摘要：通過對國內外現(xiàn)有的水資源需求來展開具體的預測和分析發(fā)現(xiàn)：在研究方向上，近些年國外研究方向向城市、樓宇等小空間尺度轉移，國內向生態(tài)等國人關注方向轉移;在研究方法上，都出現(xiàn)傳統(tǒng)方法和人工智能及大數(shù)據(jù)等技術相融合的特點。但也存在一些問題：所收集數(shù)據(jù)可靠性不足;對用水需求的多驅動因子考慮不足;對實際生產中供水能力考慮不足。同時對未來相關研究趨勢進行了預測：多學科融合更加深入;關于生態(tài)用水進一步加大需求量;將采用大數(shù)據(jù)及人工智能兩者結合手段。

關鍵詞：水資源;需求預測;生態(tài);城市化;人工智能

中圖分類號：S-1文獻標識碼：ADOI：10.19754/j.nyyjs.20200115014

收稿日期：2019-11-11

作者簡介：楊少康（1993-），男，碩士。研究方向：節(jié)水灌溉的理論與技術。

水是人們賴以生存的根本，同時也是自然界非常珍貴的資源。伴隨著世界人口的不斷增長、經濟的不斷飛躍發(fā)展，人們對于水的需求量也越來越大，造成了水資源的嚴重短缺和匱乏，這就導致水資源的供需矛盾越來越緊張。因此，對水資源的需求進行預測已成為各個國家和地區(qū)進行水資源規(guī)劃的主要任務之一?；诖朔N情況，筆者對歷史上有關國內外的水資源文獻進行了梳理和總結歸納，針對有關水資源需求的預測進行了細致認真的分析，得出了具體的結論。在研究的過程中發(fā)生了一些問題，筆者針對這些問題給出了具體的解決方案，并針對未來有關水資源的需求預測發(fā)表了自己的一些淺見。

1國內外需水預測研究

1.1國外需水預測研究

世界上首次關于國家水資源的細分評估是在1968年的美國完成的，此次評估中進行了美國水資源當前狀況的相關研究和預測，并且做出了有關需水量的預估分析結果。結論提出，預計在2000年、2020年的總需水量會是1965年所有需水量的2倍和4.07倍。在1975年，美國考慮到如此大量的需水量已經不能實現(xiàn)水資源的可持續(xù)利用，所以在接下來的研究結論中，融入了有關水污染和節(jié)約用水的相關報告，報告中得出的結論與實際的美國用水需求量十分接近。日本從1960年初，就已經將水資源的預測列入國土規(guī)劃項目，并且10a做1次預測分析。蘇格蘭自20世紀70年代起，在1973、1984、1994年分別做了水資源的3次規(guī)劃工作，并且在最后1次的計劃實施中，將需水量的預測和實際數(shù)值進行了分析和對比，結果與實際情況非常接近[1]。

2003年，Joseph等人建立了WaterGAP2用水模型，分別預測生活、農業(yè)、工業(yè)需水量，將生活用水過程用Sigmoid曲線表示，工業(yè)用水過程用雙曲線表示[2]。2014年Ji Young Kim等人開發(fā)了一種需求預測模擬器，采用多層感知開發(fā)了1個需求預測模塊和1個供應設施運行仿真模塊來實施多種水資源的需求預測[3]。

2017年，K.Rathnayaka等人針對城市住宅需水提出了1種涵蓋多重時空尺度的隨機模型，該模型可對城市住宅最終用水需求進行預測[4]。2018年Praveen Vijai等人集合了人工神經網絡（ANN）、深度神經網絡等技術 （DNN）、極限學習機（ELM）、最小二乘支持向量機（LSSVM）、高斯過程回歸（GPR）、 隨機森林（RF）和多元回歸方法建立模型，并展現(xiàn)出了良好的性能[5]。Hui Wang等人將螢火蟲算法這一群體智能算法引入水資源預測實踐中，成功地解決了多種實際工程問題[6]。Salah L. Zubaidi等人針對市政水務基礎設施建設，通過評估氣候因素，結合預處理信號技術、混合粒子群優(yōu)化算法、奇異譜分析（SSA）技術和人工神經網絡（PSO-ANN）等技術對6個氣象變量的耗水量進行分解和重構，得到了一種可靠的水資源需求預測模型，同時該模型也揭示了氣候變量是人類對水資源的需求變化的重要驅動因子[7]。2019年Li Tianhong等人建立了城市水循環(huán)系統(tǒng)動力學模型，研究了整個水循環(huán)在社會-經濟-生態(tài)系統(tǒng)中的相互作用，并對未來城市水需求進行了模擬預測[8]。Rafael Gonzalez Perea等人針對農業(yè)短期用水需求預測問題，結合大數(shù)據(jù)和信息通信技術（ICT）、貝葉斯框架與遺傳算法（GA）通過耦合動態(tài)人工神經網絡（ANN）結構開發(fā)了新的模型，并預估了日灌溉的供水數(shù)量[9]。

