基于RBF神经网络的经济用水数据空间离散化方法技术

本发明专利技术公开了一种基于RBF神经网络的经济用水数据空间离散化方法，包括：获得基本计算单元；获得基本计算单元和行政单元空间要素数据集；对生活用水、工业用水和农业用水采用定额法补充，对生态环境用水量采用相关因子分摊法进行补充；对生态环境用水量计算公式中的权重系数采用组合赋权法确定；经过模拟计算得到基本计算单元上离散预测结果；进行结果修正；按基本计算单元的水资源分区属性逐级汇总得到相应的用水数据。本发明专利技术提出的基于RBF神经网络的经济用水数据空间离散化方法，可获得全国各级水资源分区经济社会及用水数据，有助于水资源综合管理。

【技术实现步骤摘要】
基于RBF神经网络的经济用水数据空间离散化方法
本专利技术涉及水利科学
，特别是指一种基于RBF神经网络的经济用水数据空间离散化方法。
技术介绍
经济社会用水数据主要按行政单元统计而来，而其边界与水资源区边界不重合，导致水资源区用水数据的获得十分困难。现有的经济社会用水数据还存在共享困难、统计困难与统计数据多样等问题。利用计算机技术获得水资源区经济社会用水数据，对于完善水资源数据基础以支撑水资源行政区域与流域统一管理和减小人力普查投入十分重要。用水是指为了某种经济或社会目的，使用水资源某种属性的行为，是通过水资源开发，用水主体运用和使用已开发水资源的方式与方法的总称。经济社会用水指采用取水、输水工程措施，从河流、湖泊、水库和地下水层将水引至用水地区，满足城乡生产和生活需要的水量，包括生活用水、工业用水、农业用水和生态环境用水四项。水资源区是根据水资源的自然、社会和经济属性，按照开发、利用、治理、配置、节约、保护要求，将流域水系划分而得来。水资源分区主要包括水资源一级区、水资源二级区和水资源三级区。根据全国水资源分区标准，水资源一级区主要包括我国境内的10个大型流域，将各个水资源一级区细分为水资源二级区，各二级区再细分为水资源三级区。由于水资源区与行政区边界不重叠，导致一个县级行政区被多个水资源三级区分割。目前，按各级水资源分区统计的用水数据十分匮乏。综上所述，提出一种可靠的经济社会用水数据统计方法，以获得各水资源区上用水数据的分布情况是急待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种基于RBF神经网络的经济用水数据空间离散化方法，以获得各水资源区上用水数据的分布情况，从而获得全国各级水资源分区经济社会及用水数据，有助于水资源综合管理。基于上述目的本专利技术提供的基于RBF神经网络的经济用水数据空间离散化方法，包括：将县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元；将各类土地利用数据和DEM数据统计到各基本计算单元和行政单元空间上，获得基本计算单元和行政单元空间要素数据集；根据各级行政单元经济社会用水数据，对县级行政单元生活用水、工业用水和农业用水采用定额法补充，对生态环境用水量采用相关因子分摊法进行补充；对生态环境用水量采用相关因子分摊法进行补充得到的计算公式中的权重系数采用组合赋权法确定；基于RBF神经网络模型，利用数据指标间相关关系，经过模拟计算得到基本计算单元上离散预测值，从而将县级行政单元经济社会用水数据展布到基本计算单元上；以各基本计算单元预测值作为权重由所属县级行政单元总值向下分摊进行结果修正；将修正后的经济社会和用水数据值，按基本计算单元的水资源分区属性逐级汇总得到相应的用水数据。在一些实施方式中，所述将县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元的步骤包括：采用地理信息系统软件ArcGIS，对县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元；将小于所在县级行政区面积10%的基本计算单元向邻近面积最大的基本计算单元合并。