基于RF與GM(1,1)的成都市水資源安全狀態評價

陳思瑤,紀丁愈,曾云峰,李學明,張明超

(四川水利職業技術學院,四川 崇州 611231)

0 引言

水資源是國家重要戰略資源之一,是生命之源、生產之基、生態之要[1]。在一定程度上,水資源安全已成為限制區域發展的重要因素之一。2015年《中共中央國務院關于加快推進生態文明建設的意見》中明確提出:“加強用水需求管理,以水定需、量水而行,抑制不合理用水需求,促進人口、經濟等與水資源相均衡,建設節水型社會”,生態環境部印發的《“生態保護紅線、環境質量底線、資源利用上線和環境準入負面清單”編制技術指南(試行)》也將水資源安全利用作為資源利用上線的重要組成部分。水資源安全是囊括自然、社會、經濟、環境的一個復合且復雜的系統[2],而人類的密集活動使得城市的水資源安全更加難以分析。國內外學者從包括基本的水質水量特征、內在機理及單一指標等多個角度對水安全進行評價,當前,常見的評價方法有綜合指數法、層次分析法、主成分分析法、模糊綜合評判法、模糊物元模型、投影尋蹤法、多目標決策分析及神經網絡等[3-13]。

成都作為西部地區重要的中心城市,地處長江支流岷江及沱江流域,岷江及沱江干流穿越市境,水系發達,水質條件好。預計到2025年,成都將基本建成踐行新發展理念的公園城市示范區。同時,第七次全國人口普查數據顯示,成都市人口從2010年的1 511.8萬人,增加到2 093.8萬人,成為繼北京、上海后又一個2 000萬以上人口城市。城市經濟的高速發展與人口的快速增長,水資源需求量也急劇上升,成都市水資源安全系統面臨嚴峻挑戰。本文以成都市作為研究對象,對成都市2010-2019年的水資源數據進行分析,運用TOPSIS法評估其水資源安全狀況,并通過隨機森林算法(RF)篩選出主要影響因素。隨后,應用GM(1,1)模型對2020-2026年成都市水資源安全的未來趨勢進行預測。研究結果不僅為成都市的水資源管理提供科學依據,提升水資源系統的安全水平,實現成都市水安全系統的良性循環與可持續發展,還可為其他類似的快速發展城市提供參考。

1 數據來源與研究方法

1.1 數據來源

研究選用“水安全”“水安全評價”“水資源評價”為篇名、關鍵詞及摘要等3方面進行檢索,時間涵蓋2004-2018年,結合研究區特征,并考慮數據獲取的難易程度,從而確定影響成都市水資源安全狀態的指標。通過成都市統計年鑒與水資源公報等渠道獲取研究所需數據。

1.2 研究方法

1.2.1 TOPSIS

TOPSIS方法是根據有限評價對象與理想化目標的接近程度進行排序的方法,是一種根據相似性優先級進行分類的理想解決方案。TOPSIS方法是可以在許多領域中使用的綜合評估方法之一,例如收益評估、健康決策制定和健康服務管理等。用相同的趨勢和標準化處理原始數據后,消除了指標之間由不同維度所帶來的影響,充分利用了原始數據中所包含的信息,客觀、真實地體現了不同評價對象之間的差異。由于TOPSIS方法的直覺性和可靠性的優勢,以及對數據資料數量要求不高等優勢,其應用正日益普及。與其他綜合評價法相比,TOPSIS能夠充分利用原始數據的信息,可根據數據內在特征進行評價,所以研究采用TOPSIS方法對成都市水資源安全狀態進行評價。

(1)設計決策矩陣

假設評價對象m個,決策指標n個,則目標決策矩陣為:

(1)

本研究對成都市2010-2019年的水安全狀態進行評價,因此,假設評價對象m為10個。決策指標為水資源安全影響因子的個數,本文根據文獻計量統計結果進行決策指標n的設置。

(2)數據處理

第一步是進行無量綱化的處理,第二步是將優指標、適度指標進行正向處理:

(2)

本研究根據文獻計量統計的結果及根據文獻分析與研究區域相結合,確定指標屬性即效益型指標、成本型指標和中間型指標,將指標進行正向化處理即將所有指標轉化為極大型指標(效益型指標)。為了消除不同指標量綱的影響,對已經完成的正向化的數據進行標準化處理從而得到矩陣Y。

(3)正理想解與負理想解的確定

矩陣中的各列的最大值構成最優向量,最小值構成最劣向量:

Y+=(maxYi1,maxYi2,…,maxYin)(i=1,2,…,m)

(3)

Y-=(minYi1,minYi2,…,minYin)(i=1,2,…,m)

(4)

