亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        新型群體智能算法優(yōu)化BIGRU/BILSTM的水資源空間均衡評價

        2023-11-27 06:05:34崔東文
        中國農(nóng)村水利水電 2023年11期
        關(guān)鍵詞:優(yōu)化評價模型

        李 杰,崔東文

        (1.云南省水利水電勘測設(shè)計研究院,云南 昆明 650000;2.云南省文山州水務(wù)局,云南 文山 663000)

        水資源空間均衡是指在一定經(jīng)濟(jì)社會發(fā)展和生態(tài)環(huán)境空間條件下,區(qū)域經(jīng)濟(jì)社會發(fā)展與水資源、水生態(tài)、水環(huán)境承載能力相適應(yīng)的一種相對穩(wěn)定狀態(tài)?!笆濉币詠恚S著經(jīng)濟(jì)社會的快速發(fā)展,云南省水資源空間分布與經(jīng)濟(jì)社會發(fā)展不匹配、不均衡問題十分突出,已成為云南省經(jīng)濟(jì)社會高質(zhì)量發(fā)展的最大瓶頸。“節(jié)水優(yōu)先、空間均衡、系統(tǒng)治理、兩手發(fā)力”的治水思路,突出強(qiáng)調(diào)了新時期治水必須始終堅守“空間均衡”重大原則[1],因此,開展云南省水資源空間均衡的評價對于指導(dǎo)水資源管理和區(qū)域經(jīng)濟(jì)社會高質(zhì)量發(fā)展具有重要意義。近年來,國內(nèi)學(xué)者通過構(gòu)建各類模型對水資源空間均衡進(jìn)行了探索和評價,如楊亞鋒等[2]基于可變集原理及偏聯(lián)系數(shù)方法提出水資源空間均衡評價模型,并將該模型應(yīng)用于2017年中國31 個省級行政區(qū)的水資源空間均衡評價,結(jié)果表明該模型具有較好的評價效果;金菊良等[3]基于聯(lián)系數(shù)和耦合協(xié)調(diào)度方法提出水資源空間均衡評價模型,并通過安徽省對該模型進(jìn)行檢驗,結(jié)果表明該方法評價結(jié)果較為合理;黃鋒華等[4]提出均衡系數(shù)法對廣東省2006-2018年水資源空間均衡進(jìn)行評價,結(jié)果顯示廣東省2006-2018年水資源空間均衡等級為Ⅳ級,屬于中度失衡;金菊良等[5,6]基于聯(lián)系數(shù)和洛倫茲曲線提出水資源空間均衡評價模型,并通過安徽省對該評價方法進(jìn)行驗證,結(jié)果表明該模型具有較好的適用性;吳成國等[7]提出有序聯(lián)系度熵的水資源空間均衡評價模型,并以安徽省不同地市2009-2018年水資源空間均衡評價進(jìn)行驗證,結(jié)果表明該模型評價結(jié)果合理有效;劉睿佳等[8]提出區(qū)間直覺模糊TOPSIS水資源空間均衡評價模型,并利用山西省2015-2019年水資源空間均衡評價實例進(jìn)行驗證。

        當(dāng)前,水資源空間均衡評價研究仍處于初期發(fā)展階段,評價方法或模型僅限于基尼系數(shù)、空間均衡系數(shù)、集對分析聯(lián)系度、可變模糊集、TOPSIS法等,鮮見于人工智能或神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于水資源空間均衡的評價。近年來,隨著人工智能和深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,雙向門控循環(huán)單元(Bidirectional Gated Recurrent Unit,BIGRU)、雙向長短時記憶(Bidirectional Long Short-Term Memory,BILSTM)網(wǎng)絡(luò)已在各行業(yè)領(lǐng)域得到廣泛應(yīng)用,但鮮見于水資源空間均衡狀態(tài)評價。為科學(xué)評價區(qū)域水資源空間均衡狀態(tài),本文利用兩種新型群體智能算法——社交網(wǎng)絡(luò)搜索(Social Network Search,SNS)算法、登山隊優(yōu)化(Mountaineering Team-Based Optimization,MTBO)算法優(yōu)化BIGRU、BILSTM 網(wǎng)絡(luò)超參數(shù),提出SNS-BIGRU、MTBO-BIGRU、SNSBILSTM、MTBO-BILSTM 水資源空間均衡評價模型,并構(gòu)建基于支持向量機(jī)(SVM)的NS-SVM、MTBO-SVM 模型、未經(jīng)優(yōu)化的BIGRU、BILSTM 模型作對比分析,通過云南省2006—2022年及2025年水資源空間均衡評價實例對模型進(jìn)行檢驗。