在一些实施方式中，所述将各类土地利用数据和DEM数据统计到各基本计算单元和行政单元空间上，获得基本计算单元和行政单元空间要素数据集的步骤包括：利用获得基本计算单元矢量图和包括各类土地利用数据和DEM数据的空间数据，基于ArcGIS区域统计（ZonalStatistics）模块，将各类土地利用数据和DEM数据统计到各基本计算单元上；利用行政区单元矢量图统计获得各级行政单元各类土地利用和DEM数据；获得基本计算单元和行政单元空间要素数据集，用于空间离散化分析。在一些实施方式中，所述基于RBF神经网络模型，利用数据指标间相关关系，经过模拟计算得到基本计算单元上离散预测值，从而将县级行政单元经济社会用水数据展布到基本计算单元上的步骤包括：用径向基函数作为隐含层神经元的基，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分；所述径向基函数采用高斯函数，计算公式为：其中：x为是n维输入向量；ci为第i个径向基函数的中心，是与x具有相同维数的向量；σi是第i个基函数的宽度；m是隐含层神经元的个数；||x-ci||为矢量x与ci之间的欧式范数；模拟过程中，将任意2/3的数据样本进行训练学习，模拟因变量与其相关的自变量间复杂的非线性关系；同时，将另外1/3的样本作为验证数据，以验证训练学习效果；分别计算训练学习阶段和验证阶段模拟结果与实测样本间的相关系数R12和R22，当两者均大于常数α（0<α<1）时认为训练效果合格，取α=0.7～0.8；以验证合格的神经网络预测模型，输入基本计算单元上与因变量相关的自变量指标数据，经过模拟计算得到基本计算单元上离散预测结果。在一些实施方式中，所述以各基本计算单元预测值作为权重由所属县级行政单元总值向下分摊进行结果修正的步骤包括：采用计算公式进行修正；其中：为神经网络模型预测得到经济社会以及用水指标在基本计算单元i上的值；为基本计算单元i所属县级行政单元上经修正后的数据值；为修正后的基本计算单元i的数据值。在一些实施方式中，所述将修正后的经济社会和用水数据值，按基本计算单元的水资源分区属性逐级汇总得到相应的用水数据的步骤包括：采用计算公式进行汇总；其中：为修正后的基本计算单元i的数据值；为基本计算单元i所属水资源三级区j对应指标数据值；为水资源三级区j所属水资源二级区k对应指标数据值；为水资源二级区k所属水资源一级区l对应指标数据值。在一些实施方式中，所述对生态环境用水量采用相关因子分摊法进行补充的步骤包括：生态环境用水需求的影响因素包括林地、草地、水域、城镇用地、GDP和非农业人口，各级行政单元生态环境用水量计算公式为其中：ki(i=1,2,3,4,5,6)为权重系数；为行政单元i生态环境用水量，计算单位为亿m3；为上一级行政单元生态环境用水量，计算单位为亿m3；为行政单元i林地面积，计算单位为kha；为上一级行政单元林地面积，计算单位为kha；为行政单元i草地面积，计算单位为kha；为上一级行政单元草地面积，计算单位为kha；为行政单元i水域面积，计算单位为kha；为上一级行政单元水域面积，计算单位为kha；为行政单元i城镇用地面积，计算单位为kha；为上一级行政单元城镇用地面积，计算单位为kha；GDPi为行政单元i国民生产总值，计算单位为万元；GDP上为上一级行政单元国民生产总值，计算单位为万元；为行政单元i非农业人口数，计算单位为万人；为上一级行政单元非农业人口数，计算单位为万人。在一些实施方式中，所述对生态环境用水量采用相关因子分摊法进行补充得到的计算公式中的权重系数采用组合赋权法确定的步骤包括：对各指标样本数据进行归一化处理，计算公式如下：...

