樊紅梅，劉曉民，王文娟，陳瓊

基于多種方法的“以電折水”系數(shù)研究

樊紅梅1, 2，劉曉民1*，王文娟2，陳瓊1

（1.內(nèi)蒙古農(nóng)業(yè)大學 水利與土木建筑工程學院，呼和浩特 010018；2.內(nèi)蒙古金華源環(huán)境資源工程咨詢有限責任公司，呼和浩特 010020）

【】針對目前我國農(nóng)業(yè)用水占比高、計量監(jiān)測難度大等問題，引入“以電折水”方法計量農(nóng)業(yè)用水，推進解決農(nóng)業(yè)用水的計量和核算問題。以內(nèi)蒙古通遼市科爾沁區(qū)為例，采用平均值預測、多元線性回歸模型、BP神經(jīng)網(wǎng)絡模型3種方法對“以電折水”系數(shù)進行預測分析，并選用平均相對誤差（）、均方根誤差（）、決定性系數(shù)（2）對上述3種模型比較優(yōu)選。“以電折水”系數(shù)平均值預測誤差平均為7.40%，預測值與實測值擬合效果較差；多元線性回歸模型預測誤差平均為2.40%，預測值與實測值擬合效果較好；BP神經(jīng)網(wǎng)絡模型預測誤差平均值為1.65%，預測值與實測值擬合效果最好。多元線性回歸模型和BP神經(jīng)網(wǎng)絡模型的、、2分別為0.024、0.175、0.923和0.018、0.131、0.957。多元線性回歸模型預測精度較好，BP神經(jīng)網(wǎng)絡模型預測精度最好，平均值預測模型預測精度最差。

“以電折水”系數(shù)；平均值預測；多元線性回歸；BP神經(jīng)網(wǎng)絡

0 引 言

【研究意義】農(nóng)業(yè)是我國最大的經(jīng)濟社會用水部門，農(nóng)業(yè)用水量長期占全國經(jīng)濟社會用水量的70%左右[1]。由于水資源稟賦條件影響，北方地區(qū)的農(nóng)業(yè)用水主要依靠地下水作為供水水源。因此，農(nóng)業(yè)用水管理的主要問題和首要難點是解決農(nóng)業(yè)用水—特別是農(nóng)業(yè)地下水取水的計量和核算問題[2]。由于農(nóng)業(yè)灌溉井數(shù)量龐大且分布廣泛，其用水監(jiān)測難度較大，全部采用水表方式進行計量存在一次性投入工作量大、成本高和后期長效管理難等客觀問題[3]。所以解決農(nóng)業(yè)用水計量問題，對我國水資源開發(fā)利用具有重要意義?！狙芯窟M展】近年來，根據(jù)農(nóng)業(yè)用水的特點及用水過程中存在的問題，河北省、北京市、天津市等多地提出“以電折水”的方法計量農(nóng)業(yè)用水量。王向飛等[4]、王西琴等[5]通過選取典型井測試其出水量與耗電量確定“以電折水”系數(shù)，并以此推算了農(nóng)業(yè)灌溉地下水開采量。陳彩明等[6]通過選取9臺典型泵站率定了浙江省嘉興市南湖灌區(qū)的“以電折水”系數(shù)。陳衛(wèi)國[7]對天津市248眼典型井現(xiàn)場測試計算了“以電折水”系數(shù)，并對比分析與額定“以電折水”系數(shù)的關系。王劍永[8]、梁雪麗等[9]指出水泵自身特性、地下水埋深變化、農(nóng)村電網(wǎng)變化、不同灌溉方式等都會對“以電折水”系數(shù)產(chǎn)生一定程度的影響。岳士茹等[10]針對“以電折水”系數(shù)計算的復雜性，提出了一種基于支持向量機的“以電折水”系數(shù)計算方法。

【切入點】已有研究多是通過布設典型灌溉井，實測用水量與用電量直接推算了“以電折水”系數(shù)的大小，采用數(shù)學模型并綜合考慮其影響因素對“以電折水”系數(shù)進行預測模擬的相關研究較少?！緮M解決的關鍵問題】鑒于此，以內(nèi)蒙古通遼市科爾沁區(qū)為研究區(qū)，采用平均值預測、多元線性回歸模型、BP神經(jīng)網(wǎng)絡模型3種方法對“以電折水”系數(shù)進行預測模擬，通過多種方法對“以電折水”系數(shù)進行計算，期望為“以電折水”的應用提供技術支撐及參考方法。

