CN115640956A - 一种未来水资源供需平衡分析方法 - Google Patents
一种未来水资源供需平衡分析方法 Download PDFInfo
- Publication number
- CN115640956A CN115640956A CN202211186617.8A CN202211186617A CN115640956A CN 115640956 A CN115640956 A CN 115640956A CN 202211186617 A CN202211186617 A CN 202211186617A CN 115640956 A CN115640956 A CN 115640956A
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- water
- model
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种未来水资源供需平衡分析方法，获取第一多源数据集，包括：第一数据集、第二数据集、第三数据集和第四数据集；基于第二数据集，经过预设处理方法，得到第五数据集；基于第二数据集、第四数据集和第五数据集，经过预设第一模型处理，得到第六数据集；基于第一多源数据集中的至少一种数据集，经过预设第二模型处理，得到第七数据集，第七数据集为变化环境下多源用水量预测数据集；基于第一数据集、第六数据集和第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果。考虑了未来气候变化及人类活动影响下的用水量变化，得到的水资源供需平衡分析结果更客观。
Description
技术领域
本发明涉及水资源管理技术领域，具体涉及一种未来水资源供需平衡分析方法。
背景技术
科学合理地预估流域区域未来缺水状况，对于水资源管理、应对气候变化政策的制定与适应气候变化措施的实施非常重要。现有的研究仅对于水资源供需的现状情况进行分析，对于未来情况进行分析时，大多集中于对未来径流变化进行研究，很少有研究能同时考虑到未来需水量的变化。一些研究根据模型预测得到一些地区未来地表水资源量将会减少，从而推断未来这些地区水资源供需矛盾将会加剧。但是，这些研究缺乏对未来需水量变化的考虑，得到的结果缺乏客观性。
发明内容
有鉴于此，本发明实施例提供了涉及一种未来水资源供需平衡分析方法，以解决现有技术中水资源供需平衡分析过程中缺乏对未来需水量变化的考虑，水资源供需平衡分析结果缺乏客观性的技术问题。
本发明提出的技术方案如下：
第一方面，本发明实施例提供一种未来水资源供需平衡分析方法，该未来水资源供需平衡分析方法包括：获取第一多源数据集，所述第一多源数据集中的数据满足预设数据标准规范，且所述第一多源数据集包括：第一数据集、第二数据集、第三数据集和第四数据集，其中所述第一数据集包含历史时期不同空间尺度的地表水资源量、地表水资源供水量、农业用水量、工业用水量和生活用水量，所述第二数据集包括历史气象监测数据和全球气候模式气象预测数据，所述第三数据集包括历史人口数据、未来人口数据、历史GDP数据及未来GDP数据，所述第四数据集包括多源土地数据、多源水资源数据、满足条件的水资源分区行政单位边界数据、历史时期代表性水文站点流量监测数据、历史时期农作物产量数据、历史时期作物种植面积监测数据及未来时期作物种植面积预测数据；基于所述第二数据集，经过预设处理方法，得到第五数据集，所述第五数据集为气候变化情景预测数据集；基于所述第二数据集、所述第四数据集和所述第五数据集，经过预设第一模型处理，得到第六数据集，所述第六数据集为变化环境下地表水资源量预测数据集；基于所述第一多源数据集中的至少一种数据集，经过预设第二模型处理，得到第七数据集，所述第七数据集为变化环境下多源用水量预测数据集，所述至少一种数据集根据所述预设第二模型的类型确定；基于所述第一数据集、所述第六数据集和所述第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果。
可选地，在第一方面的一种可能的实现方式中，所述获取第一多源数据集，包括：获取第二多源数据集，所述第二多源数据集根据预设多源数据集处理得到；按照标准化处理所述第二多源数据集，得到所述第一多源数据集。
可选地，在第一方面的一种可能的实现方式中，基于所述第二数据集，经过预设处理方法，得到第五数据集，包括：根据神经网络训练方法，建立所述第二数据集中的历史气象监测数据和所述全球气候模式气象预测数据之间的对应关系；基于所述对应关系，对所述全球气候模式气象预测数据进行偏差矫正，得到第八数据集；根据聚类中心初始化方法，在所述第八数据集中确定所述第五数据集。
可选地，在第一方面的一种可能的实现方式中，基于所述第二数据集、所述第四数据集和所述第五数据集，经过预设第一模型处理，得到第六数据集之前，所述方法还包括：获取第一模型库，所述第一模型包括多种开源分布式水文模型/多种开源陆面过程模型；在所述第一模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据、所述多源水资源数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第九数据集；确定第一目标函数；基于所述第四数据集中的所述历史时期代表性水文站点流量监测数据，经过所述目标函数，对每个所述第九数据集进行率定及验证；基于验证后的每个所述第九数据集构建至少一个所述预设第一模型。
可选地，在第一方面的一种可能的实现方式中，所述第二模型为分布式作物模型；所述方法还包括：获取第二模型库，所述第二模型库包括多种开源分布式作物模型；在所述第二模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第十数据集；确定第二目标函数；基于所述第四数据集中的所述历史时期农作物产量数据，经过所述第二目标函数，对每个所述第十数据集进行率定及验证；基于验证后的每个所述第十数据集构建至少一个所述分布式作物模型，所述分布式作物模型用于预测预设第一时间范围内的农业用水量。
可选地，在第一方面的一种可能的实现方式中，所述第二模型为预设工业用水量预测模型；所述方法还包括：在所述第三数据集选择所述预设第一时间范围内的GDP数据；基于所述GDP数据构建格网尺度工业用水量预测模型；获取预设第二时间范围内的格网尺度逐年工业用水量和逐年GDP数据；基于所述逐年工业用水量和所述逐年GDP数据，经过所述格网尺度工业用水量预测模型和预设回归方法，得到工业用水强度和工业用水强度的变化率，所述工业用水强度为所述预设第一时间范围对应的基准时间范围内的工业用水强度，所述基准时间范围为预先设置的任一历史时间范围；基于所述GDP数据、所述工业用水强度和所述工业用水强度的变化率，经过所述格网尺度工业用水量预测模型，得到所述预设工业用水量预测模型。
可选地，在第一方面的一种可能的实现方式中，所述第二模型为预设生活用水量预测模型；所述方法还包括：在所述第三数据集选择所述预设第一时间范围内的人口数据；基于所述人口数据构建格网尺度生活用水量预测模型；在所述第三数据集选择所述预设第二时间范围内的格网尺度逐年生活用水量和逐年人口数据；基于所述逐年生活用水量和所述逐年人口数据，经过所述格网尺度生活用水量预测模型和所述预设回归方法，得到生活用水强度和生活用水强度的变化率，所述生活用水强度为所述预设第一时间范围对应的所述基准时间范围内的生活用水强度；基于所述人口数据、所述生活用水强度和所述生活用水强度的变化率，经过所述格网尺度生活用水量预测模型，得到所述预设生活用水量预测模型。
可选地，在第一方面的一种可能的实现方式中，所述第七数据集包括所述预设第一时间范围内的农业用水量预测数据、工业用水量预测数据和生活用水量预测数据；基于所述第一数据集、所述第六数据集和所述第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果，包括：基于所述第一数据集中的所述地表水资源量对所述第六数据集进行偏差矫正，得到第一目标水资源量；基于所述第一目标水资源量确定第一目标水资源供水量；基于所述第一数据集中的所述农业用水量、所述工业用水量和所述生活用水量对所述第七数据集进行偏差矫正，得到第十一数据集，所述第十一数据集为变化环境下目标多源用水量预测数据集；基于所述第十一数据集确定变化环境下所述预设第一时间范围内的目标用水量；基于所述目标用水量和所述第一目标水资源供水量，确定变化环境下水资源供需平衡结果。
可选地，在第一方面的一种可能的实现方式中，所述方法还包括：获取不同空间尺度的地下水资源供水量；基于所述地下水资源供水量和所述第一目标水资源供水量确定第二目标水资源供水量；基于所述第二目标水资源供水量和所述目标用水量，确定变化环境下水资源供需平衡结果。
可选地，在第一方面的一种可能的实现方式中，所述方法还包括：当存在跨流域调水工程，获取对应的调水方案；基于所述调水方案对变化环境下水资源供需平衡进行调节，得到变化环境下水资源供需平衡结果。
可选地，在第一方面的一种可能的实现方式中，所述方法还包括：基于所述变化环境下水资源供需平衡结果，提供预警服务。
可选地，在第一方面的一种可能的实现方式中，所述方法还包括：基于所述变化环境下水资源供需平衡结果，经过预设知识图谱，构建水资源安全指挥决策方案。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的未来水资源供需平衡分析方法，考虑了未来气候变化及人类活动影响下的用水量变化，得到的水资源供需平衡分析结果更客观。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的未来水资源供需平衡分析方法的流程图；
