CN117196115A - 一种用水紧张程度的预测方法 - Google Patents
一种用水紧张程度的预测方法 Download PDFInfo
- Publication number
- CN117196115A CN117196115A CN202311239080.1A CN202311239080A CN117196115A CN 117196115 A CN117196115 A CN 117196115A CN 202311239080 A CN202311239080 A CN 202311239080A CN 117196115 A CN117196115 A CN 117196115A
- Authority
- CN
- China
- Prior art keywords
- water
- future
- model
- predicting
- data
- 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
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 148
- 239000008235 industrial water Substances 0.000 claims abstract description 20
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008020 evaporation Effects 0.000 claims description 13
- 238000001704 evaporation Methods 0.000 claims description 13
- 230000002262 irrigation Effects 0.000 claims description 8
- 238000003973 irrigation Methods 0.000 claims description 8
- 230000005068 transpiration Effects 0.000 claims description 8
- 239000003673 groundwater Substances 0.000 claims description 4
- 238000009776 industrial production Methods 0.000 claims description 4
- 239000003621 irrigation water Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Abstract
本发明公开了一种用水紧张程度的预测方法,包括:利用CMIP6未来气候情景数据和SWAT模型生成可利用水量;利用蒸散发模型计算未来农业用水量;利用CMIP6未来GDP数据和每万元产值需水量计算工业用水;利用CMIP6未来人口数据和人均需水量计算未来生活用水;利用历史生态环境用水量和随机森林模型预测未来生态环境用水量;生成用水紧张程度指数数据集。本发明的方法,改进了现有的径流预报方法,达到高效、高精度的预测径流。
Description
技术领域
本发明涉及水资源预报技术,具体涉及一种未来情景下用水紧张程度的预测方法。
背景技术
目前,用水紧张程度数据的预测可以为水资源的优化配置提供前瞻性意见,进而协调不同部门用水量达到经济的可持续增长。不同部门用水效率不同,不同地区的用水紧张度也不尽相同,有些地区供水量大,但用水效率低,需要提升用水效率;有些地区的用水紧张度高,用水效率也高,因而在提高用水效率的同时增加供水来源,如调用水紧张度低的地区的水储量。最终实现不同区域的共同发展。
发明内容
本发明的主要目的在于提供一种用水紧张程度的预测方法,以改进现有的径流预报方法,达到高效、高精度的预测径流。
本发明采用的技术方案是:一种用水紧张程度的预测方法,包括:
S1,利用CMIP6未来气候情景数据和SWAT模型生成可利用水量;
S2,利用蒸散发模型计算未来农业用水量;
S3,利用CMIP6未来GDP数据和每万元产值需水量计算工业用水;
S4,利用CMIP6未来人口数据和人均需水量计算未来生活用水;
S5,利用历史生态环境用水量和随机森林模型预测未来生态环境用水量;
S6,生成用水紧张程度指数数据集。
进一步地,所述步骤S1包括:
利用CMIP6未来气候情景数据(降水和气温)驱动SWAT模型生成蒸散发、地表径流和地下水流量;总可用水量为总径流量Aw。
更进一步地,所述步骤S2包括:
利用蒸散发模型计算未来农业用水量,农业用水主要用于农田的灌溉,在合理的灌溉中,田间水分的主要消耗途径为土壤蒸发和作物蒸腾耗水;在没有有效降雨的情况下,作物需水量约等于蒸腾蒸发量,计算公式如下:
ETc=ET0×Kc;
其中ET0可以通过Penman-Monteith蒸散发模型计算得出,该模型输入数据为气象数据和作物类型,Kc为作物系数,一般情况下为相对固定的值,特殊情况应相应调整。
更进一步地,所述步骤S3包括:
利用历史每万元产值需水量数据训练随机森林模型,然后利用该模型预测未来每万元产值需水量;
利用CMIP6未来GDP数据和未来每万元产值需水量计算工业用水,计算公式如下:
WI=V×K;
其中WI为工业需水量,V为工业产值(万元),K为每万元产值需水量。
更进一步地,所述步骤S4包括:
利用历史人均需水量数据训练随机森林模型,然后利用该模型预测未来人均需水量;
利用CMIP6未来人口数据和未来人均需水量计算生活用水,计算公式如下:
WD=P×R;
其中WD为工业需水量,P为未来人口数量,R为未来人均需水量。
更进一步地,所述步骤S5包括:
利用历史生态环境用水量训练随机森林模型,然后利用该模型预测未来生态环境用水量。
更进一步地,所述步骤S6包括:
利用可利用水资源量和社会各方面需水量计算用水紧张度,计算公式如下:
Tw=WA+WI+WD+WE;
其中WA:农业灌溉用水,WI:工业用水,WD:生活用水,WE:生态环境用水,Ws用水紧张度,Aw可利用水量。
本发明的优点:
本发明的方法,改进了现有的径流预报方法,达到高效、高精度的预测径流。依据高时空分辨率、高精度的水文水资源模型,径流预报的精度相比其他水文模型具有更高的精度与复杂度。依据先进的机器学习技术和多年的大量统计数据,社会各方面需水量的预报精度得到了前所未有的提高。因此,用水紧张程度的计算精度随着供水模型与需水模型方面的预报精度提高,得到了提高。因此,用水紧张程度的计算精度随着供水模型与需水模型方面的预报精度提高,得到了提高。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施案例中的未来用水紧张度数据生成方法的流程示意图。
图2是LSTM模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供一种未来情景下用水紧张程度的预测方法,该方法包括以下步骤:
(1)利用CMIP6未来气候情景数据和SWAT模型生成可利用水量;
(2)利用蒸散发模型计算未来农业用水量;
(3)利用CMIP6未来GDP数据和每万元产值需水量计算工业用水;
(4)利用CMIP6未来人口数据和人均需水量计算未来生活用水;
(5)利用历史生态环境用水量和随机森林模型预测未来生态环境用水量;
(6)生成用水紧张程度指数数据集。
步骤(1)包括:
利用CMIP6未来气候情景数据(降水和气温)驱动SWAT模型生成蒸散发、地表径流和地下水流量;总可用水量为总径流量(Aw)。
步骤(2)包括:
利用蒸散发模型计算未来农业用水量,农业用水主要用于农田的灌溉,在合理的灌溉中,田间水分的主要消耗途径为土壤蒸发和作物蒸腾耗水。在没有有效降雨的情况下,作物需水量约等于蒸腾蒸发量,计算公式如下:
ETc=ET0×Kc;
其中ET0可以通过Penman-Monteith蒸散发模型计算得出,该模型输入数据为气象数据和作物类型,Kc为作物系数,一般情况下为相对固定的值,特殊情况应相应调整。
步骤(3)包括:
利用历史每万元产值需水量数据训练随机森林模型,然后利用该模型预测未来每万元产值需水量;
利用CMIP6未来GDP数据和未来每万元产值需水量计算工业用水,计算公式如下:
WI=V×K;
其中WI为工业需水量,V为工业产值(万元),K为每万元产值需水量。
步骤(4)包括:
利用历史人均需水量数据训练随机森林模型,然后利用该模型预测未来人均需水量;
利用CMIP6未来人口数据和未来人均需水量计算生活用水,计算公式如下:
WD=P×R;
其中WD为工业需水量,P为未来人口数量,R为未来人均需水量。
步骤(5)包括:
利用历史生态环境用水量训练随机森林模型,然后利用该模型预测未来生态环境用水量。
步骤(6)包括:
利用可利用水资源量和社会各方面需水量计算用水紧张度,计算公式如下:
Tw=WA+WI+WD+WE;
其中WA:农业灌溉用水,WI:工业用水,WD:生活用水,WE:生态环境用水,Ws用水紧张度,Aw可利用水量。
实施例
本实施例以中国2030年省级用水紧张程度为例,中国共计34个省级行政区,包括23个省、5个自治区、4个直辖市、2个特别行政区。23个省分别为:河北省、山西省、辽宁省、吉林省、黑龙江省、江苏省、浙江省、安徽省、福建省、江西省、山东省、河南省、湖北省、湖南省、广东省、海南省、四川省、贵州省、云南省、陕西省、甘肃省、青海省、台湾省。5个自治区分别为:内蒙古自治区、广西壮族自治区、西藏自治区、宁夏回族自治区、新疆维吾尔自治区。4个直辖市分别为:北京市、天津市、上海市、重庆市。2个特别行政区分别为:香港特别行政区、澳门特别行政区。
步骤(1)利用QGIS软件的QSWAT软件包构建中国区域SWAT模型,输入数据包括中国区域气象站点数据、高程数据、土地利用数据;然后利用CMIP6未来气候情景数据(降水和气温)驱动SWAT模型生成蒸散发、地表径流和地下水流量;总可用水量为总径流量(Aw),然后利用空间统计方法计算各省的可用水量;
步骤(2)利用蒸散发模型计算2030年中国区域农业用水量,农业用水主要用于农田的灌溉,在合理的灌溉中,田间水分的主要消耗途径为土壤蒸发和作物蒸腾耗水。在没有有效降雨的情况下,作物需水量约等于蒸腾蒸发量,计算公式如下:
ETc=ET0×Kc;
其中ET0可以通过Penman-Monteith蒸散发模型计算得出,该模型输入数据为气象数据和作物类型,Kc为作物系数;
步骤(3)利用中国历史(1997-2021年)每万元产值需水量数据训练随机森林模型,然后利用该模型预测未来每万元产值需水量;然后利用CMIP6未来GDP数据和未来每万元产值需水量计算工业用水,计算公式如下:
WI=V×K;
其中WI为工业需水量,V为工业产值(万元),K为每万元产值需水量;
步骤(4)利用中国历史(1997-2021年)人均需水量数据训练随机森林模型,然后利用该模型预测未来人均需水量;利用CMIP6未来2030年人口数据和未来2030年人均需水量计算生活用水,计算公式如下:
WD=P×R;
其中WD为工业需水量,P为未来2030年人口数量,R为未来2030年人均需水量;
步骤(5)利用中国历史(1997-2021年)生态环境用水量训练随机森林模型,随机森林模型示意图如图2所示;然后利用该模型预测未来生态环境用水量;