        1 研究區(qū)概況與指標(biāo)體系

        1.1 研究區(qū)概況

        云南省地處我國西南邊陲,水資源總量雖然豐富(多年平均水資源總量2 220 億m3,位列全國第三),但面臨水資源時空分布不均、供需矛盾突出、用水效率不高、水資源開發(fā)利用難度大等問題,已成為云南省經(jīng)濟(jì)社會高質(zhì)量發(fā)展的最大瓶頸。因此,開展云南省水資源空間均衡評價研究對于指導(dǎo)云南省水資源管理和經(jīng)濟(jì)社會高質(zhì)量發(fā)展具有重要意義。2006-2022研究數(shù)據(jù)來源于歷年云南省水資源公報、云南省統(tǒng)計年鑒等;其中2025年評價指標(biāo)來源于《云南省“十四五”經(jīng)濟(jì)社會發(fā)展規(guī)劃》《云南省“十四五”水安全保障規(guī)劃》,其中產(chǎn)水量模數(shù)、降水量采用多年平均值。限于篇幅,指標(biāo)數(shù)據(jù)從略。

        1.2 指標(biāo)體系

        由于水資源空間均衡評價涉及水資源、水生態(tài)、水環(huán)境以及經(jīng)濟(jì)社會等諸多領(lǐng)域,加之各區(qū)域間經(jīng)濟(jì)經(jīng)社發(fā)展不平衡,因此,我國水資源空間均衡評價研究仍處于初期發(fā)展階段,其相關(guān)概念、內(nèi)涵、理論等尚未得到統(tǒng)一,也未形成普遍認(rèn)同的水資源空間均衡評價指標(biāo)體系和等級標(biāo)準(zhǔn)。筆者參考文獻(xiàn)[1-8],以云南省2006-2022年和2025年水資源空間均衡評價為例,從水資源支撐、水資源壓力、水資源調(diào)控力3 個方面遴選15個指標(biāo)構(gòu)建由目標(biāo)層A、準(zhǔn)則層B和指標(biāo)層C組成的3級水資源空間均衡評價指標(biāo)體系和等級標(biāo)準(zhǔn),并結(jié)合云南省2006-2022年各指標(biāo)歷史數(shù)據(jù),合理確定水資源空間均衡評價等級標(biāo)準(zhǔn)閾值和等級判定標(biāo)準(zhǔn),見表1。

        表1 云南省水資源空間均衡評價指標(biāo)體系及等級標(biāo)準(zhǔn)Tab.1 Evaluation index system and grade standards for spatial equilibrium of water resources in Yunnan Province

        2 評價方法

        2.1 社交網(wǎng)絡(luò)搜索(SNS)算法

        SNS 算法是TALATAHARI S 等人于2021年提出一種新型元啟發(fā)式優(yōu)化算法。該算法靈感來自于社交網(wǎng)絡(luò)中用戶表達(dá)意見時的模仿、對話、爭論和創(chuàng)新行為,并通過優(yōu)化操作符模擬這些行為進(jìn)行位置更新來達(dá)到求解優(yōu)化問題的目的[9]。SNS數(shù)學(xué)描述如下:

        (1)初始化。SNS是一種基于種群的優(yōu)化算法,該算法基于下式隨機(jī)生成均勻分布的種群個體位置X0。

        式中:X0為用戶初始化位置;rand(0,1)為介于0和1之間的隨機(jī)數(shù);UB、LB為搜索空間上、下限值。

        (2)行為1:模仿。在社交網(wǎng)絡(luò)中我們會關(guān)注一些朋友和一些喜歡的名人。對于大多數(shù)人而言,當(dāng)被關(guān)注者發(fā)布一些新的活動時,我們通常會努力模仿他們。SNS算法中,模仿行為數(shù)學(xué)描述為:

        式中:Xi,new為第i個新用戶位置;Xj、Xi分別為第j個和第i個用戶位置,j≠i;rand(-1,1)為介于-1和1之間的隨機(jī)數(shù);其他參數(shù)意義同上。