图2是根据本发明实施例提供的遗传算法优化的BP神经网络流程图；
图3是根据本发明实施例提供的基准时期(2006－2015)及增温1.5℃情景下(2106－2115)各水资源一级区内的水资源供需情况示意图；
图4是根据本发明实施例的未来水资源供需平衡分析装置的结构框图；
图5是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图6是根据本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种未来水资源供需平衡分析方法，如图1所示，该方法包括如下步骤：
步骤101：获取第一多源数据集，所述第一多源数据集中的数据满足预设数据标准规范，且所述第一多源数据集包括：第一数据集、第二数据集、第三数据集和第四数据集，其中所述第一数据集包含历史时期不同空间尺度的地表水资源量、地表水资源供水量、农业用水量、工业用水量和生活用水量，所述第二数据集包括历史气象监测数据和全球气候模式气象预测数据，所述第三数据集包括历史人口数据、未来人口数据、历史GDP数据及未来GDP数据，所述第四数据集包括多源土地数据、多源水资源数据、满足条件的水资源分区行政单位边界数据、历史时期代表性水文站点流量监测数据、历史时期农作物产量数据、历史时期作物种植面积监测数据及未来时期作物种植面积预测数据。
具体地，不同空间尺度包括县级、市级、省级、水资源区级；地表水资源量、地表水资源供水量、农业用水量、工业用水量和生活用水量分别为历史时期内不同空间尺度对应的水资源数据；
多源土地数据包括1km×1km分辨率土壤数据、1km×1km分辨率土地利用类型数据、1km×1km分辨率高程数据；其中，1km×1km分辨率土地利用类型数据包括历史时期的土地利用类型数据和未来不同情景下土地利用类型数据
多源水资源数据包括0.5°×0.5°格网尺度河流流向数据、跨流域调水工程调水方案。
预设数据标准规范表示以三维栅格数组形式(x×y×z)存储空间数据，不同x和y反映了数据的空间变化，依据土地覆盖范围，建立规则矩形(纬度：0°～55°N，经度：70°E－140°E)，以0.5°×0.5°规则格网为基本单位，故可分为110行×140列的栅格数组，即x＝110，y＝140的栅格数组，用于存储空间数据。每个0.5°×0.5°格网在栅格数组中位置确定的方法如下：
xi＝(54.75-Lati)×2+1
yi＝(Loni-70.25)×2+1
式中：Lati表示每个格网中心点的纬度；Loni表示每个格网中心点的经度。
z反映了数据的时间变化，对于土壤数据、高程数据等仅有一期的数据，z＝1；对于土地利用数据、气象数据等有多期的数据，z＞1。
根据该预设数据标准规范，并利用Arcgis、Matlab等软件，可以将数据处理为统一的规范格式。
步骤102：基于所述第二数据集，经过预设处理方法，得到第五数据集，所述第五数据集为气候变化情景预测数据集。
具体地，第二数据集中包括历史气象监测数据和全球气候模式气象预测数据；因此，利用历史气象监测数据对不同全球气候模式下的气象预测数据进行处理，可以得到气候变化情景预测数据集。
步骤103：基于所述第二数据集、所述第四数据集和所述第五数据集，经过预设第一模型处理，得到第六数据集，所述第六数据集为变化环境下地表水资源量预测数据集。
具体地，预设第一模型为基于第四数据集和第二数据集预先构建好的地表水资源量预测模型；
根据该地表水资源量预测模型，基于第五数据集中的气候变化情景预测数据对变化环境下(基准时期、未来增温情景下)地表水资源量进行预测，得到变化环境下地表水资源量预测数据集。
具体地，在第五数据集中选取不同变化情景下的气候预测数据(基准时期、未来增温情景下)，当对于未来地表水资源量进行模拟时，土地利用类型数据可采用历史时期的土地利用类型数据也可采用未来相应情景下的土地利用类型数据。
首先将标准格式的气候预测数据处理成为该地表水资源量预测模型指定格式的气候预测数据，驱动已构建的地表水资源预测模型，模拟不同变化情景下格网尺度的地表水资源量，并对于不同变化情景下指定维度(格网、县级、市级、省级、水资源区级)的地表水资源量模拟值及模拟变化幅度进行统计分析，一定维度内所有格网的地表水资源量之和即代表该范围内的总地表水资源量。得到至少一个变化环境下地表水资源量预测数据集。将各个变化环境下地表水资源量预测数据集的中值作为最终地表水资源量预测结果，即变化环境下地表水资源量预测数据集。
步骤104：基于所述第一多源数据集中的至少一种数据集，经过预设第二模型处理，得到第七数据集，所述第七数据集为变化环境下多源用水量预测数据集，所述至少一种数据集根据所述预设第二模型的类型确定。
具体地，多源用水量可以包括农业用水量、工业用水量、生活用水量等；对应预设第二模型可以为预先构建好的分布式作物模型、工业用水量预测模型、生活用水量预测模型，分别用于预测对应的农业用水量、工业用水量、生活用水量。
在第一多源数据集中选取对应数据集时，可以根据预设第二模型的类型进行选择。比如，当预设第二模型为预测农业用水量的分布式作物模型时，则在第一多源数据集中选择第四数据集中的多源土地数据、农作物产量数据、历史时期作物种植面积监测数据及未来时期作物种植面积预测数据输入该分布式作物模型。同时，选择第五数据集以及第一多源数据集中的第二数据集，可以得到对应时期内变化环境下的农业用水量预测数据集。
具体地，采用不同变化情景下(基准时期、未来增温情景下)的气候预测数据，当对于未来作物产量进行模拟时，种植面积数据可采用历史时期的种植面积监测数据也可采用未来相应情景下的种植面积预测数据。
首先将标准格式的气候预测数据处理成为该分布式作物模型指定格式的气候预测数据，利用该分布式作物模型最优参数集中至少一组最优参数，驱动已构建的分布式作物模型，模拟不同变化情景下格网尺度的各作物类型农业用水量变化趋势，并对于不同变化情景下指定维度(格网、县级、市级、省级、水资源区级)的总农业用水量模拟值及模拟变化幅度进行统计分析，一定维度内所有格网、所有作物的农业用水量之和即代表该范围内的总农业用水量，得到对应的至少一个农业用水量预测数据集。
一定维度内所有格网的农业用水量之和即代表该范围内的总农业用水量。其中格网尺度农业用水总量的计算公式为：
式中：i表示作物品种；Irti表示格网尺度作物品种i的灌溉用水量年均值(单位：m3)；Iri表示格网尺度作物品种i的单位面积灌溉用水量年均值(单位：mm)；Areai表示格网内部作物品种i的灌溉面积(单位：m2)。
将不同变化情景下农业用水量模拟值及模拟变化幅度的中值作为最终农业用水量预测结果。
当预设第二模型为工业用水量预测模型时，选择第一数据集和第三数据集进行预测。
具体地，将对应时间段内逐年的格网尺度GDP数据分别输入该工业用水量预测模型，可以得到对应时间段内格网尺度逐年的工业用水量。
对于不同变化情景下(基准时期、未来增温情景下)指定维度(格网、县级、市级、省级、水资源区级)的工业用水量模拟值及模拟变化幅度进行统计分析。一定维度内所有格网的工业用水量之和即代表该范围内的总工业用水量。
当预设第二模型为生活用水量预测模型时，选择第一数据集和第三数据集中的人口数据等对变化环境下的生活用水量进行预测。
具体地，将对应时间段内逐年的格网尺度人口数据分别输入该生活用水量预测模型，可以得到对应时间段内格网尺度逐年的生活用水量。
对于不同变化情景下(基准时期、未来增温情景下)指定维度(格网、县级、市级、省级、水资源区级)的生活用水量模拟值及模拟变化幅度进行统计分析。一定维度内所有格网的生活用水量之和即代表该范围内的总生活用水量。
根据得到的变化环境下的农业用水量预测数据、工业用水量预测数据以及生活用水量预测数据可以建立得到对应的变化环境下多源用水量预测数据集。
步骤105：基于所述第一数据集、所述第六数据集和所述第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果。
具体地，利用第一数据集中的数据对得到的变化环境下地表水资源量预测数据集以及变化环境下多源用水量预测数据集进行处理，得到更准确的变化环境下地表水资源量预测数据集以及变化环境下多源用水量预测数据集；在变化环境下地表水资源量预测数据集中可以确定变化环境下地表水资源供水量；通过对变化环境下地表水资源供水量和变化环境下多源用水量进行分析，可以得到变化环境下水资源供需平衡结果。
在实际应用中，对变化环境下地表水资源供水量进行预测时，需要根据实际情况设定一定比例(X％，即地表水资源供水系数)的地表水资源量为地表水资源供水量，超过这一阈值将会对生态系统的可持续发展造成威胁，即：地表水资源供水量＝地表水资源量×X％。
本发明实施例提供的未来水资源供需平衡分析方法，考虑了未来气候变化及人类活动影响下的用水量变化，得到的水资源供需平衡分析结果更客观。
作为本发明实施例一种可选的实施方式，步骤101，包括：获取第二多源数据集，所述第二多源数据集根据预设多源数据集处理得到；按照标准化处理所述第二多源数据集，得到所述第一多源数据集。
具体地，预设多源数据集中包括第一数据集、第二数据集、第三数据集和第四数据集。其中，预设多源数据集中：
历史气象监测数据来自WATCH(Water and Global Change)项目。在WATCH数据集中，降水数据采用第四代GPCC产品(Global Precipitation Climatology Centre fullproduct version 4)和CRU(Climatic Research Unit)TS2.1格网观测值进行矫正。温度数据采用CRU TS2.1数据进行矫正。
