水資源短缺風(fēng)險評估模型的建設(shè)及分析畢業(yè)論文-文庫吧
2025-06-07 16:00 本頁面
【正文】 前，農(nóng)業(yè)用水占總用水量的絕大部分，工業(yè)用水和其他用水的比例相對較小，1985年之后，農(nóng)業(yè)用水和工業(yè)用水的比重持續(xù)下降，而其他用水的比重迅速增加。因此，可以得出以下結(jié)論：其他用水的急劇上升可能是北京市未來缺水的主要原因。5．3 對影響北京市水資源短缺風(fēng)險因子的定性分析對影響北京市水資源短缺風(fēng)險因子的定性研究，我們應(yīng)該以水資源的來源和社會經(jīng)濟發(fā)展的消耗兩方面為根本出發(fā)點，分別從自然因素和社會經(jīng)濟因素來分析。5．3．1 自然因素對水資源短缺影響的自然因素有：①、人口密度；②、降水量；③、水資源總量等。根據(jù)19792008年北京市常住人口數(shù)的情況，我們用matlab（代碼3）得到年份與人口圖像（如圖三） 圖三：北京市（年份——常住人口） 圖四：北京市（年份——人均用水量）由圖像知，19782008年北京市人口呈上升趨勢，在未來的幾年內(nèi)，北京市常住人口數(shù)可能突破1700萬人，再根據(jù)圖四（matlab代碼4），2000——2008年間的人均年生活用水量變化不大，因此，城市人口用水量的增加將會是導(dǎo)致水資源短缺的主要因素之一。從附表3中所給的北京近三十年的氣象資料可以得到以下降水量變化情況圖五：北京市（19782008）年降水量從總體上看，除去某些高峰點（如1994,1998,2008年）降水量趨向于減少，也就是轉(zhuǎn)化為地表水的水量減少，再由于生活用水總量的增加，這就可以得出以下結(jié)論：地表水的減少也是影響北京市水資源短缺的風(fēng)險因子之一。5．3．2 社會經(jīng)濟因素對水資源短缺影響的社會經(jīng)濟因素有：①、污水排放總量；②、污水處理率；③、農(nóng)業(yè)用水；④、COD排放總量等。通過附表5中給出的污水排放以及處理情況，2008年的污水排放量為132095萬立方米，而污水的處理率只有78%左右，處理能力還不強。這也從根本上限制了用水量。5．4 總結(jié)通過以上的分析，得到影響北京市水資源短缺的主要風(fēng)險因子歸為兩類，自然因素和社會經(jīng)濟因素，具體影響因子主要包括：人口的增加導(dǎo)致生活總水量得的增加；地下水補給短缺降低水資源總量；工業(yè)、生活廢水的處理能力弱給水資源使用帶來危機。六、模型建立與求解借鑒Kaplan 的定義[5],本文認(rèn)為水資源短缺風(fēng)險是指在特定的環(huán)境條件下,由于來水和用水存在模糊與隨機不確定性[6],使區(qū)域水資源系統(tǒng)發(fā)生供水短缺的概率以及相應(yīng)的缺水影響程度。基于上述理由設(shè)計了基于模糊概率的水資源短缺風(fēng)險評價模型。6．1 模糊概率的水資源短缺風(fēng)險模型的建立6．1．1 構(gòu)造隸屬函數(shù)對于一個供水系統(tǒng)來說，當(dāng)供水量（）大于等于用水量（）時，處于正常工作狀態(tài)；當(dāng)供水量小于用水量時，處于失常狀態(tài)。基于水資源的模糊不確定性，我們構(gòu)造以下隸屬函數(shù)來描述系統(tǒng)的損失值。定義模糊集如下： （2）式中: 為缺水量。為缺水量在模糊集上的隸屬函數(shù),構(gòu)造如下: （3）式中: 、分別為供水量和需水量。為缺水系列中最小缺水量。 為缺水系列中最大缺水量。將水資源短缺風(fēng)險定義為模糊事件發(fā)生的概率,即模糊概率分布為： （4）式中: 為n 維歐氏空間。 為模糊事件的隸屬函數(shù)。 