基于RF与GM(1,1)的成都市水资源安全状态评价

陈思瑶,纪丁愈,曾云峰,李学明,张明超

(四川水利职业技术学院,四川 崇州 611231)

0 引言

水资源是国家重要战略资源之一,是生命之源、生产之基、生态之要[1]。在一定程度上,水资源安全已成为限制区域发展的重要因素之一。2015年《中共中央国务院关于加快推进生态文明建设的意见》中明确提出:“加强用水需求管理,以水定需、量水而行,抑制不合理用水需求,促进人口、经济等与水资源相均衡,建设节水型社会”,生态环境部印发的《“生态保护红线、环境质量底线、资源利用上线和环境准入负面清单”编制技术指南(试行)》也将水资源安全利用作为资源利用上线的重要组成部分。水资源安全是囊括自然、社会、经济、环境的一个复合且复杂的系统[2],而人类的密集活动使得城市的水资源安全更加难以分析。国内外学者从包括基本的水质水量特征、内在机理及单一指标等多个角度对水安全进行评价,当前,常见的评价方法有综合指数法、层次分析法、主成分分析法、模糊综合评判法、模糊物元模型、投影寻踪法、多目标决策分析及神经网络等[3-13]。

成都作为西部地区重要的中心城市,地处长江支流岷江及沱江流域,岷江及沱江干流穿越市境,水系发达,水质条件好。预计到2025年,成都将基本建成践行新发展理念的公园城市示范区。同时,第七次全国人口普查数据显示,成都市人口从2010年的1 511.8万人,增加到2 093.8万人,成为继北京、上海后又一个2 000万以上人口城市。城市经济的高速发展与人口的快速增长,水资源需求量也急剧上升,成都市水资源安全系统面临严峻挑战。本文以成都市作为研究对象,对成都市2010-2019年的水资源数据进行分析,运用TOPSIS法评估其水资源安全状况,并通过随机森林算法(RF)筛选出主要影响因素。随后,应用GM(1,1)模型对2020-2026年成都市水资源安全的未来趋势进行预测。研究结果不仅为成都市的水资源管理提供科学依据,提升水资源系统的安全水平,实现成都市水安全系统的良性循环与可持续发展,还可为其他类似的快速发展城市提供参考。

1 数据来源与研究方法

1.1 数据来源

研究选用“水安全”“水安全评价”“水资源评价”为篇名、关键词及摘要等3方面进行检索,时间涵盖2004-2018年,结合研究区特征,并考虑数据获取的难易程度,从而确定影响成都市水资源安全状态的指标。通过成都市统计年鉴与水资源公报等渠道获取研究所需数据。

1.2 研究方法

1.2.1 TOPSIS

TOPSIS方法是根据有限评价对象与理想化目标的接近程度进行排序的方法,是一种根据相似性优先级进行分类的理想解决方案。TOPSIS方法是可以在许多领域中使用的综合评估方法之一,例如收益评估、健康决策制定和健康服务管理等。用相同的趋势和标准化处理原始数据后,消除了指标之间由不同维度所带来的影响,充分利用了原始数据中所包含的信息,客观、真实地体现了不同评价对象之间的差异。由于TOPSIS方法的直觉性和可靠性的优势,以及对数据资料数量要求不高等优势,其应用正日益普及。与其他综合评价法相比,TOPSIS能够充分利用原始数据的信息,可根据数据内在特征进行评价,所以研究采用TOPSIS方法对成都市水资源安全状态进行评价。

(1)设计决策矩阵

假设评价对象m个,决策指标n个,则目标决策矩阵为:

(1)

本研究对成都市2010-2019年的水安全状态进行评价,因此,假设评价对象m为10个。决策指标为水资源安全影响因子的个数,本文根据文献计量统计结果进行决策指标n的设置。

(2)数据处理

第一步是进行无量纲化的处理,第二步是将优指标、适度指标进行正向处理:

(2)

本研究根据文献计量统计的结果及根据文献分析与研究区域相结合,确定指标属性即效益型指标、成本型指标和中间型指标,将指标进行正向化处理即将所有指标转化为极大型指标(效益型指标)。为了消除不同指标量纲的影响,对已经完成的正向化的数据进行标准化处理从而得到矩阵Y。

(3)正理想解与负理想解的确定

矩阵中的各列的最大值构成最优向量,最小值构成最劣向量:

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

(3)

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

(4)

