CN117455041B - 一种针对预测所得未来水资源的多目标管控利用方法 - Google Patents

一种针对预测所得未来水资源的多目标管控利用方法 Download PDF

Info

Publication number
CN117455041B
CN117455041B CN202311360548.2A CN202311360548A CN117455041B CN 117455041 B CN117455041 B CN 117455041B CN 202311360548 A CN202311360548 A CN 202311360548A CN 117455041 B CN117455041 B CN 117455041B
Authority
CN
China
Prior art keywords
future
water
rainwater
flowers
area
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.)
Active
Application number
CN202311360548.2A
Other languages
English (en)
Other versions
CN117455041A (zh
Inventor
樊冬丽
巩浩钧
孟令雨
吕嘉杰
田展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technology
Original Assignee
Shanghai Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technology filed Critical Shanghai Institute of Technology
Priority to CN202311360548.2A priority Critical patent/CN117455041B/zh
Publication of CN117455041A publication Critical patent/CN117455041A/zh
Application granted granted Critical
Publication of CN117455041B publication Critical patent/CN117455041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)

Abstract

本发明涉及一种针对预测所得未来水资源的多目标管控利用方法，采用：使用“虚拟气候变暖”方法，利用叠加气候变暖信息得到未来气候情景的逐日预测结果；利用城市水量平衡模型计算拟模拟区域的雨水资源化潜力；构建确定评价指标及其量化方法；基于多目标优化算法，构建雨水资源利用优化规划方案筛选方法，形成最优解集；在最优解集中使用构建的评价指标以及量化方法，最终形成最优灌溉花卉雨水利用方案；本发明在历史观测数据的基础上，对研究区域的雨水资源化潜力进行评估，再根据养殖花卉的需水量等多个决策变量优化算法的量化计算，最终得到未来气候条件下的最优花卉灌溉雨水方案。