1 材料與方法

1.1 研究區(qū)概況

科爾沁區(qū)位于西遼河流域中下游（圖1），水資源自然稟賦不足且時空分布不均，近年來隨著經(jīng)濟社會的快速發(fā)展和灌溉面積的無序擴張，大量開采利用地下水，造成地下水位持續(xù)下降，河道斷流等一系列生態(tài)問題。據(jù)統(tǒng)計，1990年科爾沁區(qū)有1.32萬眼農(nóng)業(yè)灌溉井，2019年增加為2.28萬眼，而安裝計量設施的5 300眼左右，僅占農(nóng)業(yè)灌溉井的23.3%。主要種植作物為玉米，灌溉方式有大水漫灌、管灌、噴灌，滴灌等，灌溉面積由1990年9.9萬hm2增加到2019年16.129萬hm2。科爾沁區(qū)近些年來農(nóng)業(yè)用水常用的統(tǒng)計方法是“定額法”和“以點帶面法”，這2種方法主要是通過典型調(diào)查、樣點灌區(qū)試驗獲取用水指標及灌溉水利用系數(shù)，進而推算用水總量，由于典型調(diào)查及樣點灌區(qū)數(shù)量較少，統(tǒng)計精度難以保證。

1.2 試驗方案

1.2.1 測試分區(qū)劃定

研究區(qū)處于同一水文地質(zhì)單元，且采用“以電折水”系數(shù)結合灌溉用電量來估算區(qū)域農(nóng)業(yè)用水量，所以經(jīng)綜合考慮，以鄉(xiāng)鎮(zhèn)為基本單元，劃定12個測試分區(qū)。調(diào)研摸清各測試分區(qū)的基本情況，包括農(nóng)業(yè)灌溉井數(shù)量、抽水水泵型號、計量設施、灌溉方式、灌溉面積、水文地質(zhì)條件、地下水埋深等。

1.2.2 典型井選取

綜合考慮各測試分區(qū)內(nèi)不同地下水埋深、取水條件、水泵型號、種植結構、灌溉方式等因素，按照均勻分布的原則，選取544眼典型灌溉井進行“以電折水”系數(shù)實地測試。各測試分區(qū)內(nèi)每5眼典型灌溉井選擇1眼作為驗證樣本井，其余作為訓練樣本井。典型灌溉井分布見圖1、表1。

圖1 研究區(qū)地理位置及典型灌溉井分布

表1 研究區(qū)典型灌溉井分布

1.2.3 觀測指標與方法

1）基本信息調(diào)查

對所選的典型農(nóng)業(yè)灌溉井進行信息采集，采集內(nèi)容主要包括：灌溉井地理位置、井深、開采層位、井徑、井齡等機井信息；水泵型號（功率、揚程、流量）、泵齡、下泵深度等水泵信息；灌溉方式、控制面積、主要作物等灌溉信息。

2）埋深、井深測量

采用測繩對典型灌溉井的地下水埋深、井深進行測量。

3）出水量測量

采用手持式超聲波流量計并結合已安裝計量設施對典型灌溉井出水量進行測量，開泵30 min待出水量穩(wěn)定后開始測定出水量，每隔10 min讀取1個出水量數(shù)值，連續(xù)測定24 h。

4）用電量測量

采用典型灌溉井安裝的電表直接讀取用電量，與出水量同步讀取用電量數(shù)值，連續(xù)測定24 h。

1.3 研究方法

根據(jù)各測試分區(qū)典型灌溉井的實測數(shù)據(jù)，以訓練樣本井數(shù)據(jù)建立數(shù)學模型對“以電折水”系數(shù)進行預測，分析與實測值對比的誤差情況，選用、、2優(yōu)選模型，并以驗證樣本井數(shù)據(jù)對最優(yōu)模型進行預測精度驗證。本文主要采用3種數(shù)學模型：平均值預測、多元回歸模型以及BP神經(jīng)網(wǎng)絡模型。