全球气候模式气象预测数据包括HAPPI项目提供的全球气候模式数据及CMIP6项目提供的全球气候模式数据。HAPPI项目提供了经过偏差矫正的相对于工业化之前时期增温1.5℃和2.0℃数据集，更为适合分析《巴黎协定》的增温目标下的气候变化影响情况。该数据集时间分辨率为逐日，空间分辨率为0.5°×0.5°格网尺度，该数据集共有4个全球气候模式，包括ECHAM6－3－LR，MIROC5，NorESM1－HAPPI，以及CAM4－2degree，由于设置了不同的初始状态，每个GCM中包含了10－20个集合。CMIP6项目提供了多个全球气候模式数据。近两年，耦合模式比较计划进入第六阶段(Coupled Model Intercomparison Project，Phase6；CMIP6)，在CMIP6项目中，全球气候模式进行了进一步的改进、升级和换代，在气候变化问题上考虑更为复杂的生物地球物理化学过程，大气海洋模式的分辨率明显提高，同时考虑了基于共享社会经济路径(Shared Socioeconomic Pathways，SSPs)和典型浓度路径(Representative Concentration Pathways，RCPs)的组合情景，每种情景代表了不同的社会经济发展模式，包括经济发展、人口增长、技术进步、环境发展、政府管理、生活方式以及全球化等特征，包含了未来社会经济发展的含义。该数据集的时间分辨率为逐日，不同的全球气候模式空间分辨率不同。
1km×1km分辨率土壤数据可以从“黑河计划数据管理中心”提供的基于世界土壤数据库(Harmonized World Soil Database，HWSD)的中国土壤数据集中获取得到；
历史时期的土地利用类型数据包含马里兰大学研制发展的土地利用类型数据(仅一期)以及中国科学院资源与环境科学数据中心提供的土地利用类型数据(1980、1990、1995、2000、2005、2010、2015、2020多期)；
1km×1km分辨率高程数据可以从“黑河计划数据管理中心”的1km数字高程数据集(Digital Elevation Model，DEM)中获取得到；
0.5°×0.5°格网尺度河流流向数据可以从基于主导河流追踪算法(DominantRiver Tracing，DRT)得到的全球河网数据集中获取得到；
历史时期作物种植面积监测数据及未来时期作物种植面积预测数据分别来自SPAM 2005数据集及ISIMIP2b项目数据库。
对获取的预设多源数据集中的数据进行质量控制，包括对于空值以及异常值的处理。具体的处理方法可以为剔除异常值及采用三次样条插值法对于空值进行插补。本发明实施例中对该处理方法不做具体限定，只要满足处理需求即可。
在数据预测过程中，涉及多种分布式水文模型、分布式作物模型等处理模型，不同模型之间所需输入数据大致相同，比如均需气象数据、土壤数据，但不同模型之间的输入数据格式有所差异。若对于不同的模型，分别处理输入数据，将大大增加模型的计算量，影响模型的计算效率，因此，利用步骤101中描述的预设数据标准规范对处理得到的第二多源数据集进行标准化处理，得到第一多源数据集。
作为本发明实施例一种可选的实施方式，步骤102，包括：根据神经网络训练方法，建立所述第二数据集中的历史气象监测数据和所述全球气候模式气象预测数据之间的对应关系；基于所述对应关系，对所述全球气候模式气象预测数据进行偏差矫正，得到第八数据集；根据聚类中心初始化方法，在所述第八数据集中确定所述第五数据集。
首先，利用基于遗传算法改进的方向传播神经网络训练方法(GA－BP)建立历史气象监测数据和相应时期全球气候模式气象预测数据之间的对应关系，利用该对应关系，对全球气候模式气象预测数据进行偏差矫正。
其中，BP神经网络是一种通过反向传播算法训练的由输入层、输出层及若干隐藏层的节点相互连接而成的多层前馈网络，具有很强的非线性映射能力，其算法过程可分为前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过神经元非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的连接强度和隐层节点与输出节点的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络权值和阈值，训练即告停止。但这一过程容易陷入局部最小值。而遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和自然遗传过程中的繁殖、杂交和突变现象。利用遗传算法求解时，每一个可能解都被编码成一个“染色体”，即个体，若干个个体构成了群体，即所有可能解。在遗传算法开始时，总是随机地产生一些个体，即初始解，根据预定的目标函数对每一个个体进行评估，给出一个适应度值，基于此适应度值，选择一些个体用来产生下一代，选择操作体现了“适者生存”的原理，高适应度的个体被用来产生下一代，“坏”的个体则被淘汰，然后选择出来的个体，经过交叉和变异算子进行再组合生成新的一代，这一代的个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着最优解的方向进化。因此通过遗传算法优化可以更好地搜索到网络间权值的全局最优解，从而提高模型准确性。GA－BP算法具体流程如图2所示。
其次，调用全球气候模式气象预测数据以及历史气象监测数据，利用历史气象监测数据并基于GA－BP方法对全球气候模式气象预测数据进行偏差矫正，得到第八数据集。
然后，由于GCMs中集合数目的增加可以很好地代表GCMs的不确定性，但是使用全部的集合进行模拟分析会大大地增加计算时间与数据量。因此，采用聚类中心初始化方法在得到的第八数据集中选取代表性集合得到第五数据集。
具体的选取步骤为：
1)选择最接近第八数据集质心的集合作为第一个代表性集合；
2)选择距离第一个集合最远的集合作为第二个代表性集合；
3)之后的集合根据距离之前已经选择的集合的距离进行选择：对于所有剩余的集合，计算每个集合与之前已被选定集合的距离，取该集合与之前选定集合的最短距离；所有剩余集合中计算的与已选集合最短距离最大的集合被选作下一个代表性集合。重复多次，并依次选择后续代表性集合。
作为本发明实施例一种可选的实施方式，步骤103之前，所述方法还包括：获取第一模型库，所述第一模型包括多种开源分布式水文模型/多种开源陆面过程模型；在所述第一模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据、所述多源水资源数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第九数据集；确定第一目标函数；基于所述第四数据集中的所述历史时期代表性水文站点流量监测数据，经过所述目标函数，对每个所述第九数据集进行率定及验证；基于验证后的每个所述第九数据集构建至少一个所述预设第一模型。
具体地，第一模型库表示地表水资源量计算模型库，可以包括多种开源分布式水文模型或陆面过程模型，比如VIC、LPJ、GBHM、DBH、H08等。该第一模型库可以不断更新，修改、删除或增加模型。
调用模型库中指定的一个或多个模型，从第一多源数据集中调用气象、土地利用类型、土壤、高程等数据，经拟调用模型的输入数据预处理程序将标准格式输入数据处理得到拟调用模型指定格式的输入数据，构建一个或多个地表水资源量预测模型。
利用历史时期代表性水文站点流量监测数据，通过SCE－UA参数自动率定法，对于模型进行参数率定及验证，采用参数移植法对于已率定及验证格网的参数进行外推，获得未率定格网的参数。利用率定及验证后的参数可以得到最终地表水资源量预测模型，即预设第一模型。
其中，采用KGE(Kling－Gupta Efficiency)值作为率定参数时的目标函数，KGE值的计算方法为：
KGE＝1-ED
式中：ED表示距理想点的欧几里得距离(Euclidian distance)；γ表示模拟值序列(xs)和观测值序列(xo)之间的线性相关系数，其中，(μs，σs)表示模拟值序列(xs)的均值和标准差；(μo，σo)表示观测值序列(xo)的均值和标准差；Covso表示模拟值序列(xs)和观测值序列(xo)之间的协方差；KGE表示模型的模拟效果，KGE值越接近于1，证明模拟的效果越好。其中，模拟值序列(xs)由预测数据构成；观测值序列(xo)由实测数据构成；理想点表示最优值，当模拟值＝观测值时，该模拟值即为最优值，该值即为理想点。比如，当观测值序列为[1，3，2，4，5]时，理想点(最优值)序列也为[1，3，2，4，5]。
作为本发明实施例一种可选的实施方式，第二模型为分布式作物模型时，所述方法还包括：获取第二模型库，所述第二模型库包括多种开源分布式作物模型；在所述第二模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第十数据集；在所述第四数据集中选择所述历史时期农作物产量数据；基于所述历史时期农作物产量数据对每个所述第十数据集进行率定及验证；基于验证后的每个所述第十数据集构建至少一个所述分布式作物模型，所述分布式作物模型用于预测预设第一时间范围内的农业用水量。
具体地，第二模型库中设置有多种开源分布式作物模型，包括MCWLAs系列模型、PDSSAT作物模型、PAPSIM作物模型等。该第二模型库可以不断更新，修改、删除或增加模型。
调用模型库中指定的一个或多个模型，从第一多源数据集中调用气象、土地利用类型、土壤、高程等数据，经拟调用模型的输入数据预处理程序将标准格式输入数据处理得到拟调用模型指定格式的输入数据，构建一个或多个分布式作物模型，用于农业用水量的预测。
利用第四数据集中的农作物产量数据，对分布式作物模型进行参数率定及验证。
