Die Identifizierung von Einflussfaktoren auf den regionalen Wasserverbrauch und deren Assoziationsregeln ist von großer Bedeutung für eine vernünftige Prognose der Wassernachfrage und die Optimierung der Wasserressourcenverteilung. Dieser Artikel basiert auf mehrjährigen Daten zur Entwicklung und Nutzung von Wasserressourcen sowie auf sozioökonomischen Entwicklungsstatistiken der Perlflussdelta-Region. Es werden zwei maschinelle Lernmodelle verwendet: Random Forest (RF) und künstliches neuronales Netzwerk (ANN), kombiniert mit den Methoden SHAP (Shapley Additive Explanations) und PDP (Partial Dependence Plots), um systematisch Einflussfaktoren sowie Assoziationsregeln für den Wasserverbrauch in der Perlflussdelta-Region zu identifizieren und die raumzeitlichen Charakteristika der Beitragsschwankungen der einzelnen Faktoren zu enthüllen. Die Ergebnisse zeigen, dass die Einflussfaktoren auf den Wasserverbrauch nach Wichtigkeit geordnet wie folgt sind: BIP, Bevölkerungsgröße, Ackerfläche, Pro-Kopf-Wasserressourcen, durchschnittlicher Wasserverbrauch pro bewässerter Flächeneinheit in der Landwirtschaft, städtischer Pro-Kopf-Haushaltswasserverbrauch. Die mittleren Bestimmtheitsmaße der ANN- und RF-Modelle liegen jeweils über 0,94 bzw. 0,92. Räumlich zeigen die Einflussfaktoren charakteristische Muster mit Bevölkerungsdominanz in den Zentralstädten und Ackerflächendomianz in den umliegenden Gebieten. Der Wasserverbrauch im Perlflussdelta reagiert am deutlichsten auf Veränderungen der Bevölkerungsgröße und der Ackerfläche. Die Studie kann eine wissenschaftliche Grundlage und technische Unterstützung für die zukünftige Wassernachfrageprognose und eine ausgewogene räumliche Verteilung der Wasserressourcen in der Perlflussdelta-Region bieten.

künstliches neuronales Netzwerk;Random Forest;Wasserverbrauch;SHAP-Methode;PDP