□李明然

水資源是人類生存和發(fā)展不可或缺的重要自然資源，隨著人口持續(xù)增長、經濟社會快速發(fā)展，出現了水環(huán)境污染、水資源短缺等問題。研究區(qū)域水資源安全狀況，對于優(yōu)化配置水資源、緩解水資源供需矛盾以及實現水資源與經濟社會和諧發(fā)展具有重要意義。

由于水資源系統(tǒng)是一個包含社會、經濟、生態(tài)環(huán)境等互相關聯的復合系統(tǒng)，它們之間呈現復雜的非線性關系，而人工神經網絡模型在處理非線性問題上有著無可比擬的優(yōu)勢，它通過對歷史數據的學習處理，最大程度上保留了數據之間的客觀聯系，具有良好的應用前景。Elman-NN由于網絡結構特點對歷史狀態(tài)數據具有敏感性，多應用于預測分析，而在水資源安全評價方面的應用很少?，F根據某市實際情況構建水資源安全評價指標體系，嘗試選用El?man-NN評價分析某市水資源安全狀況，驗證Elman-NN的適用性，以期推廣Elman-NN在水資源安全評價方面的應用。

1.水資源安全分級評價指標體系的構建

水資源評價指標體系的建立是進行水資源安全評價的基礎，由于不同地域水資源狀況不同，因此評價指標的選取就有所區(qū)別?，F結合研究區(qū)域水資源特點和經濟社會發(fā)展實際狀況，同時參考關于研究區(qū)域和相似地區(qū)的城市水資源安全評價的相關研究成果，并遵循指標的代表性、科學性、可量化性，數據的易獲取性原則，將水資源安全劃分為本底安全、利用安全、生態(tài)安全3個準則層，然后針對這3個準則層共選取11個評價指標來構建了某市水資源安全綜合評價指標體系，評價標準優(yōu)先選用國際、國內或地方水資源安全標準，其次參考相關研究成果、規(guī)劃目標，再次尋求專家經驗值。具體水資源安全評價指標等級劃分標準詳見表1。評價指標確定后，收集2009年—2018年研究區(qū)域的相關數據，數據主要來源于經濟統(tǒng)計年鑒、水資源公報以及政府的官方網站等。

表1 水資源安全評價指標等級劃分標準

2.基于Elman-NN的水資源安全評價模型的建立

2.1 Elman-NN模型網絡結構基本情況

Elman-NN模型是一種典型的局部回歸動態(tài)反饋型神經網絡模型，最早是由J.L.Elman在1990年針對語音處理問題提出來。Elman-NN是在BP-NN的基礎上，通過增加承接層使網絡具備延遲與存儲功能，從而使系統(tǒng)具備處理動態(tài)信息的能力，增強了網絡的穩(wěn)定性和模型的準確度。該模型結構一般分為4層：輸入層、隱含層、承接層和輸出層。信號經輸入層傳遞到隱含層，在隱含層經過傳遞函數（有線性函數和非線性函數兩類函數）的計算再傳遞給承接層，承接層和隱含層節(jié)點一一對應，它將記憶的上一時刻的隱含層狀態(tài)和當前時刻的輸入一同作為隱含層的輸入，起到了延時記憶的功能。承接層和輸出層傳遞函數均為線性函數，輸出層起到線性加權作用。當隱含層神經元足夠多的時候，Elman-NN可以保證網絡以任意精度逼近任意非線性函數。

2.2 水資源安全評價模型的建立和訓練

水資源安全評價模型建模的構建和訓練均是利用MATLAB（R2016a）軟件完成。

訓練樣本的確定。評價指標體系確立后，將選定的11個指標所對應的標準值作為輸入項，而與之對應的水資源安全等級作為輸出項。為了模型具有良好的適用性，需要有充足的訓練樣本，此文采用MATLAB軟件中的uni?frnd函數在評價指標相應級別隨機生成的200個樣本值，共生成1000組的標準的輸入樣本。同樣生成1000組與之對應的水資源安全等級作為理論輸出值。將生成的1000組樣本隨機抽取800組數據作為訓練樣本，剩余200組數據作為驗證樣本。

網絡結構的設計與訓練。應用newelm函數創(chuàng)建評價模型的網絡結構，網絡結構采用輸入層、隱含層、承接層、輸出層的4層網絡結構。依照構建的水資源評價指標體系可確定輸入層為11個神經元，輸出層為1個神經元。隱含層和輸出層的傳遞函數分別選用tansig正切函數和purelin線性函數，訓練函數選用L-M優(yōu)化算法的trainlm函數。隱層神經元個數的先通過經驗公式：N=+e確定大概范圍，式中N為隱層神經元數，p為輸入層節(jié)點數，t為輸出層節(jié)點數，e為調節(jié)常數，取值1～10。然后編寫程序，從確定的隱含層神經元范圍的最小值開始，逐一增加進行網絡訓練，選取訓練誤差最小時的隱含層神經元數，最終確定為7。為消除不同量綱的影響，應用mapminmax函數將訓練樣本和驗證樣本標準化到[0,1]區(qū)間。最大終止訓練步數設置為1000步，學習速率設置為0.01，設定期望誤差為1.0×10-4，其他參數均選用默認值。經過67次迭代訓練，訓練誤差達到8.4887×10-5，達到設定閾值，訓練終止，訓練誤差變化曲線見圖1。模型訓練完成后，導入驗證樣本進行網絡預測性能的驗證，最終驗證誤差為6.4144×10-5，與訓練誤差很接近，說明網絡沒有出現過擬合。Elman-NN模型擬合值和目標值對比見圖2，由圖2可以看出，驗證輸出與期望輸出非常吻合，由此可以證明此模型的泛化能力很強，完全滿足水資源安全評價的要求。

圖1 訓練誤差變化曲線圖

圖2 Elman-NN模型擬合值和目標值對比圖

2.3 結果評價與分析

水資源安全評價模型網絡訓練完成后，將研究區(qū)域2009年—2018年各評價指標值帶入到保存的Elman-NN和BP-NN網絡里進行計算，可得到研究區(qū)域2009年—2018年的水資源安全綜合評價等級，水資源安全綜合評價結果見表2。由表2可知，兩種神經網絡得出的評價結果是一致的，2009年—2015年（除2012年水資源安全程度為臨界安全外），研究區(qū)域的水資源安全等級為均為不安全，2016年—2018年，水資源安全等級均為臨界安全。由2009年—2018年的整體趨勢看研究區(qū)域的水資源安全狀況有向好的變化趨勢。但從現狀看，研究區(qū)域的水資源安全狀況處于臨界安全狀態(tài)，形勢仍是不容樂觀的，需進一步提高水資源安全狀況。

表2 水資源安全綜合評價結果

3.結論與討論

根據某市實際情況構建了水資源安全評價指標體系，選用Elman-NN模型評價分析該市水資源安全狀況，結果顯示，Elman-NN建模方便，模型的泛化能力很強，能夠適用于水資源安全評價，評價結果客觀、簡明。

基于Elman-NN模型得出的水資源安全綜合評價結果顯示，2009年—2018年某市水資源安全狀況有向好的變化趨勢，但該市水資源安全現狀仍處于臨界安全狀況，形勢不容樂觀。

水資源安全評價指標體系構建是評價水資源安全狀況的基礎，本次只選取了11個評價指標，但水資源安全涉及到水資源、社會、經濟和生態(tài)環(huán)境等諸多方面，指標的選取仍需要進一步深入研究和完善。Elman-NN模型參數需要進一步優(yōu)化改進，進而提高模型的穩(wěn)定性和準確性?！?/p>