基于地理因子的因旱饮水困难人口快速评估模型*——以云南省2012年大旱为例

贾慧聪，袁艺，曹春香，潘东华，周洪建，马玉玲

(1.中国科学院遥感应用研究所遥感科学国家重点实验室，北京100101;2.民政部国家减灾中心，北京100022)

0 引言

从2010年开始，云南遭遇3年连旱。特别是2011年12月以来，云南省大部分地区降水量仅为20～50 mm，中北部不足20 mm，较常年同期偏少50%～80%，滇东、滇中北以及滇西部分地区气象干旱发展迅速。全省综合气象干旱重现期为80年以上一遇，其中滇中、滇东、滇西东部的大部地区为100年以上一遇［1］。据云南省民政厅统计，截至2012年2月16日，持续干旱已造成云南曲靖、楚雄、文山、昭通、大理、临沧等13州市91个县(市、区)631.83万人受灾，已有242.76万人、155.45万头大牲畜出现不同程度饮水困难;因干旱造成大春农作物受灾65.108万hm2，成灾37.617万hm2、绝收6.248万hm2;因灾造成全省需救助人口231.38万人;全省直接经济损失23.42亿元［2］。严重旱灾导致人畜饮水困难问题突出，重灾区主要分布在海拔较高且河网相对稀疏的滇北山地丘陵地区(图1);小春作物生产和大春作物耕种受到严重影响;灾区部分群众口粮，城镇、工业用水受到一定影响;森林火灾风险较高。

目前我国因旱饮水困难人口的判断主要依据地方灾情的上报，未有对该数据的质量控制和快速评估系统。因此，准确地预测因旱饮水困难人口的发生发展，并采取适当的减灾措施就显得十分重要，这将很大程度地降低经济损失与人员伤害。造成因旱饮水困难发生的影响因素很多，而各因素之间存在非线性、不确定关系。本文根据收集的气象、基础地理信息、社会经济、灾情等资料，利用BP(Back Propagatin)人工神经网络对引起因旱饮水困难人口的各因素进行了初步研究，构建了因旱饮水困难快速评估模型，发现该网络能有效预测因旱饮水困难人口情况，可为政府和地方部门进行灾情核查、制定因旱饮水困难人口的预警防范措施提供科学依据。

图1 云南省饮水困难人口分布(截至2012年2月16日)

1 BP神经网络的基本原理

1.1 BP神经网络的理论基础

人工神经网络(Artifical Neural Network，ANN)具有很强的自学习、自组织和自适应能力，能够充分地利用给定的输入因子信息，建立起输入与输出之间复杂的非线性对应关系［3］。其中BP人工神经网络是目前应用最为广泛的一类，该网络在具有人工神经网络各特点的同时，还具有构建简单、训练算法丰富、映射能力强等优点。而且网络中的大量参数均由学习所得，而不是由人为给定，避免了人为因素的影响［4］。

BP人工神经网络是具有非线性变换函数、运用误差反向算法的多层感知器形成的前馈网络，由输入层、隐含层和输出层组成。其学习过程包括两个部分，即信号的正向传播和误差的反向传播。正向传播是指输入信号通过输入层经隐含层传向输出层;误差反向传播则指当输出信号与期望输出的信号不符时，输出误差将朝着误差减小的方向通过隐含层向输入层传递，修正输入层与隐含层和隐含层与输出层之间的权重值和阈值，这样反复训练，使误差减小［5］。

1.2 BP神经网络模型

BP算法模型如图2所示，算法步骤如下:

(1)初始化数据。为使所有输入参数具有同等重要性和避免神经元进入饱和状态，用式1对原始数据进行预处理，使输入数据落在［0，1］之间。

图2 BP算法流程图

(2)训练操作。假设初始化的输入值分别为x1，x2，x3……xn，输入节点与隐含层节点之间的权值为wji，隐含层节点与输出节点之间的权值为v1j，隐层中的阀值为θj，输出层中的阀值为θl，如式2、3计算节点的输入输出。