近些年國外水資源需求預測方面的相關研究主要有以下特點：針對城市、市政、樓宇住宅等小尺度范圍的研究成為熱點[4， 6-8];人工智能和大數(shù)據(jù)等技術充分融合，建立了性能更好、精度更高的數(shù)學模型[5-7， 9]。

1.2國內需水預測研究

伴隨著我國水資源開發(fā)，我國需水預測研究大致分為以下幾個階段[10， 11]。

1.2.11950年之前

此時期的中國在農業(yè)生產方面非常落后，工業(yè)等其它行業(yè)的底子十分淺薄，沒有雄厚的基礎，農業(yè)生產用水供應不足，主要都采用天然降水的手段進行生產，城市的供水也非常緊缺，國內在供水預測方面的工作也一直沒有開展和推行。

1.2.220世紀60年代中后期

此時期處于新中國剛剛成立不久，基礎建設實力不強，農業(yè)在大力發(fā)展的同時，需水量也在不斷增加，當時的農業(yè)需水量較之前增加了2倍多，其它行業(yè)的用水需求量不是十分明顯。因此，這一階段的用水預測主要還是集中在農業(yè)灌溉方面的研究。

1.2.320世紀60年代中期—20世紀70年代后期

此時期農業(yè)得到了廣泛的發(fā)展，土地的灌溉導致用水需求量急劇加大，工業(yè)建設也較為突出，城市居民的用水需求量也顯著提升，用水需求量較之以前有了明顯的增多，所以國家開始注重用水預測工作的推行，雖然已經開始重視了預測的重要性，但是由于技術等其他原因，很多工作沒有深入的開展。除了在農業(yè)用水方面進行了預測以外，其它用水基本都采用的粗略預估。

1.2.420世紀80年代—2005年前后

此時期的中國已經發(fā)生了翻天覆地的變化，農業(yè)、工業(yè)、城市建設等都在不斷快速的發(fā)展，全國總用水量都在不斷的提升，水資源的供需矛盾也在不斷加劇，城市用水和工業(yè)發(fā)展用水形成了劍拔弩張的態(tài)勢，城市和工業(yè)發(fā)展都在搶占農業(yè)的水資源，國家各個相關部門已經開始關注水資源的預測問題，并在這一時期開始進行大量的預測工作，并將預測的實際結果應用到實際工作中[12-15]。

1.2.52005年至今

隨著人工智能和大數(shù)據(jù)等技術的應用，一些人工智能的模型被應用到水資源需求預測上面[16-19]。張靈等人[16]結合需水預測中的高維非線性和非正態(tài)問題，采用投影尋蹤技術設立搭建了需水預測模型，運用免疫進化算法進行選取模型中的相關參數(shù)，這種方式方便于計算，預測的結果也較容易實現(xiàn)，同時表現(xiàn)出了較強適用性。符傳君等人[17]搭建了 GM灰色理論模型，展開了針對海口市的工業(yè)、農業(yè)、第三產業(yè)發(fā)展及人口增長趨勢的預測分析，通過分析結構，實現(xiàn)了灰色理論與神經網絡的有機結合。王堅[19]采用了模糊反饋法進行直接改進熵值法，通過此種方法來確定組合模型的加權系數(shù)，通過引進反饋和演化機制手段，能夠讓使用者通過調整求解精度以控制算法的收斂速度。