步骤(6)利用步骤(1)计算的中国2030年各省可利用水资源量和步骤(2-5)计算的中国2030年社会各方面(农业、工业、生活、生态环境)需水量计算用水紧张度,计算公式如下:
Tw=WA+WI+WD+WE;
其中WA:农业灌溉用水,WI:工业用水,WD:生活用水,WE:生态环境用水,Ws用水紧张度,Aw可利用水量。
5种未来情景(SSP126、SSP245、SSP370、SSP460、SSP585)下,2030年中国各省用水紧张程度数据均可通过上述步骤获得。
在本发明实施例中,中国历史统计数据可通过中国统计局获得,本发明实施例不做唯一性限定。
在本发明实施例中,构建SWAT模型的方法是利用QSWAT模型,也可以利用ARCSWAT和其他SWAT模型,本发明实施例不做唯一性限定。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种用水紧张程度的预测方法,其特征在于,包括:
S1,利用CMIP6未来气候情景数据和SWAT模型生成可利用水量;
S2,利用蒸散发模型计算未来农业用水量;
S3,利用CMIP6未来GDP数据和每万元产值需水量计算工业用水;
S4,利用CMIP6未来人口数据和人均需水量计算未来生活用水;
S5,利用历史生态环境用水量和随机森林模型预测未来生态环境用水量;
S6,生成用水紧张程度指数数据集。
2.根据权利要求1所述的用水紧张程度的预测方法,其特征在于,所述步骤S1包括:
利用CMIP6未来气候情景数据(降水和气温)驱动SWAT模型生成蒸散发、地表径流和地下水流量;总可用水量为总径流量Aw。
3.根据权利要求1所述的用水紧张程度的预测方法,其特征在于,所述步骤S2包括:
利用蒸散发模型计算未来农业用水量,农业用水主要用于农田的灌溉,在合理的灌溉中,田间水分的主要消耗途径为土壤蒸发和作物蒸腾耗水;在没有有效降雨的情况下,作物需水量约等于蒸腾蒸发量,计算公式如下:
ETc=ET0×Kc;
其中ET0可以通过Penman-Monteith蒸散发模型计算得出,该模型输入数据为气象数据和作物类型,Kc为作物系数,一般情况下为相对固定的值,特殊情况应相应调整。
4.根据权利要求1所述的用水紧张程度的预测方法,其特征在于,所述步骤S3包括:
利用历史每万元产值需水量数据训练随机森林模型,然后利用该模型预测未来每万元产值需水量;
利用CMIP6未来GDP数据和未来每万元产值需水量计算工业用水,计算公式如下:
WI=V×K;
其中WI为工业需水量,V为工业产值(万元),K为每万元产值需水量。
5.根据权利要求1所述的用水紧张程度的预测方法,其特征在于,所述步骤S4包括:
利用历史人均需水量数据训练随机森林模型,然后利用该模型预测未来人均需水量;
利用CMIP6未来人口数据和未来人均需水量计算生活用水,计算公式如下:
WD=P×R;
其中WD为工业需水量,P为未来人口数量,R为未来人均需水量。
6.根据权利要求1所述的用水紧张程度的预测方法,其特征在于,所述步骤S5包括:
利用历史生态环境用水量训练随机森林模型,然后利用该模型预测未来生态环境用水量。
7.根据权利要求1所述的用水紧张程度的预测方法,其特征在于,所述步骤S6包括:
利用可利用水资源量和社会各方面需水量计算用水紧张度,计算公式如下:
Tw=WA+WI+WD+WE;
其中WA:农业灌溉用水,WI:工业用水,WD:生活用水,WE:生态环境用水,Ws用水紧张度,Aw可利用水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239080.1A CN117196115A (zh) | 2023-09-25 | 2023-09-25 | 一种用水紧张程度的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311239080.1A CN117196115A (zh) | 2023-09-25 | 2023-09-25 | 一种用水紧张程度的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117196115A true CN117196115A (zh) | 2023-12-08 |
Family
ID=88992275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311239080.1A Pending CN117196115A (zh) | 2023-09-25 | 2023-09-25 | 一种用水紧张程度的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196115A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852477A (zh) * | 2019-10-08 | 2020-02-28 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN114418446A (zh) * | 2022-01-28 | 2022-04-29 | 哈尔滨工业大学 | 水资源短缺的定量评估方法 |
CN115640956A (zh) * | 2022-09-27 | 2023-01-24 | 中国长江三峡集团有限公司 | 一种未来水资源供需平衡分析方法 |
CN116562583A (zh) * | 2023-05-25 | 2023-08-08 | 国网四川省电力公司电力科学研究院 | 一种多维度水资源供需预测方法及系统 |