1.3.1 平均值預測

平均值預測是指利用過去實際發(fā)生的變動資料求得平均值，作為下期的預測值。

1.3.2 多元線性回歸模型

多元線性回歸模型是分析多個變量之間的線性或非線性的一種數(shù)學模型，是選取多個變量作為自變量，一個變量作為因變量，并模擬分析他們之間的相關關系的一種統(tǒng)計分析方法，其表達式為：

01122……+βx+ε， （1）

采用最小二乘法對上式中的待估回歸系數(shù)1，2，……，β進行估計，求得值，并對模型進行擬合，若模型擬合越好，則預測的變量越接近實際值。

圖2 BP神經(jīng)網(wǎng)絡的拓撲結構圖

1.3.3 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播算法訓練的多層前饋網(wǎng)絡，采用最速下降法，通過反向傳播算法不斷調(diào)整網(wǎng)格權值和閾值，使網(wǎng)絡的誤差平方和最小，使輸出值盡可能與期望值接近[11]。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層、隱層、輸出層（圖2）。

1.3.4 模型評價指標

本文選用2作為模型的評價標準[12～13]，均反映實測值與模型預測值之間差異程度，越接近0，說明模型預測的效果越好；2反映實測值與預測值之間的相關程度，2越接近1，說明預測值對實測值的解釋程度越高。計算式為：

2 結果與分析

2.1 相關性分析

根據(jù)各測試分區(qū)典型灌溉井的實測數(shù)據(jù)，選取地下水埋深、井齡、泵齡、井深、灌溉方式（滴灌取為1，噴灌取為2，管灌取為3，大水漫灌取為4）、水泵額定功率、揚程、流量與“以電折水”系數(shù)做相關性分析（表2、圖3）?？梢钥闯觯叵滤裆?、井齡、泵齡、井深、額定揚程與“以電折水”系數(shù)呈負相關；灌溉方式、額定功率、額定流量呈正相關。地下水埋深、泵齡、灌溉方式與“以電折水”系數(shù)相關性較好；井齡、井深相關性一般；水泵額定功率、揚程、流量相關性較差。

圖3 測試分區(qū)Ⅰ“以電折水”系數(shù)與影響因素相關性分析

2.2 平均值預測

以各測試分區(qū)訓練樣本井“以電折水”系數(shù)的平均值作為預測值，與實測值對比的誤差情況見表3。

表3 平均值預測誤差表

由表3可知，研究區(qū)預測誤差最大值為35.33%，最小值為0.04%，平均值為7.40%，平均值預測誤差較大，擬合效果較差。

2.3 多元線性回歸模型

根據(jù)上述“以電折水”系數(shù)的與影響因素的相關性分析，地下水埋深、泵齡、灌溉方式與“以電折水”系數(shù)相關性較好，并且地下水埋深越大，水泵使用的時間越長，“以電折水”系數(shù)越小，不同灌溉方式對“以電折水”系數(shù)影響也較大，所以以各測試分區(qū)訓練樣本井的地下水埋深（1）、泵齡（2）、灌溉方式（3）為自變量，“以電折水”系數(shù)為因變量（），建立多元線性回歸模型：

123。 （5）

多元回歸模型回歸公式、決定參數(shù)及顯著性檢驗見表4，多元歸回預測值與實測值對比的誤差情況見表5，預測效果見圖4。

由表5可知，研究區(qū)預測誤差最大值為13.41%，最小值為0.01%，平均值為2.40%，多元線性回歸預測誤差較小。由圖4可知，預測值與實測值擬合效果較好，少數(shù)典型井預測值與實際值誤差較顯著。

表4 多元回歸模型結果

表5 多元回歸模型預測誤差表

圖4 多元回歸模型預測效果圖

2.4 BP神經(jīng)網(wǎng)絡模型

以各測試分區(qū)訓練樣本井的地下水埋深、井齡、泵齡、井深、灌溉方式為輸入項，以“以電折水”系數(shù)為輸出項，建立BP神經(jīng)網(wǎng)絡模型對“以電折水”系數(shù)進行預測。模型最小訓練速率為0.1，動態(tài)參數(shù)為0.6，參數(shù)sigmoid為0.9，允許誤差為0.000 1，最大迭代次數(shù)為1 000，采用3層網(wǎng)絡結構，輸入單元數(shù)為5，輸出單元數(shù)為1，隱含層單元數(shù)根據(jù)“試錯法”確定，經(jīng)試算，隱含層單元數(shù)6時訓練效果較好。預測值與實測值對比的誤差情況見表6，BP神經(jīng)網(wǎng)絡模型預測效果見圖5。