具体地，采用最邻近参数移植法对于已率定格网的参数进行外推，获得未率定格网的参数。均方根误差(Root－Mean－Square Error，RMSE)和相关系数(correlationcoefficient，r)用于评估模型的模拟效果。考虑到作物品种和管理措施的多样性，为保证模拟的合理性，对于每种作物在率定及验证时可选取一定数量的参数组合存储至最优参数集中，构建分布式作物模型超集合参数集。利用该分布式作物模型超集合参数集构建得到最终分布式作物模型，并用于预测预设第一时间范围内变化环境下的农业用水量。
作为本发明实施例一种可选的实施方式，第二模型为预设工业用水量预测模型时，所述方法还包括：在所述第三数据集选择所述预设第一时间范围内的GDP数据；基于所述GDP数据构建格网尺度工业用水量预测模型；获取预设第二时间范围内的格网尺度逐年工业用水量和逐年GDP数据；基于所述逐年工业用水量和所述逐年GDP数据，经过所述格网尺度工业用水量预测模型和预设回归方法，得到工业用水强度和工业用水强度的变化率，所述工业用水强度为所述预设第一时间范围对应的基准时间范围内工业用水强度，所述基准时间范围为预先设置的任一历史时间范围；基于所述GDP数据、所述工业用水强度和所述工业用水强度的变化率，经过所述格网尺度工业用水量预测模型，得到所述预设工业用水量预测模型。
具体地，构建的格网尺度工业用水量预测模型为：
式中：t表示预设第一时间范围；Wind，t表示t对应的工业用水量；GDPt表示t对应的GDP数据；iind，t0表示t0内的工业用水强度；Sind，cat表示工业用水强度的变化率；其中，t0表示基准时间范围，可以为某一年或某一段时间，比如2006年或者2006－2010年，根据t确定。
利用一定时间段(第二时间范围)的格网尺度逐年工业用水量和GDP数据，依据格网尺度工业用水量预测模型，逐格网建立多个方程(一年一个方程)，依据多元回归的方法，对于各个0.5°×0.5°格网拟合得到iind，t0和Sind，cat。
将预设第一时间范围内格网尺度GDP数据、拟合得到的基准时间范围内工业用水强度iind，t0和工业用水强度的变化率Sind，cat代入上述构建的格网尺度工业用水量预测模型，可用于预测预设第一时间范围内变化环境下的工业用水量。
作为本发明实施例一种可选的实施方式，第二模型为预设生活用水量预测模型时，所述方法还包括：在所述第三数据集选择所述预设第一时间范围内的人口数据；基于所述人口数据构建格网尺度生活用水量预测模型；在所述第三数据集选择所述预设第二时间范围内的格网尺度逐年生活用水量和逐年人口数据；基于所述逐年生活用水量和所述逐年人口数据，经过所述格网尺度生活用水量预测模型和所述预设回归方法，得到生活用水强度和生活用水强度的变化率，所述生活用水强度为所述预设第一时间范围对应的所述基准时间范围内的生活用水强度；基于所述人口数据、所述生活用水强度和所述生活用水强度的变化率，经过所述格网尺度生活用水量预测模型，得到所述预设生活用水量预测模型。
具体地，构建的格网尺度生活用水量预测模型为：
式中：t表示预设第一时间范围；Wdom，t表示t对应的生活用水量；Popt表示t对应的人口数据；idom，t0表示t0内的生活用水强度；Sdom，cat表示生活用水强度的变化率；其中，t0表示基准时间范围，可以为某一年或某一段时间，比如2006年或者2006－2010年，根据t确定。
利用一定时间段(第二时间范围)的格网尺度逐年生活用水量和人口数据，依据格网尺度生活用水量预测模型，逐格网建立多个方程(一年一个方程)，依据多元回归的方法，对于各个0.5°×0.5°格网拟合得到idom，t0和Sdom，cat。
将预设第一时间范围内格网尺度人口数据、拟合得到的基准时间范围内生活用水强度idom，t0和生活用水强度的变化率Sdom，cat代入上述构建的格网尺度生活用水量预测模型，可以得到最终生活用水量预测模型，并用于预测预设第一时间范围内变化环境下的生活用水量。
作为本发明实施例一种可选的实施方式，第七数据集包括所述预设第一时间范围内的农业用水量预测数据、工业用水量预测数据和生活用水量预测数据；步骤105，包括：基于所述第一数据集中的所述地表水资源量对所述第六数据集进行偏差矫正，得到第一目标水资源量；基于所述第一目标水资源量确定第一目标水资源供水量；基于所述第一数据集中的所述农业用水量、所述工业用水量和所述生活用水量对所述第七数据集进行偏差矫正，得到第十一数据集，所述第十一数据集为变化环境下目标多源用水量预测数据集；基于所述第十一数据集确定变化环境下所述预设第一时间范围内的目标用水量；基于所述目标用水量和所述第一目标水资源供水量，确定变化环境下水资源供需平衡结果。
具体地，第七数据集为变化环境下多源用水量预测数据集，根据上述内容，可以得到该第七数据集包括利用不同用水量预测模型得到的预设第一时间范围内的农业用水量预测数据、工业用水量预测数据和生活用水量预测数据。
根据变化环境下的水资源供水量和用水量对变化环境下水资源供需平衡进行分析。
首先，由于模型对于地表水资源量、农业用水量、工业用水量、生活用水量模拟有一定的偏差，所以对于未来增温情景下水资源供需情况进行分析时，根据指定维度(县级、市级、省级、水资源区级)的地表水资源量、农业用水量、工业用水量、生活用水量的基准时间范围内的统计值，以及未来增温情景下地表水资源量、农业用水量、工业用水量、生活用水量相对于基准时间范围内的变化幅度的模拟值来推算指定维度(县级、市级、省级、水资源区级)未来增温情景下的地表水资源量、农业用水量、工业用水量和生活用水量。其中，基准时间范围内的统计值分别为第一数据集中的地表水资源量、农业用水量、工业用水量和生活用水量。具体的推算如下述公式所示：
Maj,future＝Mo,baseline×(1+ΔMs,future)
式中：Maj，future表示未来增温情景下的地表水资源量、农业用水量、工业用水量和生活用水量；Mo，baseline表示基准时间范围内的第一地表水资源量、第一农业用水量、第一工业用水量和第一生活用水量；ΔMs，future表示未来增温情景下地表水资源量、农业用水量、工业用水量、生活用水量相对于基准时间范围内的变化幅度的模拟值。
具体地，第一数据集中的地表水资源量表示基准时间范围内的地表水资源量；第六数据集为变化环境下地表水资源量预测数据集；因此，首先，利用第一数据集中的地表水资源量对该变化环境下地表水资源量预测数据集中的数据进行偏差矫正，可以得到变化环境下的最终地表水资源量预测数据，即第一目标水资源量；利用该第一目标水资源量并基于预设比例确定第一目标水资源供水量；
其次，第一数据集中的农业用水量、工业用水量和生活用水量分别表示基准时间范围内的农业用水量、工业用水量以及生活用水量；因此，利用该第一数据集中的基准数据对变化环境下的多源用水量预测数据集中的预测数据进行偏差矫正，可以得到变化环境下目标多源用水量预测数据集，即第十一数据集；
然后，利用该第十一数据集可以得到预设第一时间范围内变化环境下的最终用水量，即目标用水量：
目标用水量＝第十一数据集中的农业用水量+第十一数据集中的工业用水量+第十一数据集中的生活用水量；
最后，将该目标用水量与该第一目标水资源供水量进行比对，当第一目标水资源供水量大于目标用水量时，则判断水资源供需平衡；若第一目标水资源供水量小于目标用水量，则判断水资源供需不平衡。第一目标水资源供水量与目标用水量之差若为正值，则为水资源盈余量；若为负值，则为水资源亏缺量。
作为本发明实施例一种可选的实施方式，所述方法还包括：获取不同空间尺度的地下水资源供水量；基于所述地下水资源供水量和所述第一目标水资源供水量确定第二目标水资源供水量；基于所述第二目标水资源供水量和所述目标用水量，确定变化环境下水资源供需平衡结果。
具体地，由于地下水资源供水量不受未来气候变化的影响，假设不同时期地下水供水方案一致，故在预设第一时间范围内基准时期及未来时期地下水资源供水量数值固定，在分析未来水资源供需平衡性相对于基准时期变化时，对于研究结果无影响，因此，一般在对变化环境下水资源供需平衡变化进行分析时，不考虑该地下水资源供水量。
若系统在预设第一时间范围内基准时期及未来时期，地下水资源供水方案不同，可根据该地下水资源供水量与第一目标水资源供水量确定第二目标水资源供水量：
第二目标水资源供水量＝第一目标水资源供水量+地下水资源供水量
根据该第二目标水资源供水量和目标用水量，对变化环境下水资源供需平衡进行分析。
作为本发明实施例一种可选的实施方式，所述方法还包括：当存在跨流域调水工程，在所述第四数据集中所述多源水资源数据中获取对应的调水方案；基于所述调水方案对变化环境下水资源供需平衡进行调节，得到变化环境下水资源供需平衡结果。
具体地，对变化环境下水资源供需平衡进行分析时，如果存在跨流域调水工程，则在第四数据集中选择对应的调水方案对供水区和受水区的供/用水量进行调节。
作为本发明实施例一种可选的实施方式，所述方法还包括：基于所述变化环境下水资源供需平衡结果，提供预警服务。
具体地，对供水量小于用水量的地区进行预警。
作为本发明实施例一种可选的实施方式，所述方法还包括：基于所述变化环境下水资源供需平衡结果，经过预设知识图谱，构建水资源安全指挥决策方案。
具体地，基于水利知识图谱库、历史场景模式库、业务规则库、专家经验库建立保障供水安全的智慧决策方法。当某一地区的供需水安全受到预警时，可以针对不同的地区提供不同的解决方案。
在一实例中，计算增温1.5℃情景下0.5°×0.5°格网尺度的地表水资源量、农业用水量、工业用水量、生活用水量。综合分析增温1.5℃情景下(2106－2115)供水量与用水量之间的关系相对于基准时期(2006－2015)的变化，做出预警，并提出适应性对策。