本研究针对已经标准化后得到的矩阵根据加权欧几里得距离求得每列的最大值与最小值,从而确定矩阵Y+与矩阵Y-。

(4)理想解的距离

第i个评价对象与正理想解与负理想解的距离:

(5)

(6)

本研究根据所求矩阵Y+与矩阵Y-,计算每个评价对象与最大值和最小值之间的距离。

(5)计算理想解的贴近度

第i个对象的贴近度为:

(7)

本研究将计算求得的最大值和最小值,根据式(7)获取每个评价对象的理想解的贴近度,从而得到研究区域2010-2019年的水资源安全评价分值,从而确定成都市的水资源安全状况。

1.2.2 随机森林

随机森林(Random Forest,简称RF)实质是一种机器学习算法,基本单元是决策树,可以看成为CART决策树与Bagging算法相结合。利用Bagging算法,在训练集上生成不同的子训练集,从而建立对应的CART,由每个节点随机挑选特征变量完成节点分裂,采用投票法将分类结果进行投票,从而得到最后的分类结果(见图1)。变量重要性分数(VIM)是随机森林的重要产物之一,是影响因素在训练数据集中对目标变量的影响程度的直观反映。利用VIM可以实现显著影响因子的确定,去除无关或者不重要的因子,通过降维实现提高模型的训练速度与效果的目的。

图1 随机森林基本原理

将整体训练样本集的集合设为D,向量X表示影响水资源安全的25个因素的合计,并且X={X1,X2,…,Xj,…,X25|j={1,2,…,25}},对抽取训练样本集集合采用又放回的随机抽样生成K=10个子训练样本集,则第k个样本子集表示Dk|k=1,2,…,K,通过变量重要性分数对水资源安全的影响因素进行衡量。具体步骤为:

第一步:设k=1;

第六步:分别令k=1,2…,K,对其重复进行第二步到第五步的操作,得出各个子训练集对应下的扰动前后的分类正确率;

第七步:计算特征Xj的变量重要性分数;

第八步:对于j={1,2,…,25}重复上述步骤,得出所有变量重要性分数,输出重要性分数向量VIM={VIM1,VIM2,…,VIMj,…,VIM25}。

1.2.3 GM(1,1)模型

GM(1,1)模型即灰色系统模型,其不需要很多数据就能解决历时数据少、序列完整性及可靠性低的问题。白色是确定的已知的信息,黑色是未知的信息,而灰色系统介于两者之间,系统内部有一部分信息是已知的,一部分信息是未知的,并且系统内的各因素间的关系是不确定的。灰色预测首先通过关联分析来识别系统因素发展趋势的差异程度,通过对原始数据的生成处理找寻系统变化的规律,从而生成有较强规律性的数据序列,然后建立相应的微分方程模型,进而对事物未来的发展趋势进行预测。GM(1,1)模型能解决历史数据少、序列的完整性差、可靠性低的问题;通过微分方程对系统的本质进行充分挖掘,并且精度高;可以在不考虑分布规律及变化趋势的情况下,可将没有规律的原始数据生成规律性较强的生成序列,运算简便,易于检验。其建模过程如下:

第一步,设GM(1,1)原始序列为:

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

(8)

式中X(0)是正数序列,n是数据的样本个数。

本研究中,分别构建14个显著因子的原始序列集,每个原始序列集的样本个数为10个。

第二步,累加生成新数列X(1):

X(1)=X(1)(1),X(1)(2),…,X(1)(n)

(9)

其中:

(10)

本研究对这14个原始序列集累加生成14个生成序列。

第三步,定义一次累加序列X(1)生成的均值序列Z(1)为:

Z(1)=Z(1)(1),Z(1)(2),…,Z(1)(n)

(11)

式中,Z(1)(k)是序列X(1)相邻数据的平均值:

(12)

本研究分别将累加序列进行均值序列生成。

第四步,构建矩阵Y和矩阵B:

(13)

(14)

本研究分别对14个显著影响因子根据累加序列集和累加序列均值集确定矩阵B和Y。

第五步,根据矩阵B和Y,通过最小二乘法拟合得到参数a与b:

(15)

本研究分别求得每个显著影响因子集的a与b。

第六步,将a与b带入时间响应方程:

(16)

整理得到:

(17)

本研究确定每个显著影响因子的预测模型。

第七步,使用逆AGO(累加生成)递减得到原始数据在时间(k+1)时段的预测值。

(18)