Description

一种针对预测所得未来水资源的多目标管控利用方法
技术领域
本发明涉及农业雨水供水方案优化技术领域，更具体地说，涉及一种针对预测所得未来水资源的多目标管控利用方法。
背景技术
自进入21世纪以来，可持续发展理念已深入人心。全球温度升高气候变化的背景下，干旱缺水成为西北部地区亟待解决的问题，雨水资源的收集与利用引起相关领域专家的关注。气候的持续变化导致干旱半干旱地区的水文循环过程和降水的时空分布发生了深刻的变化。在现代城市中，由于缺乏有效的雨水蓄存和利用方式，雨水往往被大量排放到排水系统中，难以得到充分利用。而降水在时间和空间分布上的不均匀性，可能引起区域性的干旱和季节性水资源短缺问题，地理位置和气候特点决定了地区的水资源更加短缺，缺水问题成为制约其社会经济发展的重大挑战。
花卉用水大部分取自于自来水，极少部分来自于自然降雨，雨水资源被忽略。随着城市发展，特色花卉产业也随之发展，规模不断扩大，花卉所需水量也不断增加。雨水资源的收集与利用可以充分发挥雨水资源的作用，满足花卉生长发育的需要。但在传统雨水资源规划利用中，收集设施的确定主要依靠相关领域专家的主观经验判断，无法兼顾减少花卉缺水天数、控制建设成本与单位花卉的黄河取水量等客观因素。在此背景下，需要一种能够筛选雨水资源利用方案集，并对研究区域雨水资源利用规划方案进行优化，促进雨水资源高效利用的方式方法。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种针对预测所得未来水资源的多目标管控利用方法。
本发明解决其技术问题所采用的技术方案是：
构造一种针对预测所得未来水资源的多目标管控利用方法，其中，包括以下步骤：
构建研究区域未来预测情景；
基于城市水量平衡模型，以及气象站点观测数据，并根据彭曼公式估算研究区域潜在蒸发量和参考作物的蒸发蒸腾量，模拟研究区域在历史观测情景及未来预测情景下的雨水资源化潜力；
根据研究区域内的花卉规模、需水量、经济成本、气象条件因素，构建XLRM综合决策框架；
利用NSGA-II算法生成满足约束条件与目标函数的雨水资源规划选出Pareto最优解集；
基于历史观测情景及未来预测情景，量化评价Pareto最优解集中方案，利用熵权法对Pareto最优解集中方案的目标函数值进行综合评分。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，构建未来城市气候情景采用方法：
采用PGW方法与GCM模型，选择SSP126、SSP245和SSP585情景来生成设定未来时间段内研究区域逐日的降水量、最高和最低气温、风速和辐射数据。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，采用PGW方法与GCM模型，选择SSP126、SSP245和SSP585情景来生成设定未来时间段内研究区域逐日的降水量、最高和最低气温、风速和辐射数据具体采用：
采用PGW方法，叠加气候变暖信息来研究未来气候变化背景下天气事件强度与结构变化，将未来的逐月平均预测结果与历史气候逐月平均资料相减或相比，得到未来气候变化的信号，再将现有气象站的观测数据作为可靠的气候背景场，得到未来气候情景的逐日预测结果；
用EC-Earth3地球系统模型对设定未来时间段的逐月气温预测结果，减去设定历史时间段逐月气温数据，得到对设定未来时间段最高、最低气温变化的信号；
将EC-Earth3地球系统模型对设定历史时间段的逐月降水和辐射的预测结果，除以设定未来时间段逐月降水和辐射数据，得到对设定未来时间段未来降水和辐射变化的信号；
将得到的逐月气候变化信号进行线性插值生成逐日气象资料集合，再乘以设定历史时间段的站点观测资料，得到一套未来气候变化的逐日情景集合。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，基于城市水量平衡模型，以及气象站点观测数据，并根据彭曼公式估算研究区域潜在蒸发量和参考作物的蒸发蒸腾量，模拟研究区域在历史观测情景及未来预测情景下的雨水资源化潜力中还包括方法：
通过ArcGIS软件对研究区域监督分类计算出研究区域内各类下垫面的面积占比；根据城市水量平衡模型结构，设定所有来自铺砌区域的径流全部流入未铺砌区域，未铺砌区域的雨水资源化潜力包含了来自铺砌区域的径流；在此基础上，基于城市水量平衡模型结构对研究区域的SSP126、SSP245和SSP585预测情景展开模拟及分析。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，根据研究区域内的花卉规模、需水量、经济成本、气象条件因素，构建XLRM综合决策框架中采用：