同時，生態(tài)需水預測也越來越受到相關領域學者的重視[20-26]。任麗軍等人[21]應用了聯(lián)合國法和線性分析法來針對山東省的城市用水、生活用水、工業(yè)用水和生態(tài)用水等進行了預測和研究，學者根據(jù)預測得到的相關結果，旨在給山東省的城市水資源可持續(xù)利用提供了一些解決策略和相應的建議。王艷菊等人[22]研究了新鄭市當?shù)氐囊恍┯盟匦?，選用了3種經濟建設發(fā)展策略進行分析，針對當前的用水需求量和城市用水現(xiàn)狀，確定了一套切實可行的用水方案。王文君等人[24]研究了黃河三角洲生態(tài)經濟區(qū)的用水現(xiàn)狀，結合相關結論分析的前提之上，結合生活用水、工業(yè)用水和生態(tài)用水3個方面展開三角洲城市用水的預測工作。

近些年國內水資源需求預測方面的相關研究主要有以下2個特點：人工智能技術被逐步引入到預測模型建立中[16-19];生態(tài)需水預測成為熱點[20-26]。但是同國外研究相比，在人工智能和大數(shù)據(jù)融合以及城市、樓宇等小尺度研究等方面還存在差距。

2現(xiàn)階段國內外研究存在問題

水資源需求預測的各種方法都有優(yōu)缺點，但總的來說，研究的預測結果都會比實際的需水量值偏大，分析具體的原因，可以得出以下幾點因素。

2.1歷史數(shù)據(jù)存在偏差

預測所需要的基礎數(shù)值都來源于以往的歷史數(shù)據(jù)，因為過去的數(shù)據(jù)存在一定的偏差，與實際數(shù)值有較大出入，導致預測結果與實際有誤差。

2.2關于水資源需求量的增長有一定的時期和階段性

用水需求也因為水利工程條件、水價以及節(jié)水方面因素的限制，存在浮動，而且國外的一些地方用水零增長、負增長的實例已證實了這點。

2.3對水資源的供給能力約束力分析不足

考慮水資源的供需關系，應該結合實際情況來綜合分析。國外許多地方就是在公開供水能力的前提下進行需水預測。假如開展無約束的用水預估分析，就會導致預測的結果過大。

3水資源需求預測研究的發(fā)展趨勢

在進行了具體的水資源用水預測研究之后，本文針對發(fā)現(xiàn)的問題給出了一定的分析意見和看法。

水資源的預測和分析涉及到的學科眾多，涵蓋的方面也較廣，雖然在部分領域獲得了一定的研究成果，但是作為一門完整的學科我國至今仍沒有建立成熟，水資源需求分析的理論體系與方法論研究仍待進一步發(fā)展。

水資源需求預測受國家用水政策、節(jié)水型社會發(fā)展水平等影響，隨著節(jié)水技術的快速提高，其用水彈性很大，故需要在研究節(jié)水潛力和用水彈性的前提下進一步進行水資源需求預測研究，并得出二者之間的聯(lián)系。

生態(tài)需水在水資源規(guī)劃中的比重逐漸加強，而關于生態(tài)需水預測方法尚未有完善的理論，同時對生態(tài)需水的量化仍需進一步研究。

如今人工智能和大數(shù)據(jù)技術得到了廣泛的應用，人工智能和大數(shù)據(jù)技術如何更好地服務于新形勢下水資源需求預測，也需要更深入探討。

參考文獻

[1] Anderson. Demands and Resource for Publid Water Supplies in Soctland from 1991 to 2016[J]. Water International， 1997，11（3）：164-169.

[2]Joseph Alcomo Petra Doll. Development and Testing of the Water GAP2 golbal model of Water Use and Availability[J]. Hydrological Sciences， 2003，48（3）：317-337.

[3]Kim Ji Young， Jung Jin Hong， Yoon Young H.， et al. Development of Demand Prediction Simulator Based on Multiple Water Resources[J]. APCBEE Procedia， 2014（10）：224-228.

[4]Rathnayaka K.， Malano H.， Arora M.， et al. Prediction of urban residential end-use water demands by integrating known and unknown water demand drivers at multiple scales II： Model application and validation[J]. Resources， Conservation and Recycling， 2017（118）：1-12.