        (3)行為2:對話。在社交網(wǎng)絡(luò)中,用戶可以進(jìn)行虛擬交互,并就不同的問題進(jìn)行交談。對于同一個問題有不同的見解,即別人的見解可能和我們相同或是相反。SNS 算法中,對話行為數(shù)學(xué)描述為:

        式中:Xk為隨機(jī)選擇的一個交談對象位置;sign(·)為sign 函數(shù);fi、fj分別為第i個和第j個用戶位置的適應(yīng)度值;其他參數(shù)意義同上。

        (4)行為3:爭論。爭論是一種很正常的社交網(wǎng)絡(luò)行為。爭論用戶向其他人解釋他對事件的看法并捍衛(wèi)他的觀點。在社交網(wǎng)絡(luò)中,大家會選擇在評論區(qū)爭論,或是建群吸人爭論。SNS算法將隨機(jī)數(shù)量的用戶視為評論者或群組成員,并對這種行為進(jìn)行數(shù)學(xué)建模,描述為:

        式中:M為評論區(qū)用戶位置的平均值;AF為許可因子,為用戶對某一事件的贊同程度,其值為1或2;其他參數(shù)意義同上。

        (5)行為4:創(chuàng)新。當(dāng)用戶思考一個特定的問題時,也許可以用一種新穎的方式來看待這個問題,并且能夠更準(zhǔn)確地理解這個問題的本質(zhì),或者找到一種完全不同的觀點。SNS算法中,創(chuàng)新行為數(shù)學(xué)描述為:

        2.2 登山隊優(yōu)化(MTBO)算法

        MTBO 算法是FARIDMEHR 等人于2023年受登山隊員登山過程中協(xié)作登頂行為啟發(fā)而提出的一種新型元啟發(fā)式優(yōu)化算法。該算法通過模擬登山隊員協(xié)作登山、災(zāi)害威脅、協(xié)調(diào)防御、隊員更新實現(xiàn)隊員位置更新來求解待優(yōu)化問題[10]。MTBO數(shù)學(xué)描述如下:

        (1)初始化。登山隊由多名登山隊員組成,并有一位經(jīng)驗豐富的專業(yè)隊長領(lǐng)隊,其目標(biāo)是征服該地區(qū)山頂,山頂被認(rèn)為是待優(yōu)化問題的最優(yōu)解。與其他基于種群的優(yōu)化算法類似,MTBO也是從種群初始化開始:

        式中:Xi為第i個登山隊隊員位置;Uj、Lj為優(yōu)化問題的第j維上、下限值;rand 為介于0 和1 之間的隨機(jī)數(shù);N為登山隊隊員種群規(guī)模;D為優(yōu)化問題維度。

        (2)協(xié)作登山。在登山隊中,最有經(jīng)驗的成員往往被選舉為隊長,登山隊在隊長的協(xié)調(diào)和組織下登山,并最終征服山頂。MTBO 算法在每次迭代之后,隊員位置將從最好到最壞進(jìn)行排序,每個隊員都通過隊長和前面隊員的引導(dǎo)。該階段隊員的位置更新數(shù)學(xué)描述如下:

        式中:Xnewi為第i個登山隊隊成員新位置;XLeader為登山隊隊長位置;Xii為受前面隊員引導(dǎo)的其他隊員位置。

        (3)災(zāi)害威脅。雪崩或跌落懸崖的發(fā)生可能威脅到登山隊員的生命,從而阻止登山隊到達(dá)山頂,即迫使算法陷入局部最優(yōu)狀態(tài)。MTBO中,在隨機(jī)發(fā)生雪崩等災(zāi)害的情況下,登山隊隊員通過下式來拯救自己,即避免算法陷入局部最優(yōu),并朝著最佳隊員位置移動。該階段隊員的位置更新數(shù)學(xué)描述如下:

        式中:XAvalanche為隨機(jī)發(fā)生雪崩等災(zāi)害情況下的登山隊隊員位置;其他參數(shù)意義同上。

        (4)協(xié)調(diào)防御。在登山過程中,當(dāng)發(fā)生雪崩等災(zāi)難時,整個登山隊都會盡力營救被困隊員,以防止隊員死亡。該階段的靈感就是來自于團(tuán)隊為拯救被困隊員而做出的協(xié)作和努力,該階段隊員的位置更新數(shù)學(xué)描述如下:

        式中:XTeam為所有登山隊隊員的平均位置;其他參數(shù)意義同上。

        (5)隊員更新。不幸的是,登山隊員可能會因雪崩等災(zāi)害而喪生,上述任何階段都無法挽救登山隊隊員的生命。MTBO考慮了這一災(zāi)難的發(fā)生,即從登山隊隊員中刪除該隊員,并隨機(jī)生成新隊員。

        2.3 雙向門控循環(huán)單元(BILSTM)

        LSTM 為一種特殊的RNN 網(wǎng)絡(luò),主要通過輸入門(Input Gate)、遺忘門(Forget Gate)實現(xiàn)單元狀態(tài)c狀態(tài)的控制,并通過輸出門(Output Gate)來控制單元狀態(tài)ct有多少輸出到LSTM 的當(dāng)前輸出值ht。設(shè)輸入序列為(x1,x2,…,xT),隱含層狀態(tài)為(h1,h2,…,hT),則在t時刻有[11-16]:

        式中:it、ft、ot分別為輸入門、遺忘門和輸出門;ct為cell 單元;Wh為遞歸連接權(quán)重;Wx為輸入層到隱含層權(quán)重;bi、bf、bc、bo分別為各函數(shù)的閾值;σ(·)、g(·)分別為sigmoid 函數(shù)和tanh 函數(shù);”·“表示向量內(nèi)積。

        為使LSTM滿足預(yù)測目的,需加上一個線性回歸層,即:

        式中:yt為最終預(yù)測結(jié)果的輸出;bo為線性回歸層的閾值。

        LSTM 網(wǎng)絡(luò)依據(jù)時間序列由前至后單向進(jìn)行傳播,忽略了反向數(shù)據(jù)變換對模型預(yù)測性能的影響。為考慮數(shù)據(jù)正反向的信息規(guī)律,BiLSTM 網(wǎng)絡(luò)應(yīng)運而生。BiLSTM 由正向傳播和反向傳播的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)成,與單向LSTM 相比,BiLSTM 同時考慮前后數(shù)據(jù)的變化規(guī)律[17],可以更好地挖掘數(shù)據(jù)的時序特征。

        BiLSTM的網(wǎng)絡(luò)結(jié)構(gòu)表達(dá)式如下:

        2.4 雙向門控循環(huán)單元(BIGRU)

        GRU 在LSTM 基礎(chǔ)上進(jìn)行了簡化,得到只包含重置門和更新門的網(wǎng)絡(luò)結(jié)構(gòu),減少網(wǎng)絡(luò)復(fù)雜度的同時提高了計算效率。相比于LSTM,其結(jié)構(gòu)更加簡單、訓(xùn)練參數(shù)更少,因此收斂速度也就更快[18-20]。

        GRU的迭代公式如下:

        式中:下標(biāo)t為t時刻;z為更新門;r為重置門;W為權(quán)重矩陣;σ為sigmoid函數(shù);h為輸出值;*為哈達(dá)瑪積(Hadamard product)。

        同LSTM 網(wǎng)絡(luò)類似,GRU 網(wǎng)絡(luò)依據(jù)時間序列由前至后單向進(jìn)行傳播,忽略了反向數(shù)據(jù)對模型預(yù)測性能的影響,因此提出了BIGRU 網(wǎng)絡(luò)。BIGRU 由正向傳播和反向傳播的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)成,與單向GRU 相比,BIGRU 同時考慮前后數(shù)據(jù)的變化規(guī)律[17],可以更好地挖掘數(shù)據(jù)的時序特征。BILSTM/BIGRU網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

        圖1 BILSTM/BIGRU 網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of BILSTM/BIGRU network structure

        在實際應(yīng)用中,BILSTM/BIGRU 網(wǎng)絡(luò)學(xué)習(xí)率、隱含層神經(jīng)元數(shù)等超參數(shù)主要通過人工調(diào)試確定,費時費力且效果不佳。目前,鯨魚優(yōu)化算法[21]、麻雀搜索算法[22]、天鷹優(yōu)化算法[23]等已在優(yōu)化BILSTM/BIGRU 超參數(shù)中得到應(yīng)用。本文利用SNS、MTBO算法優(yōu)化BILSTM/BIGRU 網(wǎng)絡(luò)學(xué)習(xí)率l、隱藏層1 的神經(jīng)元數(shù)m1、隱藏層2 的神經(jīng)元數(shù)m2三個超參數(shù),以期提高BILSTM/BIGRU網(wǎng)絡(luò)性能。