具体地，建立预设多源数据集，包括：1)供水量、用水量等统计数据：我国及各水资源一级区的地表水资源量、地表水资源供水量、用水量数据来自中国水资源公报(说明：《公报》中涉及的全国性数据，均未包含香港特别行政区、澳门特别行政区和台湾省)，数据时间年限为2003－2018年。本实施例所收集的数据包括全国及各个水资源一级区的地表水资源量、地表水资源供水量、用水量(农业用水量、工业用水量、生活用水量)等数据。
2)人口及GDP数据：ISIMIP2b项目提供的2006－2115年0.5°×0.5°格网尺度的人口和GDP数据。
3)HAPPI项目提供的全球气候模式气象预测数据，该数据包括4个全球气候模式，分为两个时间段，分别为基准时期(2006－2015年)以及增温1.5℃情景下(2106－2115)。
4)0.5°×0.5°格网尺度历史气象监测数据来自WATCH(Water and GlobalChange)项目。
5)VIC模型输入数据集，包括0.5°×0.5°格网尺度土壤数据、土地利用类型数据、高程数据。
6)历史时期大通站、花园口站流量监测数据。
7)历史时期我国各省份玉米、小麦、水稻产量数据。
8)水资源一级区边界数据(包括松花江区、辽河区、西北诸河区、海河区、黄河区、长江区、淮河区、西南诸河区、东南诸河区、珠江区)。
9)0.5°×0.5°格网尺度河流流向数据。来源于基于主导河流追踪算法(DominantRiver Tracing，DRT)得到的全球河网数据集。
10)0.5°×0.5°格网尺度历史时期作物种植面积监测数据，来自SPAM 2005数据集。
对数据进行质量控制与标准化处理得到第一多源数据集；
全球气候模式数据代表性子集选取：HAPPI项目提供的经偏差矫正的4个全球气候模式中各包含了10－20个初始状态不同的集合，如下表1所示：
表1、本实例中每个全球气候模式在基准时期(2006－2015)和增温1.5℃情景下(2106－2115)的集合数目
分布式水文模型VIC计算所需计算机资源较大，所需计算时间较长，所以在分析未来地表水资源量时，选择代表性集合驱动VIC水文模型进行分析。采用聚类中心初始化方法在每个全球气候模式下选择出5个具有代表性的集合进行模拟。由于VIC模型的气象输入数据最少为4种，即日降水(单位：mm)、日最高温度(单位：℃)、日最低温度(单位：℃)、日均风速(单位：m/s)。所以本实施例选择气候模型子集时，考虑降水(ΔP/P；单位：％)、日最高温度和日最低温度((ΔTmax+ΔTmin)/2；单位：℃)、风速(ΔWind/Wind；单位：％)等变量的变化。对于全部集合，分别计算各大洲增温1.5℃情景下(2106－2115)，相对于基准时期(2006－2015)，基于面积加权的各变量均值的变化，在对各变量的变化进行标准化和归一化处理后，经聚类中心初始化方法筛选得到的代表性集合编号如下表2所示。
表2、依据聚类中心初始化方法选取的代表性集合编号
| 全球气候模式名称 | ECHAM6－3－LR | MIROC5 | NorESM1－HAPPI | CAM4－2degree |
| 代表性集合编号 | 16，18，13，8，12 | 5，3，6，9，7 | 10，4，14，11，5 | 14，4，8，11，19 |
变化环境下地表水资源供水量预测：从地表水资源量计算模型库中调用VIC水文模型；调用土壤、土地利用、高程等数据，构建分布式水文模型；对于VIC模型参数进行率定及验证时，气象数据采用历史时期0.5°×0.5°格网尺度WATCH气象监测数据集。通过VIC水文模型模拟得到的流量与典型控制断面监测的流量对比，采用SCE－UA参数自动率定法对于VIC水文模型的参数进行率定及验证，目标函数为KGE值。选取长江流域大通站及黄河流域花园口站对于VIC水文模型的参数进行率定及验证(如下表3所示)。对于全国范围内未被率定的格网，采用最邻近参数移植法确定其参数。
表3、用于率定和验证VIC水文模型参数的2个主要流域(水文站点)的基本信息
利用基准时期(2006－2015)及增温1.5℃情景下的经过聚类中心初始化方法选取的20个集合(4全球气候模式×5集合/全球气候模式)气象预测数据驱动VIC模型在0.5°×0.5°格网尺度对于地表水资源量进行模拟。模型模拟时，假设土壤数据、土地利用类型数据等在增温1.5℃情景下均与基准时期保持相同。
采用VIC模型的模拟结果对于变化环境下的供水量进行预测。对于20个气象预测数据集合模拟得到0.5°×0.5°格网尺度基准时期(2006－2015)及增温1.5℃情景下(2106－2115)的地表水资源量，并对基准时期年均地表水资源量的中值(单位：亿m3)，以及增温1.5℃情景下年均地表水资源量相对于基准时期变化幅度的中值(单位：％)进行统计分析。
在水资源一级区尺度，计算20组模拟结果在基准时期、增温1.5℃情景下的年均地表水资源量(单位：亿m3)及年均地表水资源量在增温1.5℃情景下相对于基准时期的变化(单位：％)。随后，基准时期20组模拟结果的中值代表基准时期各水资源一级区的地表水资源量(单位：亿m3)，20组模拟结果在增温1.5℃情景下相对于基准时期变化的中值代表地表水资源量的变化(单位：％)。如下表4所示，统计了基准时期(2006－2015)各水资源一级区内年均地表水资源量统计值和模拟值，及增温1.5℃情景下(2106－2115)各水资源一级区内地表水资源量相对于基准时期变化的模拟值。
表4、基准时期(2006－2015)各水资源一级区内年均地表水资源量统计值和模拟值、增温1.5℃情景下(2106－2115)各水资源一级区内地表水资源量相对于基准时期变化的模拟值
在本实例中，设定地表水资源量的40％为地表水资源供水量。
变化环境下农业用水量预测：在本实例中，MCWLAs系列模型用于评估增温情景下农业用水量相对于基准时期的变化，MCWLAs系列模型中包含多种子模型，比如对玉米进行模拟的MCWLA－Maize模型，对小麦进行模拟的MCWLA－Wheat模型，对水稻进行模拟的MCWLA－Rice模型。在本实例中，以玉米、水稻、小麦三种农作物的总灌溉用水量代表农业用水量。
从农业用水量预测模型库中调用MCWLAs系列模型。其中MCWLA－Maize模型用于对于玉米的灌溉用水量进行模拟，MCWLA－Wheat模型用于对于小麦的灌溉用水量进行模拟，MCWLA－Rice模型用于对于水稻的灌溉用水量进行模拟。
调用气象、土壤、CO2等数据构建系列分布式作物模型，基准时期CO2的浓度设置为390.5ppm，对于玉米和小麦，在模拟时设置了自动灌溉，即当蒸腾量与潜在蒸腾量的比值小于0.5时进行50mm的灌溉。而对于水稻，在模拟阶段当需要灌溉时即进行充分灌溉。
根据历史时期各省份玉米、小麦、水稻产量统计数据对于MCWLA－Maize、MCWLA－Wheat、MCWLA－Rice等模型格网尺度的参数进行率定及验证。不同地区经过校准的产量差参数代表了不同地区的管理异质性。其中，RMSE和r用于评估模型的模拟效果。考虑到作物品种和管理措施的多样性，为保证模拟的合理性，对于每种作物在每一个省份各选取10组具有最优RMSE和r的参数存储至最优参数集中，构建MCWLAs系列模型超集合参数集。
利用基准时期(2006－2015)及增温1.5℃情景下的HAPPI全球气候模式数据集(共计70个集合)驱动MCWLA－Maize、MCWLA－Wheat、MCWLA－Rice模型在0.5°×0.5°格网尺度分别对于三种主要农作物进行模拟。模型模拟时，假设管理措施、作物品种以及种植面积在增温1.5℃情景下均与基准时期保持相同。
采用MCWLAs模型的模拟结果来分析增温1.5℃情景下(2106－2115)农业用水量相对于基准时期(2006－2015)的变化。对于农业用水量，MCWLAs模型利用HAPPI项目提供的气象数据对于三种主要作物(玉米、水稻、小麦)进行模拟，根据表1，在基准时期(2006－2015)、增温1.5℃情景(2106－2115)下各有4个全球气候模式共计70个集合。又由于模拟时采用了十套最优参数，所以对于每种作物，在基准时期(2006－2015)、增温1.5℃(2106－2115)情景下各有700组模拟结果(70集合×10套参数)。对于每种作物(玉米、水稻、小麦)在0.5°×0.5°格网尺度根据MCWLAs系列模型模拟得到的单位面积年均灌溉用水量(单位：mm)和其在0.5°×0.5°格网尺度的灌溉面积计算基准时期(2006－2015)、增温1.5℃情景(2106－2115)下格网尺度每组结果的年均灌溉用水量(单位：m3)。对于每组结果，格网尺度每种作物的年均灌溉用水量相加得到格网尺度全部三种作物的年均灌溉用水量。依据700组模拟结果，得到0.5°×0.5°格网尺度每种农作物及全部三种农作物基准时期(2006－2015)灌溉用水量的中值，以及增温1.5℃情景下(2106－2115)灌溉用水量相对于基准时期变化幅度的中值(单位：％)。
在水资源一级区尺度，根据全部作物在各个水资源一级区的种植情况，计算700组模拟结果在基准时期(2006－2015)、增温1.5℃情景下的灌溉用水量(单位：亿m3)及灌溉用水量的变化(单位：％)。随后，基准时期700组模拟结果的中值代表基准时期各水资源一级区的农业用水量(单位：亿m3)，700组模拟结果在增温1.5℃情景下相对于基准时期变化的中值代表农业用水量的变化(单位：％)，结果如下表5所示：
表5、基准时期(2006－2015)各水资源一级区内农业用水量统计值和模拟值、增温1.5℃情景下(2106－2115)各水资源一级区内农业用水量相对于基准时期变化的模拟值