三个决策变量为蓄水池的尺寸、可养殖花卉的规模和新增集水面积的大小，三个目标函数为花卉的缺水天数、经济成本和单位花卉的黄河取水量，依据研究区域现有土地利用条件及特色花卉产业规划，对不同方案中蓄水池的建造尺寸、花卉的养殖规模与新增的集雨面积进行约束。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，所述花卉的缺水天数通过研究区域内雨水资源化潜力、蓄水池尺寸和花卉需水量三个指标进行计算；
研究区域的雨水资源化潜力，通过UWBM模型计算每日的雨水资源化潜力，对于每日的雨水资源化潜力首先与蓄水池尺寸进行比较，若小于则存放至蓄水池，若大于则以蓄水池的容量作为当日的雨水资源化潜力；将当日可利用的雨水资源与花卉需水量进行比较，若小于则增加一天缺水天数，若大于则将可利用的雨水资源量减去花卉的需水量，剩余可利用的雨水资源存储至蓄水池以供给后续使用。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，蓄水池的建造尺寸依据蓄水池建造标准和研究区域实际的土地利用情况进行约束，各雨水资源利用规划方案的蓄水池尺寸应小于该类型可设置的总体积，且应大于现有的蓄水池体积，且尺寸应是10或10的倍数。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，花卉的养殖规模依据特色花卉产业规划和实际的土地利用情况进行约束，各雨水资源利用规划方案中花卉的养殖规模应小于研究区域可规划的最大总面积，且应大于现有的花卉规模。新增的集雨面积依据研究区域的土地利用规划和实际情况进行约束，各雨水资源利用规划方案中新增的集雨面积应小于研究区域可设置的总面积，且尺寸应是10或10的倍数。花卉的缺水天数依据节水目标进行约束，各雨水资源利用规划方案中花卉的缺水天数应满足节约黄河用水20％并用雨水替代的目标。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，利用NSGA-II算法生成满足约束条件与目标函数的雨水资源规划选出Pareto最优解集中：
目标函数中花卉的缺水天数所构建的方程是在每一次迭代中将随机生成的决策变量输入到UWBM模型，将模型的计算结果返回到NSGA-II算法进行非支配排序和拥挤度计算。
本发明所述的针对预测所得未来水资源的多目标管控利用方法，其中，所述基于历史观测情景及未来预测情景，量化评价Pareto最优解集中方案，利用熵权法对Pareto最优解集中方案的目标函数值进行综合评分采用方法：
基于NSGA-II算法对历史观测情景和未来预测情景展开模拟，生成雨水集蓄-特色花卉养殖浇灌方案，并计算得到经济成本、生态效益和社会效益；利用熵权法对方案的目标函数进行计算，进而得到每个方案的综合评分。
本发明的有益效果在于：本发明基于UWBM模型分析历史和未来情景下示范园区的降水特征和雨水资源条件，梳理雨水资源利用现状及存在问题，解析水资源供需适配性及时空分布特点；基于NSGA-II算法和熵权法筛选雨水集蓄-特色花卉养殖浇灌方案集，通过多维效益识别及稳健性定量评价方法对方案进行效益评价，旨在减少水资源短缺的天数，最小化成本，减少对黄河的依赖并给出最符合当地发展需要的适应性措施规划方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图及实施例对本发明作进一步说明，下面描述中的附图仅仅是本发明的部分实施例，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附图：
图1为本发明的一种针对预测所得未来水资源的多目标管控利用方法的技术路线图；
图2为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的1954-2020年研究区的雨水资源化潜力；
图3为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的1954-2020年降水量与雨水资源化潜力；
图4为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的1954-2020年日均值雨水资源时空调配效果；
图5为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP126情景下年降水量与雨水资源化潜力；
图6为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP126情景下日均值雨水资源时空调配效果；
图7为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP245情景下年降水量与雨水资源化潜力；
图8为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP245情景下日均值雨水资源时空调配效果；
图9为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP585情景下年降水量与雨水资源化潜力；
图10为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP585情景下日均值雨水资源时空调配效果；
图11为本发明的一种针对预测所得未来水资源的多目标管控利用方法的花卉缺水天数的计算流程图；
图12为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的1954-2020年历史观测情景Pareto最优解集；
图13为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP126预测情景Pareto最优解集；
图14为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP245预测情景Pareto最优解集；
图15为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年SSP585预测情景Pareto最优解集；
图16为本发明的一种针对预测所得未来水资源的多目标管控利用方法中的2041-2070年综合预测情景Pareto最优解集。
具体实施方式
为了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技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种针对预测所得未来水资源的多目标管控利用方法，如图1所示，具体按以下步骤实施：
步骤1，构建研究区域未来预测情景；
具体的，用PGW方法与GCM模型，选择SSP126、SSP245和SSP585情景来生成2041-2070年榆中站逐日的降水量、最高和最低气温、风速和辐射数据：
采用“虚拟气候变暖”(Pseudo-Global Warming，PGW)方法，叠加气候变暖信息来研究未来气候变化背景下天气事件强度与结构变化，将未来的逐月平均预测结果与历史气候逐月平均资料相减或相比，得到未来气候变化的信号，再将现有气象站的观测数据作为可靠的气候背景场，得到未来气候情景的逐日预测结果。
用EC-Earth3地球系统模型(EC-Earth3)对未来30年的逐月气温预测结果(Tfuture)，减去历史1981-2010年逐月气温数据(Thistorical)，得到对30年未来最高、最低气温变化的信号。将EC-Earth3对1981-2010历史的逐月降水和辐射的预测结果(EC_Earth3historical)，除以未来30年逐月降水和辐射数据(EC_Earth3future)，得到对未来30年未来降水和辐射变化的信号。将得到的逐月气候变化信号进行线性插值生成逐日气象资料集合，再乘以(气温信号相加)1981-2010年的站点观测资料(EC_Earth3obs)，得到一套未来气候变化的逐日情景集合。
步骤2，基于校正的城市水量平衡模型，以及气象站点观测数据，并根据FAO推荐的彭曼公式估算研究区域潜在蒸发量和参考作物的蒸发蒸腾量，模拟研究区在历史观测情景及未来预测情景下的雨水资源化潜力：
根据城市水量平衡模型结构，设定所有来自铺砌区域的径流全部流入未铺砌区域，未铺砌区域的雨水资源化潜力包含了来自铺砌区域的径流。
利用城市水量平衡模型对兰州1954-2020年历史观测情景及2041-2070年SSP126、SSP245和SSP585预测情景展开了模拟及分析，对不同情景下榆中站点的年降水量及其均值、逐年降水量日均值、年雨水资源化潜力及逐年雨水资源化潜力日均值进行了分析。
对1954-2020年榆中站点逐日观测数据进行计算，统计67年来该站点年降水量的变化情况(图3)。
基于1954-2020年榆中站逐日历史观测数据计算该站点的逐年日均值，包括降水量和雨水资源化潜力(图4)。
基于榆中气象站点提供的1981-2010年逐日历史观测数据，通过PGW方法与GCM模型，生成2041-2070年SSP126、SSP245和SSP585情景下榆中站逐日的降水量、最高和最低气温、风速和辐射数据，并根据FAO推荐的彭曼公式估算研究区域潜在蒸发量和参考作物的蒸发蒸腾量，模拟研究区在2041-2070年SSP126情景下的雨水资源化潜力。
通过对该情景下榆中站点逐日数据进行计算，统计未来30年来该站点年降水量的变化情况(图5)。
基于2041-2070年SSP126情景下榆中站逐日预测数据计算该站点的逐年日均值，包括降水量和雨水资源化潜力(图6)。
模拟2041-2070年SSP245情景下研究区的雨水资源化潜力，并计算榆中站点年降水量在未来30年内的变化情况(见图7)。
根据2041-2070年SSP245情景下榆中站逐日预测数据，计算该站点的逐年日均值，其中包括降水量和雨水资源化潜力(见图8)。
模拟2041-2070年SSP585情景下研究区的雨水资源化潜力，并计算了榆中站点年降水量在未来30年内的变化情况(见图9)。
根据2041-2070年SSP585情景下榆中站的逐日预测数据，计算该站点的逐年日均值，包括降水量和雨水资源化潜力(详见图10)。
步骤3，根据区域内的花卉规模、需水量、经济成本、气象条件等因素，构建XLRM综合决策框架。确定三个决策变量为蓄水池的尺寸、可养殖花卉的规模和新增集水面积的大小，三个目标函数为花卉的缺水天数、经济成本和单位花卉的黄河取水量，并根据研究区的实际情况与土地利用规划等文件对目标函数加以约束：
雨水资源利用优化规划方案筛选目标函数的构建一般根据研究区域的实际情况来确定，本方法雨水资源利用优化规划方案筛选目标函数包括花卉的缺水天数、经济成本和单位花卉的黄河取水量三部分。
(1)花卉的缺水天数：缺水天数主要通过研究区域内雨水资源化潜力、蓄水池尺寸和花卉需水量三个指标进行计算。研究区域的雨水资源化潜力由UWBM计算而得，通过UWBM模型可以计算每日的雨水资源化潜力，对于每日的雨水资源化潜力首先与蓄水池尺寸进行比较，若小于则存放至蓄水池，若大于则以蓄水池的容量作为当日的雨水资源化潜力，也就是可利用的雨水资源。然后将当日可利用的雨水资源与花卉的需水量进行比较，若小于则增加一天缺水天数，若大于则将可利用的雨水资源量减去花卉的需水量，剩余可利用的雨水资源可存储至蓄水池以供给后续使用。
表1XLRM矩阵及其构建
(2)经济成本：雨水资源利用规划的经济成本主要指其全生命周期成本，包括初始建设成本、后续维护费用等，计算公式如(1-1)所示。
Fcost＝CiXi+CjXj#(1-1)
式中：
Fcost—经济成本，单位：元/m3；
Ci—蓄水池单位容积成本，取单位建造成本为1,200，维护成本为100，元/m3；
Xi—蓄水池建造尺寸，单位：m3；
Cj—集雨面单位面积成本，取单位建造成本为180，维护成本为20，单位：元/m2；
Xj—集雨面建造面积，单位：m2；
(3)单位花卉的黄河取水量：雨水资源利用方案是通过将雨水资源代替黄河水来实现生态保护的目的，但并不是所有方案收集的雨水资源都能够满足花卉生长发育的需要，在保证花卉需要的前提下仍需要黄河取水，因此将单位花卉的黄河取水量作为目标函数之一，其目的是尽可能减少黄河用水，因此该函数值越小越好，其计算公式如(1-2)所示。
式中：
Fdemand—每年的黄河取水量，单位：m3/棚；
Fshortage—花卉的缺水天数，单位：天/年；
Yi—养殖的花卉数量，单位：棚；
约束条件主要根据研究区的实际情况与土地利用规划等文件对目标函数加以约束。本雨水资源利用优化规划方案筛选约束函数主要是依据研究区现有土地利用条件、特色花卉产业规划等文件，对不同方案中蓄水池的建造尺寸、花卉的养殖规模与新增的集雨面积进行约束。
其中，蓄水池的建造尺寸依据蓄水池建造标准和研究区域实际的土地利用情况进行约束，各雨水资源利用规划方案的蓄水池尺寸应小于该类型可设置的总体积，且应大于现有的蓄水池体积，且尺寸应是10或10的倍数。花卉的养殖规模依据特色花卉产业规划和实际的土地利用情况进行约束，各雨水资源利用规划方案中花卉的养殖规模应小于研究区域可规划的最大总面积，且应大于现有的花卉规模。新增的集雨面积依据研究区域的土地利用规划和实际情况进行约束，各雨水资源利用规划方案中新增的集雨面积应小于研究区域可设置的总面积，且尺寸应是10或10的倍数。花卉的缺水天数依据节水目标进行约束，各雨水资源利用规划方案中花卉的缺水天数应满足节约黄河用水20％并用雨水替代的目标。具体的约束方程如式(1-3)所示。
式中：
ai—规定的最小蓄水池尺寸，单位：m3；
bi—规定的最大蓄水池尺寸，单位：m3；
aj—规定的最少养殖花卉数量，单位：棚；
bj—规定的最多养殖花卉数量，单位：棚；
Xmax—规定的最大集雨面建造面积，单位：m2；
Ytotal—养殖花卉的总天数，单位：天；
N为常数。
步骤4，利用NSGA-II算法生成满足约束条件与目标函数的雨水资源规划利用Pareto最优解集：
采用NSGA-II算法进行多目标优化，首先需要设定合适的初始种群数量和迭代次数。在Python中，我们可以通过随机生成初始种群来计算目标函数，然后对计算结果进行非支配排序和拥挤度计算，以选出Pareto最优解集。
其中，设定初始种群个数为50个，最大的迭代次数为400次，利用程序迭代计算生成Pareto最优解集。
步骤5，量化评价解集中方案，利用熵权法对Pareto最优解集中方案的目标函数值进行综合评分，以便于决策者根据综合评分与未来规划政策进行权衡决策，从而得到最优方案：
基于NSGA-II算法对历史观测情景和未来预测情景展开模拟，生成雨水集蓄-特色花卉养殖浇灌方案，其中，每年的4-11月为兰州特色花卉的养殖时间，考虑每日可利用的雨水资源是否满足花卉的需水量，若不满足则计入一天花卉的缺水天数。蓄水池体积和集流面积乘以对应单位建设成本即为经济成本，总缺水天数乘以花卉需水量再除以总养殖花卉的棚数即为单位花卉的黄河取水量。图中的每一个点都是通过非支配排序筛选出排序等级最高的非支配解，共生成了32个点(优化方案)，这些点组成了帕累托前沿。
表2不同情景下目标函数评价指标权重一览表
为了进一步分析目标函数值与优化性能之间的关系，图12还绘制了帕累托前沿在不同轴上的投影。从映射到目标空间上的投影可以观察到，帕累托前沿呈现出连续的趋势。其缺水天数与黄河取水量明显呈正相关，而建设成本与二者分别都呈现负相关趋势。
缺水天数与黄河取水量近似成正比。这表明随着缺水天数的增加，单位花卉对黄河用水的需求也随之增大。缺水天数和黄河取水量与总投资成本近似成反比。投资成本越高，花卉缺水天数越多，单位花卉每年的黄河取水量越大，反之亦然。换句话说，增加投资到蓄水池和集雨面的经济成本，会显著降低花卉养殖的缺水压力，进而减少黄河用水的需求，达到生态保护的目的。在实际应用中，可根据规划要求选择不同的设计方案。
基于1954-2020年历史观测数据生成的Pareto最优解集进行分析，利用熵权法对模型输出的帕累托最优集进行排序，选取综合评分最高的三个案例加以讨论(表3)。综合评分最高的三个方案均只增加蓄水池容积，而未减少花卉养殖规模或增加集雨面积，这说明现有降水可满足5个温室大棚花卉用水需要，前提是建设足够大的储水设施。简单来说，花卉缺水问题聚焦在储水容积不足而非雨水资源化潜力低下，提高雨水利用效率的首要举措是扩大蓄水池容积。
表3 1954-2020年历史观测情景Pareto最优解集
三个方案的经济成本、生态效益及社会效益也在此处进行计算。
基于2041-2070年SSP126预测情景数据生成的Pareto最优解集如图13所示，共生成33个优化方案(综合评分最高的三个案例如表4所示)，并对综合评分最高的三个方案的经济成本，生态效益及社会效益进行计算。
表4 2041-2070年SSP126预测情景Pareto最优解集
基于2041-2070年SSP245预测情景数据生成的Pareto最优解集如图14所示，共生成49个优化方案(综合评分最高的三个案例如表5所示)，并对综合评分最高的三个方案的经济成本，生态效益及社会效益进行计算。
表5 2041-2070年SSP245预测情景Pareto最优解集
基于2041-2070年SSP585预测情景数据生成的Pareto最优解集如图15所示，共生成33个优化方案(综合评分最高的三个案例如表6所示)，并对综合评分最高的三个方案的经济成本，生态效益及社会效益进行计算。
基于2041-2070年综合预测情景数据生成的Pareto最优解集如图16所示，共生成36个优化方案(综合评分最高的三个案例如表7所示)，并对综合评分最高的三个方案的经济成本，生态效益及社会效益进行计算。
表6 2041-2070年SSP585预测情景Pareto最优解集
表7 2041-2070年综合预测情景Pareto最优解集
综上，管理机构和利益相关者可以结合当地发展需要来选择最优适应性措施规划方案，促进城市可持续发展。
应当理解的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种针对预测所得未来水资源的多目标管控利用方法，其特征在于，包括以下步骤：
步骤一：构建研究区域未来预测情景，包括：
采用PGW方法与GCM模型，选择SSP126、SSP245和SSP585情景来生成设定未来时间段内研究区域逐日的降水量、最高和最低气温、风速和辐射数据，具体包括：
采用PGW方法，叠加气候变暖信息来研究未来气候变化背景下天气事件强度与结构变化，将未来的逐月平均预测结果与历史气候逐月平均资料相减或相比，得到未来气候变化的信号，再将现有气象站的观测数据作为可靠的气候背景场，得到未来气候情景的逐日预测结果；
用EC-Earth3地球系统模型设定未来时间段的逐月气温预测结果，减去设定历史时间段逐月气温数据，得到设定未来时间段最高、最低气温变化的信号；
将EC-Earth3地球系统模型对设定历史时间段的逐月降水和辐射的预测结果，除以设定未来时间段逐月降水和辐射数据，得到设定未来时间段未来降水和辐射变化的信号；
将得到的逐月气候变化信号进行线性插值生成逐日气象资料集合，再乘以设定历史时间段的站点观测资料，得到一套未来气候变化的逐日情景集合；
步骤二：基于城市水量平衡模型，以及气象站点观测数据，并根据彭曼公式估算研究区域潜在蒸发量和参考作物的蒸发蒸腾量，模拟研究区域在历史观测情景及未来预测情景下的雨水资源化潜力，包括：
通过ArcGIS软件对研究区域监督分类计算出研究区域内各类下垫面的面积占比；根据城市水量平衡模型结构，设定所有来自铺砌区域的径流全部流入未铺砌区域，未铺砌区域的雨水资源化潜力包含了来自铺砌区域的径流；在此基础上，基于城市水量平衡模型结构对研究区域的SSP126、SSP245和SSP585预测情景展开模拟及分析；
步骤三：根据研究区域内的花卉规模、需水量、经济成本和气象条件因素，构建综合决策框架，包括：
三个决策变量为蓄水池的尺寸、可养殖花卉的规模和新增集水面积的大小，三个目标函数为花卉的缺水天数、经济成本和单位花卉的黄河取水量；
所述花卉的缺水天数通过研究区域内雨水资源化潜力、蓄水池尺寸和花卉需水量三个指标进行计算,所述研究区域的雨水资源化潜力，通过城市水量平衡模型计算每日的雨水资源化潜力，对于每日的雨水资源化潜力，首先与蓄水池尺寸进行比较，若小于则存放至蓄水池，若大于则以蓄水池的容量作为当日的雨水资源化潜力；将当日可利用的雨水资源与花卉需水量进行比较，若小于则增加一天缺水天数，若大于则将可利用的雨水资源量减去花卉的需水量，剩余可利用的雨水资源存储至蓄水池；
所述经济成本计算公式如下：
Fcost＝CiXi+CjXj
式中：
Fcost—经济成本，单位：元/m3；
Ci—蓄水池单位容积成本，单位：元/m3；
Xi—蓄水池建造尺寸，单位：m3；
Cj—集雨面单位面积成本，单位：元/m2；
Xj—集雨面建造面积，单位：m2；
所述单位花卉的黄河取水量计算公式如下：
式中：
Fdemand—每年的黄河取水量，单位：m3/棚；
Fshortage—花卉的缺水天数，单位：天/年；
Yi—养殖的花卉数量，单位：棚；
约束函数依据研究区域现有土地利用条件及特色花卉产业规划，对不同方案中蓄水池尺寸、花卉的养殖规模与集雨面建造面积进行约束，具体的约束方程如下：
式中：
ai—规定的最小蓄水池尺寸，单位：m3；
bi—规定的最大蓄水池尺寸，单位：m3；
aj—规定的最少养殖花卉规模，单位：棚；
bj—规定的最多养殖花卉规模，单位：棚；
Xmax—规定的最大集雨面建造面积，单位：m2；
Ytotal—养殖花卉的总天数，单位：天；
N为常数；
步骤四：利用NSGA-II算法生成满足约束条件与目标函数的雨水资源规划，选出Pareto最优解集；
步骤五：基于历史观测情景及未来预测情景，量化评价Pareto最优解集中方案，利用熵权法对Pareto最优解集中方案的目标函数值进行综合评分，得到最优方案。
2.根据权利要求1所述的针对预测所得未来水资源的多目标管控利用方法，其特征在于，所述步骤四：利用NSGA-II算法生成满足约束条件与目标函数的雨水资源规划并选出的Pareto最优解集，包括：
目标函数中花卉的缺水天数所构建的方程是在每一次迭代中将随机生成的决策变量输入到城市水量平衡模型，将模型的计算结果返回到NSGA-II算法进行非支配排序和拥挤度计算。
3.根据权利要求1所述的针对预测所得未来水资源的多目标管控利用方法，其特征在于，所述步骤五：基于历史观测情景及未来预测情景，量化评价Pareto最优解集中方案，利用熵权法对Pareto最优解集中方案的目标函数值进行综合评分，包括：
基于NSGA-II算法对历史观测情景和未来预测情景展开模拟，生成雨水集蓄-特色花卉养殖浇灌方案，并计算得到经济成本、生态效益和社会效益；利用熵权法对方案的目标函数进行计算，进而得到每个方案的综合评分。
CN202311360548.2A 2023-10-19 2023-10-19 一种针对预测所得未来水资源的多目标管控利用方法 Active CN117455041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311360548.2A CN117455041B (zh) 2023-10-19 2023-10-19 一种针对预测所得未来水资源的多目标管控利用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311360548.2A CN117455041B (zh) 2023-10-19 2023-10-19 一种针对预测所得未来水资源的多目标管控利用方法