由表6可知，研究區(qū)預測誤差最大值為11.28%，最小值為0.01%，平均值為1.65%，BP神經(jīng)網(wǎng)絡模型預測誤差較?。挥蓤D5可知，預測值與實測值擬合效果較好。

圖5 BP神經(jīng)網(wǎng)絡模型預測效果圖

表6 BP神經(jīng)網(wǎng)絡模型預測誤差表

2.5 模型比較與驗證

對上述3種模型計算平均相對誤差（）、均方根誤差（）、決定性系數(shù)（2）進行預測精度對比分析（表7）。

表7 多種方法預測精度對比

由表7可知，平均值預測精度最差，最大，說明實測值與預測值之間誤差最大，不具有可靠性；2最小，說明實測值與預測值的相關程度最差。平均值預測計算簡單，但容易受極大、極小值的影響，預測精度較低。當區(qū)域內(nèi)“以電折水”系數(shù)波動較小且無法獲得其影響因素時可采用該方法進行預測。

多元線性回歸模型預測精度較好，較小，說明實測值與模型預測值之間誤差較??；2較大，說明實測值與預測值的相關程度較好。多元線性回歸模型可以建立多組變量間的線性因果關系，便于分析，但忽略了交互效應和非線性的因果關系。當已知地下水埋深、泵齡、灌溉方式等影響“以電折水”系數(shù)的因素且實測樣本較多時可采用多元線性回歸模型進行預測。

BP神經(jīng)網(wǎng)絡模型預測精度最好，最小，說明實測值與模型預測值之間誤差最??；2最大，說明實測值與預測值的相關程度最好。BP神經(jīng)網(wǎng)絡模型具有較強的非線性映射能力，能夠逼近任何非線性連續(xù)函數(shù)，所以實測樣本較多且獲得“以電折水”系數(shù)影響因素時采用BP神經(jīng)網(wǎng)絡模型預測效果最好。

以各測試分區(qū)驗證樣本井數(shù)據(jù)對BP神經(jīng)網(wǎng)絡模型進行預測精度驗證，結果見表8。

表8 BP神經(jīng)網(wǎng)絡模型預測精度驗證

由表8可知，BP神經(jīng)網(wǎng)絡模型驗證效果較好，各測試分區(qū)相對誤差均小于5%，說明擬合效果較好；均較小，說明實測值與預測值之間差異程度較??；2均較大，說明預測值對實測值的解釋程度較高。在實際應用中，“以電折水”系數(shù)影響因素較多，雖然BP神經(jīng)網(wǎng)絡模型預測精度最好，但其缺乏物理機制，可能導致預測結果不穩(wěn)定，所以也可以通過變換不同的自變量采用多元回歸模型進行預測模擬。

3 討 論

“以電折水”系數(shù)受多種因素影響，根據(jù)能量守恒定律，在耗能一定的情況下，水泵揚程與流量呈反比關系；農(nóng)業(yè)灌溉井的深度一般與地下水埋深有一定的聯(lián)系，地下水埋深比較大的區(qū)域機井一般較深，其對應的“以電折水”系數(shù)相對較小。尹世洋等[14]在北京市平原區(qū)進行“以電折水”系數(shù)影響因素分析，得出地下水埋深越小、含水層富水性越好的區(qū)域“以電折水”系數(shù)越大，本文與其研究結果一致。農(nóng)業(yè)灌溉井、水泵年齡越大，說明使用的時間越長，且設施老化越嚴重，則機井出水量就會減少，其相應的“以電折水”系數(shù)也會減小，所以井齡、泵齡與“以電折水”系數(shù)呈負相關，岳士茹等[10]在河北省平原區(qū)進行“以電折水”研究也得到相同的結果。不同灌溉方式下灌溉系統(tǒng)壓力不同，水泵工作環(huán)境也不同，對應的“以電折水”系數(shù)的大小也不同，梁雪麗等[9]也證明了“以電折水”系數(shù)大小與灌溉系統(tǒng)壓力呈負相關。