        2.5 建模流程

        步驟一:依據(jù)表1,利用線性插值法在評價指標(biāo)和等級標(biāo)準(zhǔn)閾值間生成20、40、80 組數(shù)據(jù)樣本,分別共生成100 組(樣本一)、200 組(樣本二)、400 組(樣本三)3 種數(shù)據(jù)樣本;隨機(jī)選取70%作為訓(xùn)練樣本,剩余30%作為預(yù)測樣本;對于負(fù)向指標(biāo),對其取倒乘100后再與正向指標(biāo)一同作歸一化處理。

        步驟二:利用訓(xùn)練樣本預(yù)測等級與實際等級構(gòu)建優(yōu)化BIGRU、BILSTM超參數(shù)的適應(yīng)度函數(shù):

        式中:A為正確識別的樣本數(shù)量;Z為錯誤識別的樣本數(shù)量;m1為隱藏層1 的神經(jīng)元數(shù)輸入延時階數(shù);m2為隱藏層2 的神經(jīng)元數(shù);l為學(xué)習(xí)率。

        步驟三:設(shè)置SNS、MTBO 種群規(guī)模為10,最大迭代次數(shù)為50,其他采用算法默認(rèn)值;本文搭建具有兩個隱含層的BIGRU、BILSTM 網(wǎng)絡(luò),激活函數(shù)采用tanh函數(shù),隱含層m1、m2搜索范圍設(shè)置為[2,30],學(xué)習(xí)率l搜索范圍設(shè)置為[0.000 1,1],最大訓(xùn)練次數(shù)MaxEpochs=100。初始化用戶或登山隊隊員位置。

        BIGRU、BILSTM 超參數(shù)采用試算法確定,最大訓(xùn)練次數(shù)MaxEpochs=100;SNS-SVM、MTBO-SVM 模型算法部分參數(shù)同上,SVM超參數(shù)搜索空間設(shè)置為[0.001,100]。所有模型的原始數(shù)據(jù)均采用[0,1]進(jìn)行歸一化處理。

        步驟四:計算所有用戶或登山隊員適應(yīng)度值,確定全局最佳用戶位置Xbest或最佳登山隊隊員位置XLeader。令當(dāng)前迭代次數(shù)t=1。

        步驟五:對于SNS,基于式(2)~式(5),隨機(jī)選擇模仿、對話、爭論、創(chuàng)新四種行為中的一種進(jìn)行位置更新;對于MTBO,在0和1 之間生成隨機(jī)數(shù)r,若r<“協(xié)作登山”階段概率Li,則利用式(7)更新登山隊隊員位置;若r<“雪崩發(fā)生”概率Ai,則利用式(8)更新登山隊隊員位置;若r<“被困隊員”發(fā)生概率Ai,則利用式(9)更新登山隊隊員位置;刪除具有最差位置的隊員,并隨機(jī)生成新隊員。

        步驟六:計算位置更新后的所有用戶或所有登山隊隊員的適應(yīng)度值,若當(dāng)前最優(yōu)適應(yīng)度值優(yōu)于前代最優(yōu)適應(yīng)度值,則保存當(dāng)前最佳用戶位置Xbest或最佳登山隊隊員位置XLeader,否則保存前代最佳用戶位置Xbest或最佳登山隊隊員位置XLeader。

        步驟七:重復(fù)步驟五~步驟七直至滿足算法終止條件。

        步驟八:輸出最佳用戶位置Xbest或最佳登山隊隊員位置XLeader,該位置即為BIGRU、BILSTM 最佳超參數(shù)向量。利用該向量建立SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBOBILSTM 模型對各樣本進(jìn)行識別,并利用識別精度對各模型性能進(jìn)行評估。

        3 模型驗證及實例評價

        3.1 模型驗證

        為驗證模型的識別精度,分別隨機(jī)選取樣本一、樣本二、樣本三總量的70%作為訓(xùn)練樣本,其余樣本作為預(yù)測樣本對SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM 模型的識別性能進(jìn)行檢驗,并與MTBO-SVM、MTBO-SVM、BIGRU、SNS-BILSTM 作對比。模型連續(xù)運行10 次,分別統(tǒng)計其識別精度,見表2;隨機(jī)選取各模型在樣本二情形下某次訓(xùn)練及預(yù)測混淆矩陣,見圖2。