工业用水量预测：调用分布式工业用水量预测模型；调用2006－2050年逐年格网尺度工业用水量和GDP数据，依据工业用水量预测模型，对于2006－2050年每年分别建立一个方程，其中t0＝2006，依据多元回归的方法，拟合得到
和Sind,cat。
将2006－2015年、2106－2115年逐年的格网尺度GDP数据分别代入格网尺度工业用水量预测模型，求得格网尺度2006－2015年、2106－2115年逐年的工业用水量，并统计各水资源一级区基准时期(2006－2015)的工业用水量统计值及模拟值及增温1.5℃情景下(2106－2115)的工业用水量相对于基准时期变化的模拟值，如下表6所示：
表6、基准时期(2006－2015)各水资源一级区内工业用水量统计值和模拟值、增温1.5℃情景下(2106－2115)各水资源一级区内工业用水量相对于基准时期变化的模拟值
生活用水量预测：调用分布式生活用水量预测模型；调用2006－2050年逐年格网尺度生活用水量和人口数据，依据生活用水量预测模型，对于2006－2050年每年分别建立一个方程，其中t0＝2006，依据多元回归的方法，拟合得到
和Sdom,cat。
将2006－2015年、2106－2115年逐年的格网尺度人口数据分别代入格网尺度生活用水量预测模型，求得格网尺度2006－2015年、2106－2115年逐年的生活用水量，并统计各水资源一级区基准时期(2006－2015)的生活用水量统计值及模拟值及增温1.5℃情景下(2106－2115)的生活用水量相对于基准时期变化的模拟值，如下表7所示：
表7、基准时期(2006－2015)各水资源一级区内生活用水量统计值和模拟值、增温1.5℃情景下(2106－2115)各水资源一级区内生活用水量相对于基准时期变化的模拟值
水资源供需平衡性分析：由于模型对于基准时期的地表水资源量、农业用水量、工业用水量、生活用水量模拟有一定的偏差，故模型对于未来气候变化情景下的地表水资源量、农业用水量、工业用水量、生活用水量模拟也有一定的偏差，所以对于增温1.5℃情景下水资源供需情况进行分析时，根据各水资源一级区来自水资源公报的地表水资源量、农业用水量、工业用水量、生活用水量的统计值(2006－2015)，以及增温1.5℃情景下地表水资源量、农业用水量、工业用水量、生活用水量相对于基准时期变化幅度的模拟值来推算各个水资源一级区在增温1.5℃情景下的地表水资源量、农业用水量、工业用水量、生活用水量。
M+1.5℃＝Mo,baseline×(1+ΔMs,+1.5℃)
式中：M+1.5℃表示未来增温1.5℃情景下的地表水资源量、农业用水量、工业用水量和生活用水量；Mo,baseline表示从中国水资源公报得到的基准时期地表水资源量、农业用水量、工业用水量、生活用水量统计值；ΔMs,+1.5℃表示未来增温1.5℃情景下地表水资源量、农业用水量、工业用水量、生活用水量相对于基准时期变化幅度的模拟值。根据上述公式，基准时期及增温1.5℃情景下的地表水资源量、农业用水量、工业用水量、生活用水量结果如下表8所示：
表8、基准时期(2006－2015)及增温1.5℃情景下(2106－2115)各水资源一级区内的地表水资源量和农业、工业、生活用水量(单位：亿m3)
根据预测得到的目标用水量和供水量对变化环境下水资源供需平衡进行分析，可以得到：在基准时期，水资源供需在辽河区、西北诸河区、海河区、黄河区、淮河区不平衡；增温1.5℃情景下，松花江区及上述各水资源一级区的水资源亏缺量将进一步扩大。而对于长江区、东南诸河区、珠江区，在增温1.5℃情景下水资源盈余量将大量减少，如图3所示。
另外，在基准时期，在辽河区、西北诸河区、海河区、黄河区、淮河区供水量小于用水量，对这些地区进行预警；在增温1.5℃情景下，松花江区、辽河区、西北诸河区、海河区、黄河区、淮河区供水量小于用水量，对这些地区进行预警。
构建水资源安全指挥决策方案：比如在用水侧实施节约用水，提高水资源利用效率；在供水侧丰富供水来源，探索非常规水资源的利用，加快建设跨流域调水工程。
本发明实施例还提供一种未来水资源供需平衡分析装置，如图4所示，该装置包括：
获取模块401，用于获取第一多源数据集，所述第一多源数据集中的数据满足预设数据标准规范，且所述第一多源数据集包括：第一数据集、第二数据集、第三数据集和第四数据集，其中所述第一数据集包含历史时期不同空间尺度的地表水资源量、地表水资源供水量、农业用水量、工业用水量和生活用水量，所述第二数据集包括历史气象监测数据和全球气候模式气象预测数据，所述第三数据集包括历史人口数据、未来人口数据、历史GDP数据及未来GDP数据，所述第四数据集包括多源土地数据、多源水资源数据、满足条件的水资源分区行政单位边界数据、历史时期代表性水文站点流量监测数据、历史时期农作物产量数据、历史时期作物种植面积监测数据及未来时期作物种植面积预测数据；详细内容参见上述方法实施例中步骤101的相关描述。
第一处理模块402，用于基于所述第二数据集，经过预设处理方法，得到第五数据集，所述第五数据集为气候变化情景预测数据集；详细内容参见上述方法实施例中步骤102的相关描述。
第二处理模块403，用于基于所述第二数据集、所述第四数据集和所述第五数据集，经过预设第一模型处理，得到第六数据集，所述第六数据集为变化环境下地表水资源量预测数据集；详细内容参见上述方法实施例中步骤103的相关描述。
第三处理模块404，用于基于所述第一多源数据集中的至少一种数据集，经过预设第二模型处理，得到第七数据集，所述第七数据集为变化环境下多源用水量预测数据集，所述至少一种数据集根据所述预设第二模型的类型确定；详细内容参见上述方法实施例中步骤104的相关描述。
分析模块405，用于基于所述第一数据集、所述第六数据集和所述第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果；详细内容参见上述方法实施例中步骤105的相关描述。
本发明实施例提供的未来水资源供需平衡分析装置，考虑了未来气候变化及人类活动影响下的用水量变化，得到的水资源供需平衡分析结果更客观。
作为本发明实施例一种可选的实施方式，所述获取模块包括：第一获取子模块，用于获取第二多源数据集，所述第二多源数据集根据预设多源数据集处理得到；第一处理子模块，用于按照标准化格式处理所述第二多源数据集，得到所述第一多源数据集。
作为本发明实施例一种可选的实施方式，所述第一处理模块包括：第一建立子模块，用于根据神经网络训练方法，建立所述第二数据集中的历史气象监测数据和所述全球气候模式气象预测数据之间的对应关系；第一矫正子模块，用于基于所述对应关系，对所述全球气候模式气象预测数据进行偏差矫正，得到第八数据集；第一确定子模块，用于根据聚类中心初始化方法，在所述第八数据集中确定所述第五数据集。
作为本发明实施例一种可选的实施方式，所述装置还包括：第一获取模块，用于获取第一模型库，所述第一模型包括多种开源分布式水文模型/多种开源分布式陆面过程模型；第四处理模块，用于在所述第一模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据、所述多源水资源数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第九数据集；第一确定模块，用于确定第一目标函数；第一率定模块，用于基于所述第四数据集中的所述历史时期代表性水文站点流量监测数据，经过所述目标函数，对每个所述第九数据集进行率定及验证；第一生成模块，用于基于验证后的每个所述第九数据集构建至少一个所述预设第一模型。
作为本发明实施例一种可选的实施方式，所述第二模型为分布式作物模型；所述装置还包括：第二获取模块，用于获取第二模型库，所述第二模型库包括多种开源分布式作物模型；第五处理模块，用于在所述第二模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第十数据集；第二确定模块，用于确定第二目标函数；第二率定模块，用于基于所述第四数据集中的所述历史时期农作物产量数据，经过所述第二目标函数，对每个所述第十数据集进行率定及验证；第二生成模块，用于基于验证后的每个所述第十数据集构建至少一个所述分布式作物模型，所述分布式作物模型用于预测预设第一时间范围内的农业用水量。
作为本发明实施例一种可选的实施方式，所述第二模型为预设工业用水量预测模型；所述装置还包括：第一选择模块，用于在所述第三数据集选择所述预设第一时间范围内的GDP数据；第一构建模块，用于基于所述GDP数据构建格网尺度工业用水量预测模型；第二选择模块，用于获取预设第二时间范围内的格网尺度逐年工业用水量和逐年GDP数据；第六处理模块，用于基于所述逐年工业用水量和所述逐年GDP数据，经过所述格网尺度工业用水量预测模型和预设回归方法，得到工业用水强度和工业用水强度的变化率，所述工业用水强度为所述预设第一时间范围对应的基准时间范围内的工业用水强度，所述基准时间范围为预先设置的任一历史时间范围；第三生成模块，用于基于所述GDP数据、所述工业用水强度和所述工业用水强度的变化率，经过所述格网尺度工业用水量预测模型，得到所述预设工业用水量预测模型。
作为本发明实施例一种可选的实施方式，所述第二模型为预设生活用水量预测模型；所述装置还包括：第三选择模块，用于在所述第三数据集选择所述预设第一时间范围内的人口统计数据；第二构建模块，用于基于所述人口统计数据构建格网尺度生活用水量预测模型；第四选择模块，用于在所述第三数据集选择所述预设第二时间范围内的格网尺度逐年生活用水量和逐年人口数据；第七处理模块，用于基于所述逐年生活用水量和所述逐年人口统计数据，经过所述格网尺度生活用水量预测模型和所述预设回归方法，得到生活用水强度和生活用水强度的变化率，所述生活用水强度为所述预设第一时间范围对应的所述基准时间范围内的生活用水强度；第四生成模块，用于基于所述人口统计数据、所述生活用水强度和所述生活用水强度的变化率，经过所述格网尺度生活用水量预测模型，得到所述预设生活用水量预测模型。