本文采用平均值預測、多元線性回歸模型、BP神經(jīng)網(wǎng)絡模型3種方法對“以電折水”系數(shù)進行預測模擬，由于“以電折水”系數(shù)受多種因素影響，所以每一眼農(nóng)業(yè)灌溉井的“以電折水”系數(shù)大小不一，故采用各測試分區(qū)平均值代替每眼井的“以電折水”系數(shù)會有較大誤差[8]。多元線性回歸模型與BP神經(jīng)網(wǎng)絡模型考慮了“以電折水”系數(shù)影響因素對其進行預測，故誤差較小，擬合效果較好。

多元線性回歸模型利用線性來擬合多個自變量和因變量的關系，確定多元線性回歸模型的參數(shù)，從而回歸至原假設方程中，通過回歸方程來預測因變量的趨勢。BP神經(jīng)網(wǎng)絡模型具有良好的非線性映射逼近性能，用于構建變量間的非線性模型，可以處理復雜空間的非線性系統(tǒng)，受樣本空間分布影響較小，它通過調(diào)整內(nèi)部的權重來提高網(wǎng)絡優(yōu)化的效果，所以BP神經(jīng)網(wǎng)絡模型的非線性映射關系對變量的處理效果優(yōu)于多元線性回歸模型的線性關系，使得其預測結果具有更高的精度和應用范圍，這也與許多學者的研究成果[15-16]相符。

4 結 論

1）選取典型灌溉井的地下水埋深、井齡、泵齡、井深、灌溉方式、水泵額定功率、揚程、流量與“以電折水”系數(shù)做相關性分析，地下水埋深、泵齡、灌溉方式與“以電折水”系數(shù)相關性較好；井齡、井深相關性一般；水泵額定功率、揚程、流量相關性較差。

2）通過采用平均值預測、多元線性回歸模型、BP神經(jīng)網(wǎng)絡模型3種方法對“以電折水”系數(shù)進行預測模擬，平均值預測精度最差；多元線性回歸模型預測精度較好；BP神經(jīng)網(wǎng)絡模型預測精度最好。

3）研究區(qū)域內(nèi)“以電折水”系數(shù)波動較小且無法獲得影響因素時可采用平均值進行預測；已知地下水埋深、泵齡、灌溉方式等影響“以電折水”系數(shù)的因素且實測樣本較多時可采用多元線性回歸模型、BP神經(jīng)網(wǎng)絡模型進行預測。

[1] 沈瑩瑩, 張紹強, 吉曄. 我國農(nóng)業(yè)灌溉用水量統(tǒng)計方法的確定及工作開展情況[J]. 中國農(nóng)村水利水電, 2016 (11): 133-134, 138.

SHEN Yingying, ZHENG Shaogang, JI Ye. Determination of statistical method of agricultural irrigation water consumption and its development in China[J]. China Rural Water and Hydropower, 2016 (11): 133-134, 138.

[2] 沈波, 吉慶豐, 張玉建, 等. 農(nóng)業(yè)灌溉用水計量方法研究[J]. 江蘇水利, 2017(4):13-17.

SHEN Bo, JI Qingfeng, ZHNG Yujian, et al. Study on measurement method of agricultural irrigation water[J]. Jiangsu Water Resources, 2017(4): 13-17.

[3] 李娜. 關于農(nóng)業(yè)灌溉用水計量方法的探討[J]. 水科學與工程技術, 2014(6): 69-71.

LI Na. Research on Water Measurement in Agricultural Irrigation[J]. Water Sciences and Engineering Technology, 2014(6): 69-71.

[4] 王向飛. 電水轉(zhuǎn)換在地下水開采量計量中的應用-以河北省滄縣為例[J]. 地下水, 2014, 36(6): 76-77.

WANG Xiangfei. The application of electricity water conversion in the measurement of groundwater exploitation: a case study of Cangxian County, Hebei Province[J]. Ground water, 2014, 36(6): 76-77.