        圖2 各模型在樣本二情形下的混淆矩陣圖Fig.2 Confusion matrix diagram of each model in the case of sample 2

        表2 各模型10次運行平均識別精度%Tab.2 Average recognition accuracy of 10 runs of each model

        依據(jù)表2和圖2可以得出以下結(jié)論:

        (1)無論是訓(xùn)練樣本還是預(yù)測樣本,SNS-BIGRU、MTBOBIGRU、SNS-BILSTM、MTBO-BILSTM 模型的識別精度均在99.0%以上,具有較高的識別精度和穩(wěn)健性能,在不同樣本容量、隨機(jī)選取訓(xùn)練樣本和連續(xù)10次運行的情形下均能獲得較好的識別效果,其中SNS-BIGRU、MTBO-BIGRU 模型的識別效果要略優(yōu)于SNS-BILSTM、MTBO-BILSTM 模型。

        (2)與SNS-SVM、MTBO-SVM 模型相比,SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM 模型的識別精度提高了9.1 個百分點以上,表明BIGRU、BILSTM 網(wǎng)絡(luò)在模式識別中具有較好的識別效果。

        (3)與BIGRU、BILSTM 模型相比,在樣本一情形下,SNSBIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM 模型的識別精度提高了23.1 個百分點以上;在樣本二情形下,識別精度提高了22.2 個百分點以上;在樣本三情形下,識別精度提高了10.1 個百分點以上,表明SNS、MTBO 能有效優(yōu)化BIGRU、BILSTM網(wǎng)絡(luò)超參數(shù),大大提高模型的識別精度。

        (4)BIGRU、BILSTM 模型的識別精度隨著樣本容量的增加而提高,而樣本容量大小對SNS-BIGRU、MTBO-BIGRU、SNSBILSTM、MTBO-BILSTM 模型的識別精度影響較小,可見,超參數(shù)的合理選取是提升BIGRU、BILSTM模型識別精度的關(guān)鍵。

        3.2 評價結(jié)果及分析

        利用SNS-BIGRU 等4 種模型、SNS-SVM、MTBO-SVM 模型和模糊綜合評價法對云南省2006-2022年、2025年水資源空間均衡進(jìn)行評價,結(jié)果見表3。

        表3 云南省水資源空間均衡評價結(jié)果及對比Tab.3 Evaluation results and comparison of spatial equilibrium of water resources in Yunnan Province

        從表3可以得出以下結(jié)論:

        (1)SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM 模型對云南省2006-2011年水資源空間均衡評價為“不均衡”,2012-2013年評價為“較不均衡”,2014-2018年評價為“臨界均衡”,2019-2022年評價為“較均衡”,2025年基本可達(dá)到“均衡”水平。與SNS-SVM、MTBO-SVM 模型在2013年、2018年和2025年存在1 個等級的差異;與模糊綜合評價法在2012年、2013年和2019年存在1個等級的差異。

        (2)2006-2011年期間,由于云南省經(jīng)濟(jì)社會發(fā)展水平不高,水利工程建設(shè)滯后,供水保障不足,加之2009-2011年云南省發(fā)生持續(xù)干旱,導(dǎo)致這一期間的水資源調(diào)控能力差、水資源壓力大,水資源空間均衡評價為“不均衡”符合客觀實際;2012-2013年,隨著云南省旱情的結(jié)束以及供水保障能力的持續(xù)改善,水資源空間均衡水平提到一定提升,評價為“較不均衡”合理;2014-2018年期間,云南省經(jīng)濟(jì)社會得到較大發(fā)展,用水效率、供水保障能力得到較大提升,水資源空間均衡水平也從“較不均衡”提升至“臨界均衡”;2019年以來,在習(xí)近平生態(tài)文明思想的指引下,中國生態(tài)文明建設(shè)發(fā)生了歷史性、轉(zhuǎn)折性、全局性的變化,藍(lán)天保衛(wèi)戰(zhàn)、長江保護(hù)修復(fù)攻堅戰(zhàn)、水源地保護(hù)攻堅戰(zhàn)等相繼開展,云南省水資源調(diào)控能力也得到了大幅提升,水資源壓力得到了質(zhì)的改善,2019-2022年云南省水資源空間均衡評價為“較均衡”較合理;在實現(xiàn)云南省“十四五”經(jīng)濟(jì)社會發(fā)展規(guī)劃和水利發(fā)展規(guī)劃目標(biāo)的前提下,2025年云南省水資源空間均衡水平將達(dá)到“均衡”狀態(tài),但城鎮(zhèn)化率、人口密度等指標(biāo)將進(jìn)一步制約云南省水資源空間均衡等級的提升。

