遼河流域水安全狀況。

1.3 評價指標體系

如何合理構建評價體系直接決定著水安全評價的準確性與可靠性，而當前尚未形成一套普遍適用的評價體系[9]。因此，為更加直觀地反映遼河流域水資源現狀，結合流域水生態、水環境問題及相關研究資料，從水治理、水監管、水生態和水環境的角度建立適用于遼河流域的水安全評價體系見表1。

表1 遼河流域水安全評價體系及等級劃分

1.4 等級劃分標準

根據地區發展規劃要求及相關文獻資料，將流域水安全劃分為非常不安全(Ⅴ級)、不安全(Ⅳ級)、基本安全(Ⅲ級)、安全(Ⅱ級)、非常安全(Ⅰ級)5個等級，相應的水安全參評指標等級見表1。

1.5 評價方法

1）模糊C-均值聚類FCM算法。這是一種經典聚類算法，它將每個數據點分配到一些群體中，即假定每個數據點都屬于不同程度的每個群體，從而獲得更好的群體劃分。FCM算法的計算流程如下：

步驟1：首先設定聚類數量k和模糊m值，初始化聚類中心向量c1，c2，…，ck，可以使用隨機數或者其他啟發式方法進行初始化。同時，定義一個矩陣Un×k，其中n為數據點數量。U矩陣的每一個元素ui，j表示第i個點屬于第j個聚類的模糊隸屬度。初始時，可以將U矩陣隨機初始化或設置為一定的初始化值。

步驟2：根據中心向量和隸屬度，計算每個數據點到每個聚類中心的距離d(i,j)，可以使用歐幾里得距離或其他距離度量方法。

目前的研究皆證實了修正性反饋對英語冠詞習得的促進作用，但實驗的范圍僅限于對簡單冠詞用法的反饋（首次提及和再次提及的用法），至于修正性反饋是否對復雜冠詞用法有效還有待探討。

步驟3：基于距離度量和模糊邏輯，更新U矩陣中每個元素的值，對于每個點i和每個聚類中心j計算ui,j，即：

步驟4：根據更新后的U矩陣，重新計算每個聚類中心向量c1，c2，…，ck。對于每個聚類中心j計算vi，即：

步驟5：重復上述步驟 3~4，直到算法收斂或到達設定的迭代次數上限，約束條件如下：

2）LVQ網絡模型。LVQ網絡的訓練過程是基于樣本和神經元之間的競爭和調整，使得神經元權重向量能夠更好地表示不同的分類或子分類。整個網絡的學習過程通常需要進行多輪迭代，直到網絡參數穩定或達到預設的訓練停止條件，主要運算流程為：

步驟1：初始化網絡參數。通常初始權重向量可以隨機化或根據訓練數據進行初始化，包括神經元權重向量、學習率等[12]。

步驟2：競爭層中的神經元激活。將待分類的樣本輸入到LVQ網絡中，計算輸入樣本與競爭層中每個神經元的權重向量之間的距離，可以使用歐幾里得距離度量方法，距離較小的神經元將會被激活成為勝出神經元。

步驟3：更新勝出神經元的權重。將勝出神經元的權重向量向輸入模式調整，使其更接近于輸入樣本，具體更新方式可以使用以下公式進行更新：

其中，W(j) 表示第j個勝出神經元的權重向量，α是學習率，X是輸入模式樣本。

步驟5：線性層的運算。根據競爭層的子分類結果，將輸入樣本進行線性組合，生成最終的分類結果。

3）FCM-LVQ模型。首先使用FCM聚類算法將評價樣本進行聚類劃分，然后利用專家打分法對指標進行再次篩選，在進行了指標篩選和打分后，生成新的樣本數據集，最后將處理后的樣本數據輸入LVQ神經網絡進行訓練，訓練精度達到要求后進行仿真訓練檢驗。然后計算處理測試樣本集，采用訓練好的網絡結構評定流域水安全狀況，并與傳統方法相對比以驗證其可靠性和有效性。FCMLVQ模型可以明顯提升訓練速度，有效避免樣本數據的冗余以及降維過程中關鍵數據的丟失，更加真實客觀地反映實際情況[13]。