為概率測定。如果,則： （5）其中 是隨機變量y 的概率密度函數(shù)。水資源短缺風(fēng)險率的定義可表示為： （6）上述風(fēng)險定義將水資源短缺風(fēng)險存在的模糊性和隨機性聯(lián)系在一起,其中,隨機不確定性體現(xiàn)了水資源短缺風(fēng)險發(fā)生的概率,而模糊不確定性則體現(xiàn)了水資源短缺風(fēng)險的影響程度。依據(jù)概率密度函數(shù)和隸屬函數(shù)的形式計算水資源短缺風(fēng)險值。6．1．2 模擬概率分布logistic模型模擬系列的概率分布一般有MC(蒙特卡羅) 、MFOSM(均值一次兩階矩) 法、SO(兩次矩) 法、最大熵風(fēng)險分析方法、AFOSM(改進(jìn)一次兩階矩) 法以及JC 法等,這些模擬方法在實際應(yīng)用時可能會存在一些問題,如對因變量分布的假設(shè)過于敏感、計算結(jié)果不唯一、模型精度低、收斂性不能得到證明、理論體系不完善等等[78]。而Logistic 回歸方法具有對因變量數(shù)據(jù)要求低、計算結(jié)果唯一、模型精度高等優(yōu)點,本文采用Logistic 回歸模型來模擬缺水量系列的概率分布。6．1．2．1 Logistic回歸模型的建立[9]Logistic回歸模型為： （7）其中為常數(shù)項和自變量項的系數(shù)，為自然對數(shù)。用matlab編程（代碼5）解得logistic函數(shù)為： （8）其中為缺水量。6．1．2．2 Logistic分析模型的檢驗回歸方程的顯著性檢驗對回歸方程是否有意義作判斷就是要作如下的顯著性檢驗： vs ，拒絕表示回歸方程是顯著的。在一元線性回歸中，有以下三種檢驗方法：F檢驗、t檢驗、相關(guān)系數(shù)檢驗。以下根據(jù)matlab得到的結(jié)果進(jìn)行F檢驗：，即，查表知：，由于，并且。因此，回歸方程是顯著的。殘差圖分析同理根據(jù)matlab運行結(jié)果（見附錄殘差結(jié)果）得到的殘差圖（圖六），可以得到：只有1981983年出現(xiàn)異常，其余都是正常擬合，因此，我們可以做出以下的處理：由于數(shù)據(jù)較大，直接忽略異常點的存在。圖六：殘差圖6．1．3 水資源短缺風(fēng)險模型的建立以及結(jié)果分析6．1．3．1 風(fēng)險函數(shù)的確定 （9）根據(jù)以上所得logistic模型以及風(fēng)險函數(shù)的確立，使用matlab作圖軟件做出（年份—概率）（代碼6）、（年份—風(fēng)險）的圖象（代碼7）（如圖五）。 圖五 年份—概率 年份—風(fēng)險6．1．3．2 結(jié)果分析根據(jù)以上結(jié)果，在1981981991996年，北京市未出現(xiàn)缺水現(xiàn)象，且風(fēng)險概率模擬值均為零，符合實際情況。1980、198199即風(fēng)險達(dá)到極高的情況，、位居缺水量的前四位，這和事實也是相吻合的。期間也有出現(xiàn)特殊的年份，如1982年，,，應(yīng)屬較低風(fēng)險，與事實的符合度不高。描述風(fēng)險的準(zhǔn)確率達(dá)到100%，描述概率的準(zhǔn)確率達(dá)到70%以上。綜上所述，此模型在較高程度上符合事實，可以付諸使用。6．2 水資源短缺風(fēng)險分類為得到相對直觀的風(fēng)險率聚集情況，以降雨量為橫坐標(biāo)，風(fēng)險率為縱坐標(biāo)，用matlab建立（降雨量—風(fēng)險率）圖像，并對其進(jìn)行三次擬合，得殘差為：r=，擬合度較高，根據(jù)圖七顯示，風(fēng)險率越高的年份其年降雨量相對
公司管理相關(guān)推薦
鄂ICP備17016276號-1