(3)判断是否满足要求。已知期望值为t，根据输出节点的误差公式4，计算误差。若满足要求，即完成样本的训练;否则，根据减少误差的原则，先调整v1j、θl，紧接着调整wji、θj，并利用修正之后的值进行训练直至满足要求。

(4)当样本完成训练后，输入初始化后的预测样本进行训练，即可得到预测值。

2 因旱饮水困难人口影响因素分析

2.1 因旱饮水困难人口影响因素的选取

按水利部1984年确定的农村饮水困难标准综合分析(取水的水平距离1 km以上，垂直高差100 m，水中含氟量超过1.1 mg/L)［6］，参考目前因旱饮水困难人口评价所选取指标内容［7－14］，并结合受灾区环境和成灾特点，本研究所选取的因旱饮水困难人口影响因素主要考虑研究区的降水、地形、水系、人口、道路和经济共6个因子。所利用的数据来源于:云南省30 m分辨率的DEM数据;云南省行政区矢量图;云南省1∶100万铁路、国道和省道数据;云南省1∶100万河流分布图;从中国气象科学数据共享服务网(http://cdc．cma．gov．cn/)下载的云南省32个站点2000－2012年的日降水量数据;2009－2011年《中国统计年鉴》;民政部国家减灾中心提供的2012年云南省各县因旱饮水困难人口统计数据。

2.2 各因素对因旱饮水困难人口的影响

2.2.1 降水因子

水资源匮乏或用水条件恶劣是导致农村饮水困难的根本原因［9］。云南是多种季风(东亚季风、南亚季风、高原季风)环流影响的过渡交叉地带，是我国典型的季风气候区，干湿季节分明。季风气候造成了云南干旱灾害发生的必然性，不稳定的季风活动又造成了云南干旱灾害发生的随机性。

2012年1月15 日至2月7日，全省平均累计降水量1.5 mm，有107站降水＜1 mm，其中96站无降水(图3)。2011年6月至9月，全省降水持续偏少，东北部7月降水量不足100 mm，较常年同期偏少50%～80%，部分地区不足50 mm，偏少80%以上。旱灾灾情较严重区域集中分布在滇东地区及滇西北地区，与较低月均降水量分布是吻合。2009年9月至2010年5月，云南全省平均降水量292 mm，比常年同期偏少140 mm，为历史同期次少值，尤其是云南东部降水同期偏少50%～80%。连续3年的云南干旱少雨天气造成水库、坝塘蓄水量偏少，地下水位持续下降，人畜基本饮水难以保障。

图3 云南省月均降水量图(2011年11月－2012年2月)

2.2.2 地形因子

云南省地处低纬高原，地形极为复杂。大体上，西北部是高山深谷的横断山区，东部和南部是云贵高原(图4)。整个云南西北高、东南低，有84%多的面积是山地，高原、丘陵占10%，仅有不到6%是坝子、湖泊之类［15］。从地形高程与饮水困难人口的空间分布关系来看，此次旱灾重灾区(饮水困难人口＞5万人)主要分布滇北的山地丘陵地区，重灾区的平均海拔在2 000 m以上，山地焚风效应进一步加剧了旱情。通过分析受灾区地形高程与饮水困难人口数量的关系，可以看出，饮水困难人口数量与地形高程呈正相关关系。此外，山地丘陵区距离水源较远，取水相对困难，取水成本也随之增高。

图4 云南省地形高程图(空间分辨率1KM)

2.2.3 水系分布

对比且分析两组社区糖尿病患治疗效果——将临床判断标准分为显效、有效和无效,显效:患者实施治疗后,空腹血糖在6.1mmol/L内、餐后2h血糖在7.2mmol/L内;有效:患者实施治疗后,空腹血糖<6.1mmol/L、餐后2h血糖<10.0mmol/L;无效:患者经治疗后,均未达到上述指标。