Publications (2)

Publication Number Publication Date
CN117455041A CN117455041A (zh) 2024-01-26
CN117455041B true CN117455041B (zh) 2024-05-28

Family

ID=89586602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311360548.2A Active CN117455041B (zh) 2023-10-19 2023-10-19 一种针对预测所得未来水资源的多目标管控利用方法

Country Status (1)

Country Link
CN (1) CN117455041B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570627A (zh) * 2016-11-02 2017-04-19 河海大学 一种未来气候条件下作物灌溉需水量计算方法
CN109800914A (zh) * 2019-01-16 2019-05-24 河海大学 一种适用于滨海地区水资源的多目标优化调度方法
CN111160430A (zh) * 2019-12-19 2020-05-15 广东工业大学 一种基于人工智能算法的水资源优化配置方法
CN111337099A (zh) * 2020-03-13 2020-06-26 山东大学 一种大棚区雨洪资源利用中蓄水池建造容积的计算方法
CN112712268A (zh) * 2020-12-31 2021-04-27 哈尔滨工业大学 一种海绵城市优化布局与综合效益评价方法
CN115860209A (zh) * 2022-11-29 2023-03-28 中国科学院东北地理与农业生态研究所 一种基于“水-碳-经济”耦合的农业水土资源优化配置方案的计算方法
CN116307191A (zh) * 2023-03-22 2023-06-23 中国地质大学（北京） 一种基于人工智能算法的水资源配置方法、装置和设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3123267B1 (en) * 2014-03-28 2019-10-16 Northeastern University System for multivariate climate change forecasting with uncertainty quantification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570627A (zh) * 2016-11-02 2017-04-19 河海大学 一种未来气候条件下作物灌溉需水量计算方法
CN109800914A (zh) * 2019-01-16 2019-05-24 河海大学 一种适用于滨海地区水资源的多目标优化调度方法
CN111160430A (zh) * 2019-12-19 2020-05-15 广东工业大学 一种基于人工智能算法的水资源优化配置方法
CN111337099A (zh) * 2020-03-13 2020-06-26 山东大学 一种大棚区雨洪资源利用中蓄水池建造容积的计算方法
CN112712268A (zh) * 2020-12-31 2021-04-27 哈尔滨工业大学 一种海绵城市优化布局与综合效益评价方法
CN115860209A (zh) * 2022-11-29 2023-03-28 中国科学院东北地理与农业生态研究所 一种基于“水-碳-经济”耦合的农业水土资源优化配置方案的计算方法
CN116307191A (zh) * 2023-03-22 2023-06-23 中国地质大学（北京） 一种基于人工智能算法的水资源配置方法、装置和设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
利用CMIP5多模式集合模拟气候变化对中国小麦产量的影响;杨绚等;《中国农业科学》;20140815;第15卷(第47期);第3009-3024页 *
城市雨水利用潜力计算与效益识别模型与应用;李晓贝;《中国农村水利水电》;20171130(第11期);第14-19页 *
奥体文化商务园雨水利用设计与实践;白洁;《工程建设与设计》;20201215(第23期);白洁 *
苑明海，许焕敏著.《可重构装配线建模及优化调度控制》.国防工业出版社,2011,第72-73页. *

Also Published As

Publication number Publication date
CN117455041A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
KR101383617B1 (ko) 일사량 예측 방법 및 장치
CN106951980A (zh) 一种基于rcp情景的水库群适应性调度方法
CN101916337A (zh) 一种基于地理信息系统的水稻生产潜力动态预测方法
CN113515841B (zh) 一种基于改进Budyko公式的径流变化定量分解方法
CN112241607A (zh) 一种基于仿真并考虑气候变化的水资源规划方法
CN111598724A (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN110135652B (zh) 一种长期汛期径流预测方法
CN116562583A (zh) 一种多维度水资源供需预测方法及系统
Wang et al. The cooling effect of hybrid land-use patterns and their marginal effects at the neighborhood scale
CN106548285A (zh) 计及小水电出力的趸售电量预测方法
CN115238513A (zh) 一种考虑气候与土地利用变化的流域径流集合预报方法
Wu et al. A collaborated framework to improve hydrologic ecosystem services management with sparse data in a semi-arid basin
Wang et al. Near real-time optimization of multi-reservoir during flood season in the Fengman Basin of China
Zhang et al. Research on the optimal allocation of agricultural water and soil resources in the Heihe River Basin based on SWAT and intelligent optimization
Fan et al. Optimal cropping patterns can be conducive to sustainable irrigation: evidence from the drylands of Northwest China
CN117455041B (zh) 一种针对预测所得未来水资源的多目标管控利用方法
CN115809718B (zh) 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统
CN115496128A (zh) 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法
CN106355264A (zh) 一种参考作物腾发量组合预测方法
KR100430219B1 (ko) 상수도 시스템의 용수 수요 예측 방법
Wang et al. Multi-reservoir system operation theory and practice
CN115358587A (zh) 区域多部门协同的基础设施规划方法及系统
Liu et al. A solution for flood control in urban area: using street block and raft foundation space operation model
Wang et al. Green roofs and their effect on architectural design and urban ecology using deep learning approaches

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
GR01 Patent grant
GR01 Patent grant