2 結果與分析

2.1 FCM聚類分析

研究使用插值法劃分標準來確定各指標的閾值，并生成初始樣本矩陣P，其中每個分類級別對應兩組樣本數據，由此可以獲取10組插值數據。

根據信息熵原理分析聚類數目k與信息熵H(k)之間的變化關系，如圖1所示，結果顯示熵值最小時k=2，所以最優聚類數c可以取2。

圖1 信息熵H(k)的變化趨勢

使用MATLAB中的zscore函數和fcm函數對樣本矩陣P進行標準化處理和聚類分析，經過上述處理后，您可以得到聚類中心矩陣V、隸屬度矩陣U：

然后再分析聚類結果，從量類聚類樣本中利用專家打分法篩選出重要指標，從而組成新的樣本數據，建立網絡模型訓練樣本矩陣P′：

2.2 LVQ網絡訓練

采用訓練樣本矩陣P′作為輸入向量，并將其對應的水安全級別C作為訓練樣本的輸出向量：C=[1 1 2 2 3 3 4 4 5 5]，將其按照ind2vec和newlvq函數轉變成目標向量，并構造相應的網絡結構，設定學習速率0.01，競爭層神經元10個，按兩兩分組對10組數據輸出相應等級，各級分類所占比例20%。

通過使用構建的神經網絡結構對樣本數據進行訓練，并通過模擬仿真來檢驗網絡性能，主要流程如下：先獲取初始網絡權值及輸入向量，利用train函數訓練網絡結構得到權值和輸入向量，使用Sim函數進行仿真模擬，比較期望輸出與仿真輸出見表2。

表2 網絡模型仿真檢驗

結果顯示，權值向量經過訓練后具有較好的分類分級能力，期望與仿真輸出高度吻合，這表明所構建的網絡結構具有較高的訓練精度。

采用已訓練好的FCM-LVQ（模糊C均值-學習向量量化）網絡模型來評估遼河流域的水安全等級，并同時使用BP（反向傳播）網絡和LVQ網絡模型進行評估，并將評價結果比較驗證FCM-LVQ模型的有效性與可行性，如表3所示。

表3 網絡模型仿真檢驗

由表3可知，訓練后的FCM-LVQ模型可以有效評定流域水安全等級。具體而言，2015年遼河流域處于不安全(Ⅳ級)狀態，流域內具有較多不安全因素；2016—2018年遼河流域處于基本安全(Ⅲ級)狀態，流域內具有一定不安全因素；2019—2021年遼河流域處于安全(Ⅱ級)狀態，流域內具有較少不安全因素?？傮w上，2015—2021年遼河流域水安全呈現出好轉趨勢，這與流域近年來實施一系列水生態治理工程相符，說明FCM-LVQ模型能夠客觀反映流域水安全情況。

通過對比分析發現，FCM-LVQ模型評定的遼河流域水安全級別有Ⅱ級、Ⅲ級和Ⅳ級，而BP和LVQ網絡模型評定結果只有Ⅱ級和Ⅲ級，表明FCM-LVQ模型能夠更加細致精確地評定水安全狀況。在運算過程中，FCM-LVQ模型的容錯性和魯棒性也更好。另外，FCM-LVQ模型與LVQ模型評定的遼河流域水安全等級只在2015年、2019年有所差異，并且FCM-LVQ模型能夠更加明確的劃分等級。這是因為LVQ模型無法降維處理樣本數據，使得評價結果受冗余樣本數據的影響而有所降低[15-18]。

綜上分析，采用FCM-LVQ模型能夠較好地評價遼河流域水安全等級，針對遼河流域存在的水安全問題采取有效的環境應對措施，對于保證流域內生態安全及可持續發展具有重要意義。

3 結 論

1）文章結合遼河流域實際情況，從水治理、水監管、水生態和水環境等方面構建評價體系，并采用FCM-LVQ模型評價了2015—2021年遼河流域水安全情況，結果表明研究期間遼河流域水安全呈現出好轉趨勢，這與流域近年來實施一系列水生態修復工程相符，遼河流域生態治理取得顯著成效應繼續保持。

2）FCM-LVQ模型可以有效避免評價結果受人為因素的干擾，具有收斂速度快、評價精度高且無需計算指標權重的特點。實證分析表明，FCMLVQ模型的評價效果優于BP和LVQ模型，可以為流域水安全評價提供一種新的途徑。

3）流域水安全評價的目標是實現水環境改善、水污染防治、水生態修復以及水資源保護。因此，為了保障流域生態可持續發展應進一步完善管理方案，積極推進當前的生態治理對策使其向著更加穩定的方向發展。