        4 結(jié)論

        (1)基于水資源支撐、水資源壓力、水資源調(diào)控力三大子系統(tǒng)提出云南省水資源空間均衡評價指標(biāo)體系和等級標(biāo)準(zhǔn);提出SNS、MTBO 算法優(yōu)化的SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM 水資源空間均衡評價模型,拓展了水資源空間均衡評價方法,為相關(guān)水資源綜合評價研究提供參考。

        (2)通過在各等級標(biāo)準(zhǔn)間采用線性內(nèi)插和隨機(jī)選取的方法構(gòu)建不同容量大小的樣本,并構(gòu)建適應(yīng)度函數(shù)對SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBO-BILSTM 模型的識別精度和穩(wěn)健性能進(jìn)行檢驗。結(jié)果表明:①SNS-BIGRU 等4 種模型具有較高的識別精度和穩(wěn)健性能,識別效果優(yōu)于SNS-SVM、MTBO-SVM 模型和BIGRU、BILSTM 模型,其中SNS-BIGRU、MTBO-BIGRU 模型的識別效果最好;②SNS、MTBO 能有效優(yōu)化BIGRU、BILSTM 網(wǎng)絡(luò)超參數(shù),大大提高模型的識別精度;③本容量大小對SNS-BIGRU、MTBO-BIGRU、SNS-BILSTM、MTBOBILSTM 模型的識別精度影響較小,而對BIGRU、BILSTM 模型的識別精度影響較大。

        (3)SNS-BIGRU 等4 種模型對云南省2006-2011年水資源空間均衡評價為“不均衡”,2012-2013年評價為“較不均衡”,2014-2018年評價為“臨界均衡”,2019-2022年評價為“較均衡”,2025年基本可達(dá)到“均衡”狀態(tài)。

        猜你喜歡
        優(yōu)化評價模型
        一半模型
        超限高層建筑結(jié)構(gòu)設(shè)計與優(yōu)化思考
        SBR改性瀝青的穩(wěn)定性評價
        石油瀝青(2021年4期)2021-10-14 08:50:44
        民用建筑防煙排煙設(shè)計優(yōu)化探討
        關(guān)于優(yōu)化消防安全告知承諾的一些思考
        一道優(yōu)化題的幾何解法
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        基于Moodle的學(xué)習(xí)評價
        亚洲日韩精品欧美一区二区三区不卡| 亚洲熟妇色自偷自拍另类| 久久视频在线| 国产一级做a爱免费观看| 18禁国产美女白浆在线| 日韩精品一区二区三区影音视频 | 午夜av天堂精品一区| 无码人妻精品一区二区三区9厂| 色欲aⅴ亚洲情无码av蜜桃| 草莓视频在线观看无码免费| 婷婷开心五月亚洲综合| 奶头又大又白喷奶水av| 中日av乱码一区二区三区乱码| 国产三级精品美女三级| 亚洲精品中文字幕不卡| 国内精品久久久久国产盗摄| 男女18禁啪啪无遮挡| 久久99精品久久久久久国产人妖| 国产一区二区黑丝美胸| 亚洲成aⅴ人片久青草影院| 成在人线av无码免费| 绿帽人妻被插出白浆免费观看| 狠色人妻丝袜中文字幕| 日本中文字幕一区二区高清在线| 99国产超薄丝袜足j在线观看| 精品一区二区三区女同免费| 日本精品一区二区高清| 老熟妇乱子伦av| 国产成人亚洲精品2020| 久久一区二区三区老熟女| 青青国产揄拍视频| 中国大陆一级毛片| 青青草视频免费在线播放| 三个男吃我奶头一边一个视频| aaaaa级少妇高潮大片免费看| 亚洲24小时在线免费视频网站| 亚洲黄片av在线播放| 中文字幕在线亚洲日韩6页| 日韩最新在线不卡av| 国产一区二区三区口爆在线| 亚洲成av人的天堂在线观看|