【技术保护点】
一种基于RBF神经网络的经济用水数据空间离散化方法，其特征在于，包括：将县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元；将各类土地利用数据和DEM数据统计到各基本计算单元和行政单元空间上，获得基本计算单元和行政单元空间要素数据集；根据各级行政单元经济社会用水数据，对县级行政单元生活用水、工业用水和农业用水采用定额法补充，对生态环境用水量采用相关因子分摊法进行补充；对生态环境用水量采用相关因子分摊法进行补充得到的计算公式中的权重系数采用组合赋权法确定；基于RBF神经网络模型，利用数据指标间相关关系，经过模拟计算得到基本计算单元上离散预测值，从而将县级行政单元经济社会用水数据展布到基本计算单元上；以各基本计算单元预测值作为权重由所属县级行政单元总值向下分摊进行结果修正；将修正后的经济社会和用水数据值，按基本计算单元的水资源分区属性逐级汇总得到相应的用水数据。

【技术特征摘要】
1.一种基于RBF神经网络的经济用水数据空间离散化方法，其特征在于，包括：将县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元；将各类土地利用数据和DEM数据统计到各基本计算单元和行政单元空间上，获得基本计算单元和行政单元空间要素数据集；根据各级行政单元经济社会用水数据，对县级行政单元生活用水、工业用水和农业用水采用定额法补充，对生态环境用水量采用相关因子分摊法进行补充；对生态环境用水量采用相关因子分摊法进行补充得到的计算公式中的权重系数采用组合赋权法确定；基于RBF神经网络模型，利用数据指标间相关关系，经过模拟计算得到基本计算单元上离散预测值，从而将县级行政单元经济社会用水数据展布到基本计算单元上；以各基本计算单元预测值作为权重由所属县级行政单元总值向下分摊进行结果修正；将修正后的经济社会用水数据值，按基本计算单元的水资源分区属性逐级汇总得到相应的用水数据。2.根据权利要求1所述的方法，其特征在于，所述将县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元的步骤包括：采用地理信息系统软件ArcGIS，对县级行政区与水资源三级区矢量图进行叠加嵌套，获得每个县级行政单元所属不同水资源三级区部分的基本空间单元，作为基本计算单元；将小于所在县级行政区面积10％的基本计算单元向邻近面积最大的基本计算单元合并。3.根据权利要求1所述的方法，其特征在于，所述将各类土地利用数据和DEM数据统计到各基本计算单元和行政单元空间上，获得基本计算单元和行政单元空间要素数据集的步骤包括：利用获得基本计算单元矢量图和包括各类土地利用数据和DEM数据的空间数据，基于ArcGIS区域统计(ZonalStatistics)模块，将各类土地利用数据和DEM数据统计到各基本计算单元上；利用行政区单元矢量图统计获得各级行政单元各类土地利用数据和DEM数据；获得基本计算单元和行政单元空间要素数据集，用于空间离散化分析。4.根据权利要求1所述的方法，其特征在于，所述基于RBF神经网络模型，利用数据指标间相关关系，经过模拟计算得到基本计算单元上离散预测值，从而将县级行政单元经济社会用水数据展布到基本计算单元上的步骤包括：用径向基函数作为隐含层神经元的基，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分；所述径向基函数采用高斯函数，计算公式为：其中：x为是n维输入向量；ci为第i个径向基函数的中心，是与x具有相同维数的向量；σi是第i个基函数的宽度；m是隐含层神经元的个数；||x-ci||为矢量x与ci之间的欧式范数；模拟过程中，将任意2/3的数据样本进行训练学习，模拟因变量与其相关的自变量间复杂的非线性关系；同时，将另外1/3的样本作为验证数据，以验证训练学习效果；分别计算训练学习阶段和验证阶段模拟结果与实测样本间的相关系数R12和R22，当两者均大于常数α(0<α<1)时认为训练效果合格，取α＝0.7～0.8；以验证合格的神经网络预测模型，输入基本计算单元上与因变量相关的自变量指标数据，经过模拟计算得到基本计算单元上离散预测结果。5.根据权利要求1所述的方法，其特征在于，所述以各基本计算单元预测值作为权重由所属县级行政单元总值向下分摊进行结果修正的步骤包括：采用计算公式进行修正；其中：为神经网络模型预测得到经济社会以及用水指标在基本计算单元i上的值；为基本计算单元i所属县级行政单元上经修正后的数据值；为修正后的基本计算单元i的数据值。6.根据权利要求1所述的方法，其特征在于，所述将修正后的经济社会和用水数据值，按基本计算单元的水资源分区属性逐级汇总得到相应的用水数据的步骤包括：采用计算公式进行汇总；其中：为修正后的基本计算单元i的数据值；为基本计算单元i所属水资源三级区j对应指标数据值；为水资源三级区j所属水资源二级区k对应指标数据值；为水资源二级区k所属水资源一级区l对应指标数据值。7.根据权利要求1至6任意一项所述的方法，其特征在于，所述对生态环境用水量采用相关因子分摊法进行补充的步骤包括：生态环境用水需求的影响因素包括林地、草地、水域、城镇用地、GDP和非农业人口，各级行政单元生态环境用水量计算公式为其中：ki(i＝1...

【专利技术属性】
技术研发人员：杨中文，许新宜，豆俊峰，宾零陵，王崴，陈午，刘虹利，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京;11