本研究針對已經標準化后得到的矩陣根據加權歐幾里得距離求得每列的最大值與最小值,從而確定矩陣Y+與矩陣Y-。

(4)理想解的距離

第i個評價對象與正理想解與負理想解的距離:

(5)

(6)

本研究根據所求矩陣Y+與矩陣Y-,計算每個評價對象與最大值和最小值之間的距離。

(5)計算理想解的貼近度

第i個對象的貼近度為:

(7)

本研究將計算求得的最大值和最小值,根據式(7)獲取每個評價對象的理想解的貼近度,從而得到研究區域2010-2019年的水資源安全評價分值,從而確定成都市的水資源安全狀況。

1.2.2 隨機森林

隨機森林(Random Forest,簡稱RF)實質是一種機器學習算法,基本單元是決策樹,可以看成為CART決策樹與Bagging算法相結合。利用Bagging算法,在訓練集上生成不同的子訓練集,從而建立對應的CART,由每個節點隨機挑選特征變量完成節點分裂,采用投票法將分類結果進行投票,從而得到最后的分類結果(見圖1)。變量重要性分數(VIM)是隨機森林的重要產物之一,是影響因素在訓練數據集中對目標變量的影響程度的直觀反映。利用VIM可以實現顯著影響因子的確定,去除無關或者不重要的因子,通過降維實現提高模型的訓練速度與效果的目的。

圖1 隨機森林基本原理

將整體訓練樣本集的集合設為D,向量X表示影響水資源安全的25個因素的合計,并且X={X1,X2,…,Xj,…,X25|j={1,2,…,25}},對抽取訓練樣本集集合采用又放回的隨機抽樣生成K=10個子訓練樣本集,則第k個樣本子集表示Dk|k=1,2,…,K,通過變量重要性分數對水資源安全的影響因素進行衡量。具體步驟為:

第一步:設k=1;

第六步:分別令k=1,2…,K,對其重復進行第二步到第五步的操作,得出各個子訓練集對應下的擾動前后的分類正確率;

第七步:計算特征Xj的變量重要性分數;

第八步:對于j={1,2,…,25}重復上述步驟,得出所有變量重要性分數,輸出重要性分數向量VIM={VIM1,VIM2,…,VIMj,…,VIM25}。

1.2.3 GM(1,1)模型

GM(1,1)模型即灰色系統模型,其不需要很多數據就能解決歷時數據少、序列完整性及可靠性低的問題。白色是確定的已知的信息,黑色是未知的信息,而灰色系統介于兩者之間,系統內部有一部分信息是已知的,一部分信息是未知的,并且系統內的各因素間的關系是不確定的?；疑A測首先通過關聯分析來識別系統因素發展趨勢的差異程度,通過對原始數據的生成處理找尋系統變化的規律,從而生成有較強規律性的數據序列,然后建立相應的微分方程模型,進而對事物未來的發展趨勢進行預測。GM(1,1)模型能解決歷史數據少、序列的完整性差、可靠性低的問題;通過微分方程對系統的本質進行充分挖掘,并且精度高;可以在不考慮分布規律及變化趨勢的情況下,可將沒有規律的原始數據生成規律性較強的生成序列,運算簡便,易于檢驗。其建模過程如下:

第一步,設GM(1,1)原始序列為:

X(0)=X(0)(1),X(0)(2),…,X(0)(n),X(0)(k)≥0,k=1,2,…,n

(8)

式中X(0)是正數序列,n是數據的樣本個數。

本研究中,分別構建14個顯著因子的原始序列集,每個原始序列集的樣本個數為10個。

第二步,累加生成新數列X(1):

X(1)=X(1)(1),X(1)(2),…,X(1)(n)

(9)

其中:

(10)

本研究對這14個原始序列集累加生成14個生成序列。

第三步,定義一次累加序列X(1)生成的均值序列Z(1)為:

Z(1)=Z(1)(1),Z(1)(2),…,Z(1)(n)

(11)

式中,Z(1)(k)是序列X(1)相鄰數據的平均值:

(12)

本研究分別將累加序列進行均值序列生成。

第四步,構建矩陣Y和矩陣B:

(13)

(14)

本研究分別對14個顯著影響因子根據累加序列集和累加序列均值集確定矩陣B和Y。

第五步,根據矩陣B和Y,通過最小二乘法擬合得到參數a與b:

(15)

本研究分別求得每個顯著影響因子集的a與b。

第六步,將a與b帶入時間響應方程:

(16)

整理得到:

(17)

本研究確定每個顯著影響因子的預測模型。

第七步,使用逆AGO(累加生成)遞減得到原始數據在時間(k+1)時段的預測值。

(18)