作为本发明实施例一种可选的实施方式，所述第七数据集包括所述预设第一时间范围内的农业用水量预测数据、工业用水量预测数据和生活用水量预测数据；所述分析模块包括：第二矫正子模块，用于基于所述第一数据集中的所述地表水资源量对所述第六数据集进行偏差矫正，得到第一目标水资源量；第二确定子模块，用于基于所述第一目标水资源量确定第一目标水资源供水量；第三矫正子模块，用于基于所述第一数据集中的所述农业用水量、所述工业用水量和所述生活用水量对所述第七数据集进行偏差矫正，得到第十一数据集，所述第十一数据集为变化环境下目标多源用水量预测数据集；第三确定子模块，用于基于所述第十一数据集确定变化环境下所述预设第一时间范围内的目标用水量；第四确定子模块，用于基于所述目标用水量和所述第一目标水资源供水量，确定变化环境下水资源供需平衡结果。
作为本发明实施例一种可选的实施方式，所述装置还包括：第三获取模块，用于获取不同空间尺度的地下水资源供水量；第三确定模块，用于基于所述地下水资源供水量和所述第一目标水资源供水量确定第二目标水资源供水量；第四确定模块，用于基于所述第二目标水资源供水量和所述目标用水量，确定变化环境下水资源供需平衡结果。
作为本发明实施例一种可选的实施方式，所述装置还包括：第四获取模块，用于当存在跨流域调水工程，获取对应的调水方案；调节模块，用于基于所述调水方案对变化环境下水资源供需平衡进行调节，得到变化环境下水资源供需平衡结果。
作为本发明实施例一种可选的实施方式，所述装置还包括：提供模块，用于基于所述变化环境下水资源供需平衡结果，提供预警服务。
作为本发明实施例一种可选的实施方式，所述装置还包括：第三构建模块，用于基于所述变化环境下水资源供需平衡结果，经过预设知识图谱，构建水资源安全指挥决策方案。
本发明实施例提供的未来水资源供需平衡分析装置的功能描述详细参见上述实施例中未来水资源供需平衡分析方法描述。
本发明实施例还提供一种存储介质，如图5所示，其上存储有计算机程序501，该指令被处理器执行时实现上述实施例中未来水资源供需平衡分析方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid－StateDrive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的未来水资源供需平衡分析方法。
存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1－3所示实施例中的未来水资源供需平衡分析方法。
上述电子设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (12)
1.一种未来水资源供需平衡分析方法，其特征在于，所述方法包括：
获取第一多源数据集，所述第一多源数据集中的数据满足预设数据标准规范，且所述第一多源数据集包括：第一数据集、第二数据集、第三数据集和第四数据集，其中所述第一数据集包含历史时期不同空间尺度的地表水资源量、地表水资源供水量、农业用水量、工业用水量和生活用水量，所述第二数据集包括历史气象监测数据和全球气候模式气象预测数据，所述第三数据集包括历史人口数据、未来人口数据、历史GDP数据及未来GDP数据，所述第四数据集包括多源土地数据、多源水资源数据、满足条件的水资源分区行政单位边界数据、历史时期代表性水文站点流量监测数据、历史时期农作物产量数据、历史时期作物种植面积监测数据及未来时期作物种植面积预测数据；
基于所述第二数据集，经过预设处理方法，得到第五数据集，所述第五数据集为气候变化情景预测数据集；
基于所述第二数据集、所述第四数据集和所述第五数据集，经过预设第一模型处理，得到第六数据集，所述第六数据集为变化环境下地表水资源量预测数据集；
基于所述第一多源数据集中的至少一种数据集，经过预设第二模型处理，得到第七数据集，所述第七数据集为变化环境下多源用水量预测数据集，所述至少一种数据集根据所述预设第二模型的类型确定；
基于所述第一数据集、所述第六数据集和所述第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果。
2.根据权利要求1所述的方法，其特征在于，所述获取第一多源数据集，包括：
获取第二多源数据集，所述第二多源数据集根据预设多源数据集处理得到；
按照标准化处理所述第二多源数据集，得到所述第一多源数据集。
3.根据权利要求1所述的方法，其特征在于，基于所述第二数据集，经过预设处理方法，得到第五数据集，包括：
根据神经网络训练方法，建立所述第二数据集中的历史气象监测数据和所述全球气候模式气象预测数据之间的对应关系；
基于所述对应关系，对所述全球气候模式气象预测数据进行偏差矫正，得到第八数据集；
根据聚类中心初始化方法，在所述第八数据集中确定所述第五数据集。
4.根据权利要求1所述的方法，其特征在于，基于所述第二数据集、所述第四数据集和所述第五数据集，经过预设第一模型处理，得到第六数据集之前，所述方法还包括：
获取第一模型库，所述第一模型包括多种开源分布式水文模型/多种开源陆面过程模型；
在所述第一模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据、所述多源水资源数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第九数据集；
确定第一目标函数；
基于所述第四数据集中的所述历史时期代表性水文站点流量监测数据，经过所述目标函数，对每个所述第九数据集进行率定及验证；
基于验证后的每个所述第九数据集构建至少一个所述预设第一模型。
5.根据权利要求1所述的方法，其特征在于，所述第二模型为分布式作物模型；所述方法还包括：
获取第二模型库，所述第二模型库包括多种开源分布式作物模型；
在所述第二模型库中选择至少一个模型，将所述第四数据集中的所述多源土地数据输入每个所述模型，经过预设数据处理方法，得到满足所述模型指定数据格式的至少一个第十数据集；
确定第二目标函数；
基于所述第四数据集中的所述历史时期农作物产量数据，经过所述第二目标函数，对每个所述第十数据集进行率定及验证；
基于验证后的每个所述第十数据集构建至少一个所述分布式作物模型，所述分布式作物模型用于预测预设第一时间范围内的农业用水量。
6.根据权利要求5所述的方法，其特征在于，所述第二模型为预设工业用水量预测模型；所述方法还包括：
在所述第三数据集选择所述预设第一时间范围内的GDP数据；
基于所述GDP数据构建格网尺度工业用水量预测模型；
获取预设第二时间范围内的格网尺度逐年工业用水量和逐年GDP数据；
基于所述逐年工业用水量和所述逐年GDP数据，经过所述格网尺度工业用水量预测模型和预设回归方法，得到工业用水强度和工业用水强度的变化率，所述工业用水强度为所述预设第一时间范围对应的基准时间范围内的工业用水强度，所述基准时间范围为预先设置的任一历史时间范围；
基于所述GDP数据、所述工业用水强度和所述工业用水强度的变化率，经过所述格网尺度工业用水量预测模型，得到所述预设工业用水量预测模型。
7.根据权利要求6所述的方法，其特征在于，所述第二模型为预设生活用水量预测模型；所述方法还包括：
在所述第三数据集选择所述预设第一时间范围内的人口数据；
基于所述人口数据构建格网尺度生活用水量预测模型；
在所述第三数据集选择所述预设第二时间范围内的格网尺度逐年生活用水量和逐年人口数据；
基于所述逐年生活用水量和所述逐年人口数据，经过所述格网尺度生活用水量预测模型和所述预设回归方法，得到生活用水强度和生活用水强度的变化率，所述生活用水强度为所述预设第一时间范围对应的所述基准时间范围内的生活用水强度；
基于所述人口数据、所述生活用水强度和所述生活用水强度的变化率，经过所述格网尺度生活用水量预测模型，得到所述预设生活用水量预测模型。
8.根据权利要求7所述的方法，其特征在于，所述第七数据集包括所述预设第一时间范围内的农业用水量预测数据、工业用水量预测数据和生活用水量预测数据；
基于所述第一数据集、所述第六数据集和所述第七数据集，对变化环境下水资源供需平衡进行分析，得到变化环境下水资源供需平衡结果，包括：
基于所述第一数据集中的所述地表水资源量对所述第六数据集进行偏差矫正，得到第一目标水资源量；
基于所述第一目标水资源量确定第一目标水资源供水量；
基于所述第一数据集中的所述农业用水量、所述工业用水量和所述生活用水量对所述第七数据集进行偏差矫正，得到第十一数据集，所述第十一数据集为变化环境下目标多源用水量预测数据集；
基于所述第十一数据集确定变化环境下所述预设第一时间范围内的目标用水量；
基于所述目标用水量和所述第一目标水资源供水量，确定变化环境下水资源供需平衡结果。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取不同空间尺度的地下水资源供水量；
基于所述地下水资源供水量和所述第一目标水资源供水量确定第二目标水资源供水量；
基于所述第二目标水资源供水量和所述目标用水量，确定变化环境下水资源供需平衡结果。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当存在跨流域调水工程，在所述第四数据集中所述多源水资源数据中获取对应的调水方案；
基于所述调水方案对变化环境下水资源供需平衡进行调节，得到变化环境下水资源供需平衡结果。
11.根据权利要求9所述的方法，其特征在于，所述方法还包括：
基于所述变化环境下水资源供需平衡结果，提供预警服务。