云南是水资源大省，水资源总量排名全国第3位，但由于其特殊的地形环境和气候条件，水资源空间分布不平衡现象十分突出(图5)。云南省地跨6大水系，河流众多，年径流量达到200 km3。但云南省各大水系都集中在西部、北部地区，且多为各大水系的上游，滩多、流急、落差大，不便于发展航运［15］。云南省水资源与人口、耕地等经济发展要素极不匹配，占全省土地面积6%的坝区集中了2/3的人口和1/3的耕地，但水资源量只有全省的5%［16］。从饮水困难人口分布与河网水系密度空间关系来看，此次旱灾重灾区(饮水困难人口＞5万人)主要分布在河网密度相对稀疏的滇东北及滇西北的部分山地丘陵区。

图5 云南省河网密度图

2.2.4 人口因子

云南省人口分布的最大特征是东密西疏(图6)。云南省以哀牢山为界划分为东西两部。由于东西两部自然环境、社会经济发展状况以及人们生活习惯的不同，使人口在其分布上也有着截然的不同，东部地区人口的数量、群体规模和密度都远远超过西部。中部纬向带密集，南部、北部稀疏;坝区密集，山区、半山区稀疏［16］。近年来随着人口密度的增加和城镇化的发展，人民生活生产用水量逐步增加，加上粮食需求增加，垦草种粮、陡坡开荒等，导致近年来同等降水量表现出的饮水困难旱情更为严重。

图6 云南省人口分布图(2010年)

2.2.5 道路因子

公路是云南最重要的交通枢纽，随着城镇、铁路、公路、水库建设用地增加，部分地势较高的土地作为原来地势相对较低土地的补偿，土壤持水能力下降，导致当地抗旱能力下降(图7)。

图7 云南省路网密度图

2.2.6 经济因子

云南省的区域经济差异比较明显，2010年GDP超过100亿元的县(市、区)集中在昆明、曲靖、个旧、玉溪、大理、昭通、楚雄等7个经济较发达地区(图8)。云南三年连旱灾区60%以上的县(市、区)连续重复受灾，80%的受灾县属于国家级贫困县。要促进区域经济和水资源利用的协调发展，以保证农村饮水解困、饮水安全为前提，合理制定农村经济发展综合规划、调整产业结构、促进农村经济与水资源可持续利用的协调发展。

图8 云南省GDP分布图(2010年)

3 因旱饮水困难人口快速评估模型的建立

3.1 样本数据的选取及数据预处理

根据对BP人工神经网络的分析，饮水困难人口预测的BP神经网络模型结构如图9所示。由模型结构图可以看出，模型由三层神经元组成:输入层、隐含层和输出层。其中输入层神经元是经过标准化处理后的以云南省县域为统计单元的6个评价指标:月均降水量、地形高程、水系密度、总人口、路网密度和GDP为网络输入;输出层神经元是因旱饮水困难人口评价的结果;而隐含层神经元数目的多少则是对整个网络能否正常工作具有重要意义，所以科学地、自动地确定隐含层节点数目是极其重要的。

图9 饮水困难人口快速评估模型的三层BP网络

从原理上说，一个在输入层上具有m个神经元，隐含层具有(2m+1)个神经元，输出层具有n个神经元的三层网络，可以精确地实现任意给定的连续的映射。因此，每当创建一个新的人工神经网络模型时，可以从这(2m+1)个隐层节点入手进行筛选，根据前人经验［16－18］可以依据以下公式进行设计:

式中:m为隐层节点数;n为输入层节点数;w为输出层节点数;R(10)为1～10之间的常数。

3.2 因旱饮水困难人口快速评估网络的训练和检验

利用MATLAB软件将经过标准化处理后的6个影响因子作为样本的输入值，利用30个受灾县样本进行网络学习训练，经试算不断优化模型参数，并进行网络隐含层神经元数的调整，确定模型隐含层转移函数为对数S型函数(Logsig);输出层的转移函数选线性函数(purelin);隐含层节点取13个;偏差目标为0.01的参数组合。即网络拓扑结构定为6－13－1。当训练次数达25次时网络收敛，其MSE为0.003 6(图10)，可见本模型的网络收敛速度是相当快的。

利用已训练好的神经网络对剩余55个受灾县的因旱饮水困难人口进行预测，其模拟值与预测值的线性拟合结果R2为0.67，结果如图11所示。由此可见神经网络方法预测因旱饮水困难人口是可行的，并且较准确方便。