本研究根據每個顯著影響因子確定的預測模型對2020-2026年進行預測。

這3種方法的組合提供了一種全面和深入的評估手段。TOPSIS方法提供了一個綜合評估框架,隨機森林(RF)方法識別了主要影響因素,而GM(1,1)模型提供了對未來趨勢的預測。這種多方法組合不僅增強了評估的準確性,也提供了更全面的視角來理解和應對成都市水資源安全的挑戰。

2 結果分析

2.1 水資源安全影響因子集

結合研究區特征,并考慮數據獲取的難易程度及影響因子的具體意義,建立成都市水資源安全的影響因子集,包括25個指標(見表1),該影響因子集作為影響因子全信息,用于成都水資源安全的TOPSIS評價。

表1 水資源安全的影響因子集

(1)自然屬性有:地表水資源量、地下水資源量、人均水資源量、農田灌溉水有效利用系數、全年供水量,這些因子屬于正向因子,越多越好,屬于效益型指標;降雨量屬于中間型指標,在一個區間內是最好的;從用水端考慮影響因子有生活用水、生產用水以及生態用水,這些因子屬于負向因子,越少越好,屬于成本型指標。

(2)社會經濟屬性有:常住人口、出生率、自然增長率、農村居民恩格爾系數、城鎮居民恩格爾系數這五個因子屬于負向因子,即越少越好,屬于成本型指標;城鎮居民家庭人均可支配收入、農村居民家庭人均可支配收入、死亡率、GDP、人均GDP、第一產業增加值、第二產業增加值、第三產業增加值、污水處理能力、污水處理率、污水管道長度屬于正向因子,越多越好,屬于效益型指標。

(3)人文屬性有:城市綠化覆蓋率屬于正向因子,越多越好,屬于效益型指標;工業廢水排放量屬于負向因子,越少越好,屬于成本指標。

2.2 成都市2010-2019水資源安全狀態評價

根據相關文獻[14],確定水安全狀態評價標準(見表2),TOPSIS評價結果(見表3)表明:成都市2010-2019年間水安全狀態指數大體呈逐年提升趨勢,表明成都市水資源安全逐年向好發展,水安全環境逐漸改善,水安全狀態呈現三級階段特征。第一階段為2010-2014年,研究區水安全等級為Ⅳ級(除2011年外:水安全等級為Ⅲ),處于不安全狀態;第二階段為2015-2017年,研究區水安全等級為Ⅲ級,處于臨界安全狀態;第三階段是2018-2019年,研究區水安全等級為Ⅱ級,處于較安全狀態。

表2 水安全狀態評價標準

表3 2010-2019年成都市水安全狀況

2.3 顯著影響因子提取

為進一步篩選出研究區影響水安全狀況的重要影響因子,結合隨機森林變量重要性分數對研究區水資源安全TOPSIS的評價結果作進一步分析。結合文獻[15-18],選擇VIM>0.04的值作為顯著影響因子。研究確定的成都市水資源安全顯著影響因子有:工業廢水排放量(VIM=0.058)、污水處理能力(VIM=0.057)、全年供水總量(VIM=0.053)、出生率(VIM=0.053)、第一產業(VIM=0.052)、地表水資源量(VIM=0.052)、常住人口(VIM=0.051)、GDP(VIM=0.049)、生產用水(VIM=0.046)、降水量(VIM=0.045)、地下水資源量(VIM=0.045)、第二產業(VIM=0.041)、死亡率(VIM=0.043),以及第三產業(VIM=0.04)共14個指標。

研究結果表明,這14個顯著影響因子能夠覆蓋水資源安全的3大屬性:自然屬性、社會經濟屬性與人文屬性。自然屬性有:全年供水量、地表水資源量、生產用水、降水量、地下水資源量;社會經濟屬性有:污水處理能力、出生率、常住人口、GDP、第一產業、第二產業、死亡率、第三產業;人文屬性包括:工業廢水排放量。這些因子從不同角度反映了影響成都市水資源安全的多維度因素。工業廢水排放量的高低直接影響水質安全,而污水處理能力的強弱則反映了城市應對水資源壓力的能力。

2.4 成都市水資源安全未來變化趨勢

基于GM(1,1)模型預測,2020-2026年成都市水資源安全指數預計將繼續逐年上升(圖2)。具體而言,2020-2023年成都市水資源安全等級預計將處于臨界安全狀態(Ⅲ級),而2024-2026年將提升至較安全狀態(Ⅱ級)。這一預測結果表明,盡管成都市在水資源安全方面取得了一定的進展,但在未來幾年中,仍需要繼續加強水資源管理和保護措施,以確保水資源安全的持續改善。

年份

3 討論

3.1 成都市水資源安全的動態變化

研究通過TOPSIS方法評估了成都市2010-2019年的水資源安全狀態,并使用GM(1,1)模型預測了2020-2026年的趨勢。結果顯示,過去10年,成都市水資源安全指數呈逐年上升趨勢。這一積極的變化反映了成都市在水資源管理和保護方面取得的顯著進展。特別是在城市規劃、水資源合理分配、污水處理能力提升等方面的努力,有效提高了水資源的可持續利用水平。預測表明:盡管水資源安全狀態會繼續改善,但仍需繼續加強水資源管理策略,以應對未來所面臨的挑戰。

3.2 顯著影響因子分析

通過隨機森林模型對成都市水資源安全影響因素進行顯著性分析,得出影響成都市水資源安全的顯著指標,包括全年供水量、地表水資源量及降水量等自然屬性因素;GDP、污水處理能力等社會經濟屬性因素;工業廢水排放量等人文屬性因素。這些指標反映了成都市水資源安全的多維度和復雜性,同時,也為制定針對性的水資源管理政策提供依據。其中,工業廢水排放量和污水處理能力表明城市化進程中的工業活動和城市基礎設施建設對水資源安全具有重大的影響,需要加強工業污染源的監管和處理。提高污水處理能力和效率對于保護水質和水生態至關重要。

3.3 水資源安全狀態預測

根據GM(1,1)模型預測,2020-2026年期間,成都市的水資源安全狀況將繼續改善,但面臨的挑戰依然存在。隨著城市化的快速發展和人口增長,水資源需求將持續增加。成都2010-2019年間,水資源安全指數一直呈現逐漸上升的趨勢,水資源安全逐年好轉。同時,相繼出臺的《四川省節水行動實施方案》《四川省節約用水辦法》《成都市節約用水管理條例》《成都市節約用水規劃(2021—2035年)》和《成都市節水行動2025》,明確到2025年,全市用水總量控制在66.7億m3以內,全市萬元GDP用水量控制在24 m3以內,萬元工業增加值用水量控制在12 m3以內,農田灌溉水有效利用系數提高到0.57以上,城鎮公共供水管網漏損率中心城區控制在9.5%以內、其余區(市)縣控制在10%以內。這是未來成都市水資源安全的積極保證,這也是未來幾年成都市將處于基本安全狀態的原因。因此,需要繼續執行和強化現有的節水政策和措施,如推廣節水技術、優化水資源配置、加強水資源保護區域的管控。

3.4 水資源安全保護政策與建議

研究結果基于現有數據與調控政策,為確保研究區水資源安全能夠持續維持基本安全與安全狀態,研究區現有調控政策應更加積極地穩固實施目前的政策和措施,從而實現水資源安全狀態的持續發展。具體應該注意以下幾點:

(1)加強水污染治理強度。通過增強工業廢水處理能力和執行更加嚴格的排放標準來減少水資源污染。

(2)提高水資源利用效率。推廣高效的水資源管理和使用計劃,如節水灌溉和循環利用系統等。

(3)提升公眾教育和意識。通過教育和宣傳活動提升公眾對水資源保護的認識。

4 結論

本研究通過綜合應用TOPSIS方法、隨機森林(RF)和GM(1,1)模型,對成都市2010-2019年的水資源安全狀態進行了評價,并基于這些分析預測了2020-2026年的水資源安全趨勢。研究得出以下主要結論:

(1)水資源安全狀態評價:2010-2019年間,成都市水資源安全指數總體呈現逐年上升趨勢。具體而言,2010-2014年期間,水資源安全等級多數時間處于Ⅳ級,即不安全狀態;2015-2017年期間,提升至Ⅲ級,即臨界安全狀態;2018-2019年,進一步提升至Ⅱ級,顯示出較安全狀態。

(2)顯著影響因子:通過隨機森林(RF)模型分析,識別出對成都市水資源安全有顯著影響的14個因子,這些因子的識別為成都市制定具體的水資源管理政策提供了科學依據。

(3)未來水資源安全趨勢:基于GM(1,1)模型的預測,2020-2026年期間,成都市水資源安全指數預計將持續上升。其中,2020-2023年將處于臨界安全狀態(Ⅲ級),而2024-2026年預計將提升至較安全狀態(Ⅱ級)。盡管成都市水資源安全狀態在未來幾年將繼續改善,但仍需繼續加強水資源管理和保護措施。

結論表明:成都市在水資源管理方面已取得一定成效,但仍面臨著持續的挑戰。未來,城市水資源管理需要關注工業廢水排放、污水處理能力和供水量等關鍵因子,以及應對人口增長和經濟發展帶來的水資源壓力。