12.根据权利要求9所述的方法，其特征在于，所述方法还包括：
基于所述变化环境下水资源供需平衡结果，经过预设知识图谱，构建水资源安全指挥决策方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211186617.8A CN115640956A (zh) | 2022-09-27 | 2022-09-27 | 一种未来水资源供需平衡分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211186617.8A CN115640956A (zh) | 2022-09-27 | 2022-09-27 | 一种未来水资源供需平衡分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115640956A true CN115640956A (zh) | 2023-01-24 |
Family
ID=84941881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211186617.8A Pending CN115640956A (zh) | 2022-09-27 | 2022-09-27 | 一种未来水资源供需平衡分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115640956A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993184A (zh) * | 2023-09-28 | 2023-11-03 | 武汉大学 | 一种水资源短缺评估方法、系统及计算机可读存储介质 |
| CN117035336A (zh) * | 2023-08-18 | 2023-11-10 | 无锡利源节水股份有限公司 | 一种基于大数据的水资源管理一体化管控系统 |
| CN117196115A (zh) * | 2023-09-25 | 2023-12-08 | 中国科学院西北生态环境资源研究院 | 一种用水紧张程度的预测方法 |
-
2022
- 2022-09-27 CN CN202211186617.8A patent/CN115640956A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035336A (zh) * | 2023-08-18 | 2023-11-10 | 无锡利源节水股份有限公司 | 一种基于大数据的水资源管理一体化管控系统 |
| CN117035336B (zh) * | 2023-08-18 | 2024-03-29 | 无锡利源节水股份有限公司 | 一种基于大数据的水资源管理一体化管控系统 |
| CN117196115A (zh) * | 2023-09-25 | 2023-12-08 | 中国科学院西北生态环境资源研究院 | 一种用水紧张程度的预测方法 |
| CN116993184A (zh) * | 2023-09-28 | 2023-11-03 | 武汉大学 | 一种水资源短缺评估方法、系统及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Hybrid extreme learning machine with meta-heuristic algorithms for monthly pan evaporation prediction | |
| Ozoegwu | Artificial neural network forecast of monthly mean daily global solar radiation of selected locations based on time series and month number | |
| Ibrahim et al. | A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm | |
| CN111027175B (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
| CN115640956A (zh) | 一种未来水资源供需平衡分析方法 | |
| Khatib et al. | Solar energy prediction for Malaysia using artificial neural networks | |
| Dong et al. | Identification of watershed priority management areas under water quality constraints: a simulation-optimization approach with ideal load reduction | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| Pilz et al. | Seasonal drought prediction for semiarid northeast Brazil: what is the added value of a process-based hydrological model? | |
| CN110852473B (zh) | 一种基于神经网络算法的陆地水储量预测方法及设备 | |
| Verma et al. | Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment, Chhattisgarh, India | |
| Kisi et al. | A new method for evaporation modeling: dynamic evolving neural-fuzzy inference system | |
| Rajput et al. | Performance evaluation of soft computing techniques for forecasting daily reference evapotranspiration | |
| Elkiran et al. | Impact of climate change on hydro-climatological parameters in North Cyprus: application of artificial intelligence-based statistical downscaling models | |
| Abbasi et al. | Robust strategies for climate change adaptation in the agricultural sector under deep climate uncertainty | |
| Nazeri Tahroudi et al. | Application of copula‐based approach as a new data‐driven model for downscaling the mean daily temperature | |
| CN114818324A (zh) | 流域尺度的水量水质自动调控方法、装置、介质和设备 | |
| CN117172037B (zh) | 一种分布式水文预报方法、装置、计算机设备及介质 | |
| Shetty et al. | The effectiveness of machine learning‐based multi‐model ensemble predictions of CMIP6 in Western Ghats of India | |
| CN116307191B (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
| Memarian et al. | An expert integrative approach for sediment load simulation in a tropical watershed | |
| Bansal et al. | Biogeography-based optimization of artificial neural network (BBO-ANN) for solar radiation forecasting | |
| Naidu et al. | Development of rainfall prediction models using machine learning approaches for different agro-climatic zones | |
| Mattia et al. | Identifying marginal land for multifunctional perennial cropping systems in the Upper Sangamon River Watershed, Illinois | |
| Gupta et al. | Markov Chain Model Used in Agricultural Yield Predictions Utilizing on Indian Agriculture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |