珠江三角洲地区用水量影响要素及其关联规则

郑炎辉; 徐小迪; 李俊辉; 林树彦; 何艳虎

doi:10.13471/j.cnki.acta.snus.ZR20240217

您当前的位置：

首页 >

文章列表页 >

珠江三角洲地区用水量影响要素及其关联规则

研究论文 | 更新时间：2025-03-14

- 珠江三角洲地区用水量影响要素及其关联规则
- On the main influencing factors of water use and their correlation rules in the Pearl River Delta region
- 中山大学学报(自然科学版)(中英文) 2025年64卷第2期页码：22-32
- 作者机构：
  
  1.广东工业大学生态环境与资源学院，广东广州 510006
  2.广东省流域水环境治理与水生态修复重点实验室，广东广州 510006
  3.广州丰泽源水利科技有限公司，广东广州 510663
  4.南方科技大学环境科学与工程学院，广东深圳 518055
- 作者简介：
  
  郑炎辉（1990年生），男；研究方向：水文水资源；E-mail：zheng_yanhui@foxmail.com
  何艳虎（1985年生），男；研究方向：水资源优化配置；E-mail：heyanhu456@gdut.edu.cn
- 基金信息：
  
  国家自然科学基金(52209025;51979043);2024年省级水资源节约与保护专项项目;水利部粤港澳大湾区水安全保障重点实验室开放基金(WSGBA-KJ202302)
- DOI：10.13471/j.cnki.acta.snus.ZR20240217
  中图分类号： TV213.4
- 收稿日期：2024-06-29，
  
  录用日期：2024-11-27，
  
  网络出版日期：2025-01-21，
  
  纸质出版日期：2025-03-15
- 稿件说明：
移动端阅览
郑炎辉,徐小迪,李俊辉等.珠江三角洲地区用水量影响要素及其关联规则[J].中山大学学报(自然科学版)(中英文),2025,64(02):22-32.

ZHENG Yanhui,XU Xiaodi,LI Junhui,et al.On the main influencing factors of water use and their correlation rules in the Pearl River Delta region[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2025,64(02):22-32.
郑炎辉,徐小迪,李俊辉等.珠江三角洲地区用水量影响要素及其关联规则[J].中山大学学报(自然科学版)(中英文),2025,64(02):22-32. DOI： 10.13471/j.cnki.acta.snus.ZR20240217.

ZHENG Yanhui,XU Xiaodi,LI Junhui,et al.On the main influencing factors of water use and their correlation rules in the Pearl River Delta region[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2025,64(02):22-32. DOI： 10.13471/j.cnki.acta.snus.ZR20240217.

摘要

区域用水量影响要素及其关联规则识别对于合理预测用水需求和优化配置水资源具有重要意义。本文基于珠三角地区历年水资源开发利用数据和经济社会发展统计数据，利用随机森林（RF，random forest）和人工神经网络（ANN，artificial neural network）两种机器学习模型，并综合采用SHAP（shapley additive explanations）和部分依赖图（PDP，partial dependence plots）方法，系统识别了珠三角地区用水量影响要素及其与用水量的关联规则，揭示了各影响要素贡献度的时空变化特征。结果表明：用水量影响要素按重要度排序依次是GDP、人口规模、耕地面积、人均水资源量、农田实灌单位面积平均用水量、城镇人均生活用水量；ANN模型和RF模型决定系数平均值分别在0.94和0.92以上；用水量影响要素空间上呈现中心城市以人口为主导、周边地区以耕地面积为主导的特点；珠三角地区用水量对于人口规模和耕地面积变化的响应最为明显。研究可为珠三角地区未来用水需求预测以及水资源空间均衡配置提供科学依据与技术支撑。

Abstract

Identifying the factors that influence regional water use and the corresponding regulations is crucial for accurately predicting water demand and optimizing the allocation of water resources. This study collected historical data on water resource exploitation and socio-economic statistics in the Pearl River Delta （PRD） region. Two machine learning models， namely Random Forest （RF） and Artificial Neural Network （ANN）， were employed to systematically identify the factors affecting water use and to uncover the associated rules in the PRD region. In addition， Shapley Additive Explanations （SHAP） and Partial Dependence Plots （PDP） were applied to enhance the interpretability of the modeling outcomes. The results indicate that the factors influencing water use， in order of importance， are GDP， population size， cultivated land area， per capita water resources， water consumption for actual irrigation per unit of farmland， and urban per capita domestic water use. The average determination coefficients of ANN and RF models are above 0.94 and 0.92， respectively. Regarding water use factors， population is the dominant influence in the central cities， while cultivated land is the principal factor in the surrounding areas. Water use in the PRD region shows the most significant response to the changes in population size and cultivated land area. This research provides a scientific basis and technical support for the future prediction of water demand and the balanced allocation of water resources in the PRD region.

关键词

Keywords

references

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 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融入辅助数据集的面向对象土地利用分类研究

基于PBLC算法的滑坡空间易发性分析

基于基因表达式编程的人口预测模型