[5]Vijai Praveen， Bagavathi Sivakumar P. Performance comparison of techniques for water demand forecasting[J]. Procedia Computer Science， 2018（143）：258-266.

[6]Wang Hui， Wang Wenjun， Cui Zhihua， et al. A new dynamic firefly algorithm for demand estimation of water resources[J]. Information Sciences， 2018（438）：95-106.

[7]Zubaidi Salah L.， Dooley Jayne， Alkhaddar Rafid M.， et al. A Novel approach for predicting monthly water demand by combining singular spectrum analysis with neural networks[J]. Journal of Hydrology， 2018（561）：136-145.

[8]Li Tianhong， Yang Songnan， Tan Mingxin. Simulation and optimization of water supply and demand balance in Shenzhen： A system dynamics approach[J]. Journal of Cleaner Production， 2019（207）：882-893.

[9]González Perea Rafael， Camacho Poyato Emilio， Montesinos Pilar， et al. Optimisation of water demand forecasting by artificial intelligence with short data sets[J]. Biosystems Engineering， 2019（177）：59-66.

[10]傅金祥， 馬興冠. 水資源需求預測及存在的主要問題探討[J]. 中國給水排水， 2002（10）：27-29.

[11]賀麗媛， 夏軍， 張利平. 水資源需求預測的研究現(xiàn)狀及發(fā)展趨勢[J]. 長江科學院院報， 2007（01）：61-64.

[12]姚建文， 王建生， 徐子愷. 21世紀中葉中國需水展望[J]. 水科學進展， 1999，10（2）：190-194.

[13]賈紹鳳， 張士鋒， 紅楊， 等. 工業(yè)用水與經濟發(fā)展的關系——用水庫茲涅茨曲線[J]. 自然資源學報， 2004，19（3）：279-284.

[14]敬明光， 葉文濤， 儲嘉康. 寧波市水資源需求預測[J]. 水利規(guī)劃設計， 2002（01）：30-35.

[15]鮑衛(wèi)鋒， 黃介生， 謝華. 西北干旱區(qū)水資源需求預測方法與態(tài)勢分析——以陜西省延安市為例[J]. 干旱區(qū)地理， 2006（01）：29-34.

[16]張靈， 陳曉宏， 劉丙軍， 等. 免疫進化算法和投影尋蹤耦合的水資源需求預測[J]. 自然資源學報， 2009，24（02）：328-334.

[17]符傳君. 基于灰色理論和神經網絡的?？谑兴Y源需求預測分析[J]. 水資源與水工程學報， 2010，21（5）：96-98.

[18]柴文佳. 基于灰色模型的華北六?。ㄊ校﹨^(qū)農業(yè)水資源需求量預測研究[D]. 石家莊：河北經貿大學， 2012.

[19]王堅. 基于改進組合神經網絡的水資源預測研究[J]. 計算機科學， 2016，43（01）：516-517.

[20]胡惠方. 鄭州市需水量驅動因子及水資源需求預測分析[D]. 鄭州：鄭州大學， 2007.

[21]任麗軍， 袁存超， 崔兆杰. 山東省城市化對水資源需求預測研究[J]. 山東大學學報（理學版）， 2008（09）：27-30.

[22]王艷菊， 管新建， 沈凱， 等. 新鄭市水資源需求預測研究[J]. 水土保持通報， 2010，30（06）：208-213.

[23]陳興科， 盧天文. 貴州工業(yè)強省戰(zhàn)略水資源需求預測與對策建議[J]. 人民長江， 2012，43（02）：33-35.

[24]王文君， 任麗軍. 黃三角高效生態(tài)經濟區(qū)城市水資源需求預測[J]. 人民黃河， 2012，34（01）：38-41.

[25]賀麗媛， 蘇柳， 賈冬梅， 等. 鄂爾多斯市水資源需求預測研究[J]. 人民黃河， 2014，36（09）：59-61.

[26]高齊圣， 路蘭. 中國水資源長期需求預測及地區(qū)差異性分析[J]. 干旱區(qū)資源與環(huán)境， 2016，30（01）：90-94.

（責任編輯李媛媛）