图10 实际与神经网络模拟饮水困难人口序列连线对比

图11 饮水困难人口神经网络模拟值与实际值线性拟合结果

4 结论与讨论

针对目前我国因旱饮水困难人口的判断主要依据地方灾情的上报，未有对该数据的质量控制和快速评估系统的现状，本文以2012年云南大旱为例，基于地理因子构建了因旱饮水困难人口快速评估模型，为因旱饮水困难人口的快速评估和灾情的核查提供了科学支撑。结果表明:

(1)选取月均降水量、地形高程、水系密度、总人口、路网密度和GDP作为输入评价因子能够较为准确的反映因旱饮水困难人口的空间分布特征。

(2)人工神经网络具有非线性动态处理数据、综合考虑多种参数影响的能力，所以在参数较多及影响权值未知的情况下构建因旱饮水困难人口快速评估模型具有可行性。模拟值与预测值的线性拟合结果R2为0.67，取得了较为理想的效果。

(3)下一阶段应尽可能增加样本的涵盖面、在输入中尽可能地包含影响输出的主要因子、确定适当的收敛误差等等方式都可再提高人工神经网络的预测精度。

［1］中国新闻网．云南旱情加剧启动国家四级救灾应急响应［EB/OL］．［2012－02－17］．http://www．chinanews．com/df/2012/02－17/3677219.shtml．

［2］云南信息港．目前旱灾已造成云南省13个州市的631.83万人受灾［EB/OL］．［2012－02－16］．http://news．yninfo．com/yn/shxw/201202/t20120216_1756486.htm．

［3］朱红梅，周子英．BP人工神经网络在城市土地集约利用评价中的应用—以长沙市为例［J］．经济地理，2009，29(5):836－839．

［4］王一峰，王心亚．基于人工神经网络的倒水河洪水预报模型［J］．水资源研究，2011，32(119):43－48．

［5］张德丰．MATLAB神经网络应用设计［M］．北京:机械工业出版社，2009:92－98．

［6］水利电力部关于农村人畜饮水工作的暂行规定［EB/OL］．(1984－08－13)［2012－02－16］．http://www．people．com．cn/item/flfgk/gwyfg/1984/112403198404.html．

［7］王永胜，李培红．我国农村人畜饮水困难成因分析及对策研究［J］．给水排水，2001，27(7):23－25．

［8］王婷婷，陈菁．我国农村饮水困难的分类及其对策分析［J］．水利经济，2005，23(1):42－43．

［9］于振东．中西部地区农村饮水困难成因分析及对策研究［J］．现代农业，2008(3):121．

［10］王韶生，刘昆鹏，刘群昌．我国农村供水指标体系研究［J］．北京工业大学学报，2006，32(9):836－840．

［11］贾慧聪，王静爱，岳耀杰，等．冬小麦旱灾风险评价的指标体系构建及应用——基于2009年北方春旱野外实地考察的认识［J］．灾害学，2009，24(4):20－25．

［12］贾慧聪，王静爱．国内外不同尺度的旱灾风险评价研究进展［J］．自然灾害学报，2011，20(2):138－145．

［13］贾慧聪，王静爱，潘东华，等．基于EPIC模型的黄淮海夏玉米旱灾风险评价［J］．地理学报，2011，66(5):643－652．

［14］Huicong Jia，Jingai Wang，Chunxiang Cao，et al．Maize drought disaster risk assessment of China based on EPIC model［J］．International Journal of Digital Earth，2011，DOI:10.1080/17538947.2011.590535．

［15］王声跃．云南地理［M］．昆明:云南民族出版社，2002．

［16］周开利，康耀红．神经网络模型及其MATLAB仿真程序设计［M］．北京:清华大学出版社，2005．

［17］闻新，周露，王丹力，等．MATLAB神经网络应用设计［M］．北京:科学出版社，2002．

［18］闻新，周露，李翔，等．MATLAB神经网络仿真与应用

［M］．北京:科学出版社，2003．