-
2023
- 2023-09-25 CN CN202311239080.1A patent/CN117196115A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852477A (zh) * | 2019-10-08 | 2020-02-28 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN114418446A (zh) * | 2022-01-28 | 2022-04-29 | 哈尔滨工业大学 | 水资源短缺的定量评估方法 |
CN115640956A (zh) * | 2022-09-27 | 2023-01-24 | 中国长江三峡集团有限公司 | 一种未来水资源供需平衡分析方法 |
CN116562583A (zh) * | 2023-05-25 | 2023-08-08 | 国网四川省电力公司电力科学研究院 | 一种多维度水资源供需预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Research on sustainable development and efficiency of China's E-Agriculture based on a data envelopment analysis-Malmquist model | |
Ning et al. | Spatiotemporal patterns and characteristics of land-use change in China during 2010–2015 | |
Hou et al. | Development and utilization of geothermal energy in China: Current practices and future strategies | |
Zuo et al. | Developing grain production policy in terms of multiple cropping systems in China | |
CN103401236B (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
CN107332240B (zh) | 基于优化模型的电力系统静态电压稳定域边界搜索的方法 | |
CN102609397B (zh) | 基于低阶概率权重矩的风速概率分布参数估计方法 | |
Qin et al. | Impacts of ecological restoration projects on agricultural productivity in China | |
CN103617565A (zh) | 城市微气象与电力空调负荷关系的建立方法 | |
CN105608271A (zh) | 一种基于分解与优化的短期风速时序预测方法 | |
Zhuang et al. | The sustainability of staple crops in China can be substantially improved through localized strategies | |
CN102819647A (zh) | 一种非均质材料随机微观结构有限元建模方法 | |
Guiqin et al. | An analysis of vulnerability to agricultural drought in China using the expand grey relation analysis method | |
CN116485048B (zh) | 一种大气污染物排放清单的联合优化反演方法及系统 | |
CN106786606A (zh) | 一种基于多种随机变量的电力系统概率潮流的计算方法 | |
CN105760678A (zh) | 一种森林生态效益分布式测算方法及系统 | |
CN117196115A (zh) | 一种用水紧张程度的预测方法 | |
CN109241212B (zh) | 基于中尺度数值大气模式与高分辨率历史降雨反演方法 | |
Geng | On the regional differences in agricultural water use efficiency in China and their convergence | |
CN104933469A (zh) | 一种基于灰色生成扰动模型的短期风速预测方法 | |
CN105631065B (zh) | 一种基于背景网格的动网格方法 | |
CN110298575A (zh) | 一种水足迹可持续性评价方法 | |
CN103903289A (zh) | 一种基于分形发生器的随机型沼泽地花纹图案生成方法 | |
Du et al. | Spatiotemporal differentiation and spatial correlation of agricultural total factor productivity in China: an estimation based on the data of prefecture-level cities | |
CN103065363A (zh) | 一种杆塔三维模型快速导入场景方法 |
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 |