白鹏 ， 龙秋波 ， 2021 . 3种用水量预测方法在京津冀地区的适用性比较 ［J］. 水资源保护 ， 37 （ 2 ）： 102 - 107 .

蔡尚途 ， 吴怡蓉 ， 张虹 ， 2008 . 珠江压咸补淡水量调度以人为本确保珠三角供水安全 ［J］. 中国水利 ，（ 24 ）： 44 - 47 .

陈伽洛 ， 陈龙然 ， 2019 . 决策树与随机森林 ［J］. 信息与电脑 ， 31 （ 17 ）： 43 - 45 .

陈威 ， 艾婵 ， 2017 . 基于多元线性回归模型的武汉市水资源承载力研究 ［J］. 河南理工大学学报（自然科学版） ， 36 （ 1 ）： 75 - 79 .

崔东文 ， 金波 ， 2014 . 基于随机森林回归算法的水生态文明综合评价 ［J］. 水利水电科技进展 ， 34 （ 5 ）： 56 - 60+79 .

冯小威 ， 樊良新 ， 王宝山 ， 等 ， 2022 . 基于夜间灯光数据的长三角城市群城市用水时空演变及驱动研究 ［J］. 水资源与水工程学报 ， 33 （ 4 ）： 97 - 107 .

广东省水利厅 ， 2005—2019. 广东省水资源公报 ［R］. 北京 ： 中国水利水电出版社 .

广东省统计局 ， 2005 — 2019 . 广东统计年鉴 ［M］. 北京 ： 中国统计出版社 .

耿思敏 ， 2023 . 从国内外用水效率看中国节水空间 ［J］. 水利发展研究 ， 23 （ 11 ）： 78 - 83 .

何艳虎 ， 龚镇杰 ， 吴海彬 ， 等 ， 2023 . 粤港澳大湾区城市生态效率时空演变及影响因素 ［J］. 生态环境学报 ， 32 （ 3 ）： 469 - 480 .

黄翱 ， 甘治国 ， 常文娟 ， 等 ， 2023 . 成渝地区双城经济圈用水效率及节水潜力研究 ［J］. 水利水电技术（中英文） ， 54 （ 9 ）： 74 - 85 .

黄健 ， 张钢 ， 2020 . 深度卷积神经网络的目标检测算法综述 ［J］. 计算机工程与应用 ， 56 （ 17 ）： 12 - 23 .

姜秋香 ， 周智美 ， 王子龙 ， 等 ， 2017 . 基于水土资源耦合的水资源短缺风险评价及优化 ［J］. 农业工程学报 ， 33 （ 12 ）： 136 - 143 .

李宁 ， 汪丽娜 ， 2021 . 基于随机森林回归算法的用水总量影响因素解析 ——以广东省为例 ［J］. 华南师范大学学报（自然科学版） ， 53 （ 1 ）： 78 - 84 .

刘鹤鹏 ， 李登华 ， 丁勇 ， 2023 . 融合多测点数据相关性的大坝监测历史数据填补 ［J］. 人民长江 ， 54 （ 9 ）： 245 - 251 .

刘洪波 ， 张宏伟 ， 田林 ， 2002 . 人工神经网络法预测时用水量 ［J］. 中国给水排水 ， 18 （ 12 ）： 39 - 41 .

刘丽艳 ， 朱成全 ， 2020 . 机器学习在经济学中的应用研究 ［J］. 天津师范大学学报（社会科学版） ，（ 2 ）： 51 - 58 .

罗利 ， 鲁若愚 ， 2001 . Shapley值在产学研合作利益分配博弈分析中的应用 ［J］. 软科学 ， 15 （ 2 ）： 17 - 19+73 .

马海涛 ， 耿凤娟 ， 2017 . 京津冀区域城镇化过程中水资源利用的影响因素 ［J］. 科学 ， 69 （ 5 ）： 32 - 36 .

侍孝瑞 ， 王远坤 ， 卞锦宇 ， 等 ， 2018 . 水资源承载力关键驱动因素识别研究 ［J］. 南京大学学报（自然科学版） ， 54 （ 3 ）： 628 - 636 .

王进 ， 2023 . 基于时间序列分析的阿克苏地区用水预测研究 ［J］. 地下水 ， 45 （ 4 ）： 136 - 137 .

王炜 ， 吴耿锋 ， 张博锋 ， 等 ， 2005 . 径向基函数（RBF）神经网络及其应用 ［J］. 地震 ， 25 （ 2 ）： 19 - 25 .

王之仓 ， 邓伟 ， 2007 . 多层感知器学习算法研究 ［J］. 青海师范大学学报（自然科学版） ，（ 1 ）： 37 - 39 .

徐晋轩 ， 杨默远 ， 潘兴瑶 ， 等 ， 2022 . 基于水足迹的北京市水资源开发利用演变特征分析 ［J］. 水资源保护 ， 38 （ 5 ）： 96 - 104 .

姚登举 ， 杨静 ， 詹晓娟 ， 2014 . 基于随机森林的特征选择算法 ［J］. 吉林大学学报（工学版） ， 44 （ 1 ）： 137 - 141 .

于帆 ， 何海洪 ， 周义文 ， 2023 . 人工智能在检验医学领域的应用进展 ［J］. 国际检验医学杂志 ， 44 （ 18 ）： 2267 - 2273 .

于磊 ， 王普 ， 赵寒 ， 等 ， 2016 . 基于MDLP-Apriori算法的离散Shannon熵值标签排序 ［J］. 计算机应用研究 ， 33 （ 6 ）： 1633 - 1636 .

俞亭超 ， 张土乔 ， 毛根海 ， 等 ， 2004 . 预测城市用水量的人工神经网络模型研究 ［J］. 浙江大学学报（工学版） ， 38 （ 9 ）： 1156 - 1161 .

严婷婷 ， 刘定湘 ， 颜霜 ， 等 ， 2020 . 黄河流域“以水而定，量水而行”的思考与建议——基于用水变化及驱动因素分析 ［J］. 水利发展研究 ， 20 （ 10 ）： 54 - 58 .

张峰 ， 薛惠锋 ， 罗婷 ， 2018 . 广东省水资源短缺指数构建与驱动测度——基于物元关联模型 ［J］. 北京理工大学学报（社会科学版） ， 20 （ 1 ）： 52 - 61 .

张虹鸥 ， 叶玉瑶 ， 陈绍愿 ， 2006 . 珠江三角洲城市群城市规模分布变化及其空间特征 ［J］. 经济地理 ， 26 （ 5 ）： 806 - 809 .

张璇 ， 2020 . 基于PCA-BP神经网络的郑州市年用水量预测 ［J］. 科学技术创新 ，（ 28 ）： 107 - 111 .

张赵毅 ， 何艳虎 ， 林柱良 ， 等 ， 2021 . 基于 Copula 函数的珠江三角洲上游来水丰枯遭遇分析 ［J］. 人民珠江 ， 42 （ 12 ）： 30 - 41 .

郑建根 ， 胡荣祥 ， 2015 . RBF人工神经网络在区域水环境承载力研究中的应用 ［J］. 中国农村水利水电 ，（ 9 ）： 52 - 54 .

郑帅 ， 姜谙男 ， 张峰瑞 ， 等 ， 2019 . 基于机器学习与可靠度算法的围岩动态分级方法及其工程应用 ［J］. 岩土力学 ， 40 （ S1 ）： 308 - 318 .

周扬 ， 邵天元 ， 钱才云 ， 2023 . 南京市城市轨道交通站点周边地区建成环境对居民活动的影响——基于梯度提升决策树与SHAP解释模型的分析 ［J］. 科学技术与工程 ， 23 （ 17 ）： 7509 - 7519 .

朱智伟 ， 闫文晶 ， 张海涛 ， 等 ， 2021 . 基于大数据分析的郑州市城市用水量预测 ［J］. 华北水利水电大学学报（自然科学版） ， 42 （ 4 ）： 26 - 30 .

ALTUNKAYNAK A ， NIGUSSIE T A ， 2018 . Monthly water demand prediction using wavelet transform，first-order differencing and linear detrending techniques based on multilayer perceptron models ［J］. Urban Water J ， 15 （ 2 ）： 177 - 181 .

BAO Q L ， DING J L ， HAN L J ， et al ， 2022 . Predicting land change trends and water consumption in typical arid regions using multi-models and multiple perspectives ［J］. Ecol Indic ， 141 ： 109110 .

BREIMAN L ， 2001 . Random forest ［J］. Mach Learn ， 45 ： 5 - 32 .

DU S ， SHI P ， ROMPAEY V A ， 2013 . The relationship between urban sprawl and farmland displacement in the Pearl River Delta，China ［J］. Land ， 3 （ 1 ）： 34 - 51 .

FRIEDMAN J H ， 2001 . Greedy function approximation：a gradient boosting machine ［J］. Ann Stat ， 29 （ 5 ）： 1189 - 1232 .

HE Y ， LIN Z ， CHEN X ， 2020 . Regional difference of water use in a significantly unbalanced developing region ［J］. Water Policy ， 22 （ 6 ）： 1182 - 1199 .

NIU X ， LU C ， ZHANG Y ， et al ， 2023 . Hysteresis response of groundwater depth on the influencing factors using an explainable learning model framework with Shapley values ［J］. Sci Total Environ ， 904 ： 166662 .

SAID N M ， ZIN Z M ， ISMAIL M N ， et al ， 2021 . Univariate water consumption time series prediction using deep learning in neural network （DLNN） ［J］. Int J Adv Technol Eng Explor ， 8 （ 76 ）： 473 - 483 .

SHAPLEY L S ， SHUBIK M ， 1971 . The assignment game I：The core ［J］. Int J Game Theory ， 1 （ 1 ）： 111 - 130 .

VILLARIN M C ， RODRIGUEZ-GALIANO V F ， 2019 . Machine learning for modeling water demand ［J］. J Water Resour Plan Manag ， 145 （ 5 ）： 04019017 .

WANG F ， WANG Y ， ZHANG K ， et al ， 2021 . Spatial heterogeneity modeling of water quality based on random forest regression and model interpretation ［J］. Environ Res ， 202 ： 111660 .

YAN J ， JIA S ， LV A ， et al ， 2019 . Water resources assessment of China’s transboundary river basins using a machine learning approach ［J］. Water Resour Res ， 55 （ 1 ）： 632 - 655 .