本研究根据每个显著影响因子确定的预测模型对2020-2026年进行预测。

这3种方法的组合提供了一种全面和深入的评估手段。TOPSIS方法提供了一个综合评估框架,随机森林(RF)方法识别了主要影响因素,而GM(1,1)模型提供了对未来趋势的预测。这种多方法组合不仅增强了评估的准确性,也提供了更全面的视角来理解和应对成都市水资源安全的挑战。

2 结果分析

2.1 水资源安全影响因子集

结合研究区特征,并考虑数据获取的难易程度及影响因子的具体意义,建立成都市水资源安全的影响因子集,包括25个指标(见表1),该影响因子集作为影响因子全信息,用于成都水资源安全的TOPSIS评价。

表1 水资源安全的影响因子集

(1)自然属性有:地表水资源量、地下水资源量、人均水资源量、农田灌溉水有效利用系数、全年供水量,这些因子属于正向因子,越多越好,属于效益型指标;降雨量属于中间型指标,在一个区间内是最好的;从用水端考虑影响因子有生活用水、生产用水以及生态用水,这些因子属于负向因子,越少越好,属于成本型指标。

(2)社会经济属性有:常住人口、出生率、自然增长率、农村居民恩格尔系数、城镇居民恩格尔系数这五个因子属于负向因子,即越少越好,属于成本型指标;城镇居民家庭人均可支配收入、农村居民家庭人均可支配收入、死亡率、GDP、人均GDP、第一产业增加值、第二产业增加值、第三产业增加值、污水处理能力、污水处理率、污水管道长度属于正向因子,越多越好,属于效益型指标。

(3)人文属性有:城市绿化覆盖率属于正向因子,越多越好,属于效益型指标;工业废水排放量属于负向因子,越少越好,属于成本指标。

2.2 成都市2010-2019水资源安全状态评价

根据相关文献[14],确定水安全状态评价标准(见表2),TOPSIS评价结果(见表3)表明:成都市2010-2019年间水安全状态指数大体呈逐年提升趋势,表明成都市水资源安全逐年向好发展,水安全环境逐渐改善,水安全状态呈现三级阶段特征。第一阶段为2010-2014年,研究区水安全等级为Ⅳ级(除2011年外:水安全等级为Ⅲ),处于不安全状态;第二阶段为2015-2017年,研究区水安全等级为Ⅲ级,处于临界安全状态;第三阶段是2018-2019年,研究区水安全等级为Ⅱ级,处于较安全状态。

表2 水安全状态评价标准

表3 2010-2019年成都市水安全状况

2.3 显著影响因子提取

为进一步筛选出研究区影响水安全状况的重要影响因子,结合随机森林变量重要性分数对研究区水资源安全TOPSIS的评价结果作进一步分析。结合文献[15-18],选择VIM>0.04的值作为显著影响因子。研究确定的成都市水资源安全显著影响因子有:工业废水排放量(VIM=0.058)、污水处理能力(VIM=0.057)、全年供水总量(VIM=0.053)、出生率(VIM=0.053)、第一产业(VIM=0.052)、地表水资源量(VIM=0.052)、常住人口(VIM=0.051)、GDP(VIM=0.049)、生产用水(VIM=0.046)、降水量(VIM=0.045)、地下水资源量(VIM=0.045)、第二产业(VIM=0.041)、死亡率(VIM=0.043),以及第三产业(VIM=0.04)共14个指标。

研究结果表明,这14个显著影响因子能够覆盖水资源安全的3大属性:自然属性、社会经济属性与人文属性。自然属性有:全年供水量、地表水资源量、生产用水、降水量、地下水资源量;社会经济属性有:污水处理能力、出生率、常住人口、GDP、第一产业、第二产业、死亡率、第三产业;人文属性包括:工业废水排放量。这些因子从不同角度反映了影响成都市水资源安全的多维度因素。工业废水排放量的高低直接影响水质安全,而污水处理能力的强弱则反映了城市应对水资源压力的能力。

2.4 成都市水资源安全未来变化趋势

基于GM(1,1)模型预测,2020-2026年成都市水资源安全指数预计将继续逐年上升(图2)。具体而言,2020-2023年成都市水资源安全等级预计将处于临界安全状态(Ⅲ级),而2024-2026年将提升至较安全状态(Ⅱ级)。这一预测结果表明,尽管成都市在水资源安全方面取得了一定的进展,但在未来几年中,仍需要继续加强水资源管理和保护措施,以确保水资源安全的持续改善。