[5] 王西琴, 張馨月, 陳浩. 華北地下水超采區(qū)糧食作物灌溉用水量及其節(jié)水潛力：基于河北省620戶問卷調(diào)研數(shù)據(jù)[J]. 西北大學學報(自然科學版), 2020, 50 (2): 227-233.

WANG Xiqin, ZHANG Xinyue, CHEN Hao. Irrigation water consumption and water-saving potential of food crops in groundwater over-exploitation areas in North China: Based on survey data of 620 households in Hebei Province[J]. Journal of Northwest University (Natural Science Edition), 2020, 50(2): 227-233.

[6] 陳彩明, 李其峰, 陳欣, 等. 基于“以電折水”及灌溉回歸水重復利用的農(nóng)田灌溉用水量統(tǒng)計方法研究[J]. 中國農(nóng)村水利水電, 2019(9): 68-71.

CHEN Caiming, LI Qifeng, CHEN Xin, et al. Research on the statistical method of irrigation water consumption for farmland based on “Conversion of Electricity to Water” and irrigation return water[J]. China Rural Water and Hydropower, 2019(9): 68-71.

[7] 陳衛(wèi)國. 天津市地下水機井泵以電折水系數(shù)測算分析研究[J]. 海河水利, 2019(5): 42-47.

CHEN Weiguo. Calculation and analysis of electric water conversion coefficient of underground water pump in Tianjin[J]. Haihe Water Resources, 2019(5): 42-47.

[8] 王劍永. “以電折水”方法研究與應用[J]. 中國水利, 2017(11): 34-35.

WANG Jinayong. Research and application of “electricity water reduction”[J]. China Water Resources, 2017 (11): 34-35.

[9] 梁雪麗, 呂旺, 蘭鳳. 以電折水系數(shù)影響因素探析-以不同灌溉方式為例[J]. 海河水利, 2019(1): 68-70.

LIANG Xueli, LYU Wang, LAN Feng. Analysis of influencing factors of electric water conversion coefficient-taking different irrigation methods as an example[J]. Haihe Water Resources, 2019(1): 68-70.

[10] 岳士茹, 郄志紅, 劉印良, 等. 基于SVM的河北省平原區(qū)水電轉(zhuǎn)換系數(shù)內(nèi)插預測研究[J]. 河北農(nóng)業(yè)大學學報, 2020, 43(1): 133-147.

YUE Shiru, QIE Zhihong, LIU Yinliang, et al. Interpolation prediction of conversion coefficient between the consumed electricity and pumped water in Hebei plain based on SVM[J]. Journal of Hebei Agricultural University, 2020, 43(1): 133-147.

[11] 趙文剛, 馬孝義, 劉曉群, 等. 基于神經(jīng)網(wǎng)絡算法的廣東省典型代表站點0簡化計算模型研究[J]. 灌溉排水學報, 2019, 38(5): 91-99.

ZHAO Wengang, MA Xiaoyi, LIU Xiaoqun. et al. Using Neural Network Model to Simplify0Calculation for Representative Stations in Guangdong Province[J]. Journal of Irrigation and Drainage, 2019, 38(5): 91-99.

[12] 張曉斌, 李抗彬, 郝改瑞, 等. 基于BP神經(jīng)網(wǎng)絡的新安江模型初始土壤蓄水量計算研究[J]. 灌溉排水學報, 2021, 40(3): 15-22.

ZHANG Xiaobin, LI Kangbin, HAO Gairui, et al. Using BP Network to Estimate Initial Soil Water Storage in Xin’anjiang Model[J]. Journal of Irrigation and Drainage, 2021, 40(3): 15-22.

[13] 曹秀佳, 谷健, 馬寧寧, 等. 基于粒子群優(yōu)化小波神經(jīng)網(wǎng)絡模型的春玉米生育階段干旱預測[J]. 灌溉排水學報, 2021, 40(3): 125-133.

CAO Xiujia, GU Jian, MA Ningning, et al. Predicting Droughts in Growth Season of Spring Maize with the Wavelet Neural Networks using Particle Swarm Optimization Training[J]. Journal of Irrigation and Drainage, 2021, 40(3): 125-133.

[14] 尹世洋, 吳文勇, 劉洪祿, 等. 北京市平原區(qū)農(nóng)用機井水電折算系數(shù)試驗研究[J]. 排灌機械工程學報, 2014 (11): 998-1 004.

YIN Shiyang, WU Wenyong, LIU Honglu, et al. Experiments on conversion coefficient between electricity consumed and water pumped for agricultural wells in Beijing plain[J]. Journal of Drainage and Irrigation Machinery Engineering, 2014 (11): 998-1 004.

[15] 趙金元, 馬振, 唐海亮, 等. BP神經(jīng)網(wǎng)絡和多元線性回歸模型對碳排放預測的比較[J]. 科技和產(chǎn)業(yè), 2020, 20(11): 172-176.

ZHAO Jinyuan, MA Zhen, TANG Hailiang, et al. Comparison of BP Neural Network and Multiple Linear Regression Models for Carbon Emissions Prediction[J]. Science Technology and Industry, 2020, 20(11): 172-176.

[16] 佟秀秀, 康志宏. 基于多元線性回歸和BP神經(jīng)網(wǎng)絡的單井能力預測[J]. 科學技術與工程, 2019, 19(29): 96-102.

TONG Xiuxiu, KANG Zhihong. Single Well Capacity Prediction Based on Multiple Linear Regression and Back Propagation Neural Network[J]. Science Technology and Engineering, 2019, 19(29): 96-102.

Estimating Water Consumption from Electricity Consumption:How to Calculate the Conversion Coefficient

FAN Hongmei1,2, LIU Xiaomin1*, WANG Wenjuan2, CHEN Qiong1

(1.School of Water Conservancy and Civil Engineering, Inner Mongolia Agricultural University, Hohhot 010018, China;2.Inner Mongolia Jinhuayuan Environmental Resources Engineering Consulting Co., Ltd, Hohhot 010020, China)

【】Agriculture is the largest water-consuming sector in China, but how to estimate agricultural water use is an issue that remains extremely difficult despite its importance in improving water measurement. Considering that moving water for irrigation needs power, an alternative method emerging over the past decades is to estimate it based on the electricity reading on the national grid. The purpose of this paper is to investigate how to estimate the conversion coefficient of this method.【】We took Horqin District at Tongliao City in Inner Mongolia as an example. We calculated the conversion coefficient using the multiple linear regression model and the BP neural network model respectively, with the standard average method taken as the control (CK). For each method, the average relative error (), root mean square error () and decisive coefficient (2) were selected as indicators to compare the above models.【】The error of the standard average method was 7.40%. In contrast, the relative error of the multiple linear regression model and the BP neural network models was 2.40% and 1.65%, respectively. These results indicated that it is feasible to estimate agricultural water consumption using the electricity consumption read from the national grid. Among the three methods we compared, the BP neutral network was most accurate for estimating the conversion coefficient.【】The MRE, RMSE and R2of the multiple linear regression model were 0.024, 0.175 and 0.923 respectively, compared with their associated values in the BP neural network model, which were 0.018, 0.131 and 0.957. The BP neural network can thus be used as a robust method to estimate the conversion coefficient in converting electricity consumption to agricultural water consumption.

converting electricity to water; conversion coefficient; multiple linear regression; BP neural network

S275

A

10.13522/j.cnki.ggps.2021202

樊紅梅, 劉曉民, 王文娟, 等. 基于多種方法的“以電折水”系數(shù)研究[J]. 灌溉排水學報, 2021, 40(11): 98-105.

FAN Hongmei, LIU Xiaomin, WANG Wenjuan, et al. Estimating Water Consumption from Electricity Consumption: How to Calculate the Conversion Coefficient[J]. Journal of Irrigation and Drainage, 2021, 40(11): 98-105.

1672 - 3317（2021）11 - 0098 - 08

2021-05-13

國家重點研發(fā)計劃子課題（2018YFC0406404-3）；國家自然科學基金項目（51969021）；內(nèi)蒙古自治區(qū)科技重大專項（2020ZD0009-4）

樊紅梅（1993-），女。碩士研究生，主要從事水資源合理配置研究。E-mail: 1258484546@qq.com

劉曉民（1981-），男。副教授，碩士生導師，主要從事水資源合理配置與水庫優(yōu)化調(diào)度研究。E-mail: 13204717007@163.com

責任編輯：白芳芳