年份

3 讨论

3.1 成都市水资源安全的动态变化

研究通过TOPSIS方法评估了成都市2010-2019年的水资源安全状态,并使用GM(1,1)模型预测了2020-2026年的趋势。结果显示,过去10年,成都市水资源安全指数呈逐年上升趋势。这一积极的变化反映了成都市在水资源管理和保护方面取得的显著进展。特别是在城市规划、水资源合理分配、污水处理能力提升等方面的努力,有效提高了水资源的可持续利用水平。预测表明:尽管水资源安全状态会继续改善,但仍需继续加强水资源管理策略,以应对未来所面临的挑战。

3.2 显著影响因子分析

通过随机森林模型对成都市水资源安全影响因素进行显著性分析,得出影响成都市水资源安全的显著指标,包括全年供水量、地表水资源量及降水量等自然属性因素;GDP、污水处理能力等社会经济属性因素;工业废水排放量等人文属性因素。这些指标反映了成都市水资源安全的多维度和复杂性,同时,也为制定针对性的水资源管理政策提供依据。其中,工业废水排放量和污水处理能力表明城市化进程中的工业活动和城市基础设施建设对水资源安全具有重大的影响,需要加强工业污染源的监管和处理。提高污水处理能力和效率对于保护水质和水生态至关重要。

3.3 水资源安全状态预测

根据GM(1,1)模型预测,2020-2026年期间,成都市的水资源安全状况将继续改善,但面临的挑战依然存在。随着城市化的快速发展和人口增长,水资源需求将持续增加。成都2010-2019年间,水资源安全指数一直呈现逐渐上升的趋势,水资源安全逐年好转。同时,相继出台的《四川省节水行动实施方案》《四川省节约用水办法》《成都市节约用水管理条例》《成都市节约用水规划(2021—2035年)》和《成都市节水行动2025》,明确到2025年,全市用水总量控制在66.7亿m3以内,全市万元GDP用水量控制在24 m3以内,万元工业增加值用水量控制在12 m3以内,农田灌溉水有效利用系数提高到0.57以上,城镇公共供水管网漏损率中心城区控制在9.5%以内、其余区(市)县控制在10%以内。这是未来成都市水资源安全的积极保证,这也是未来几年成都市将处于基本安全状态的原因。因此,需要继续执行和强化现有的节水政策和措施,如推广节水技术、优化水资源配置、加强水资源保护区域的管控。

3.4 水资源安全保护政策与建议

研究结果基于现有数据与调控政策,为确保研究区水资源安全能够持续维持基本安全与安全状态,研究区现有调控政策应更加积极地稳固实施目前的政策和措施,从而实现水资源安全状态的持续发展。具体应该注意以下几点:

(1)加强水污染治理强度。通过增强工业废水处理能力和执行更加严格的排放标准来减少水资源污染。

(2)提高水资源利用效率。推广高效的水资源管理和使用计划,如节水灌溉和循环利用系统等。

(3)提升公众教育和意识。通过教育和宣传活动提升公众对水资源保护的认识。

4 结论

本研究通过综合应用TOPSIS方法、随机森林(RF)和GM(1,1)模型,对成都市2010-2019年的水资源安全状态进行了评价,并基于这些分析预测了2020-2026年的水资源安全趋势。研究得出以下主要结论:

(1)水资源安全状态评价:2010-2019年间,成都市水资源安全指数总体呈现逐年上升趋势。具体而言,2010-2014年期间,水资源安全等级多数时间处于Ⅳ级,即不安全状态;2015-2017年期间,提升至Ⅲ级,即临界安全状态;2018-2019年,进一步提升至Ⅱ级,显示出较安全状态。

(2)显著影响因子:通过随机森林(RF)模型分析,识别出对成都市水资源安全有显著影响的14个因子,这些因子的识别为成都市制定具体的水资源管理政策提供了科学依据。

(3)未来水资源安全趋势:基于GM(1,1)模型的预测,2020-2026年期间,成都市水资源安全指数预计将持续上升。其中,2020-2023年将处于临界安全状态(Ⅲ级),而2024-2026年预计将提升至较安全状态(Ⅱ级)。尽管成都市水资源安全状态在未来几年将继续改善,但仍需继续加强水资源管理和保护措施。

结论表明:成都市在水资源管理方面已取得一定成效,但仍面临着持续的挑战。未来,城市水资源管理需要关注工业废水排放、污水处理能力和供水量等关键因子,以及应对人口增长和经济发展带来的水资源压力。