博弈论模型在解决水资源管理中利益冲突的运用

本文运用非合作与合作博弈的方法,对南水北调中线工程水资源管理中的有关利益冲突进行模拟和分析。其中,以统计学和经济计量学的回归分析法构建博弈各方的效益函数,以经济价值评估法折算水资源的价值和水污染的损失,用成本效益分析法比较不同战略下的博弈结果。模拟结果显示,若以北京为博弈的甲方,则非合作结果使局中的乙方、丙方和丁方分别获得0.15～0.32亿元、0.59～0.364亿元和0.08～0.29亿元的利益,但整体却遭受662.01～1218.33亿元的损失,而合作的结果恰恰相反。因此,如果能够把合作所带来的部分净收益从赢利方转向损失方,以补足损失方的损失,博弈各方均能受益。此模拟方法及结果不仅有利于博弈各方,而且也为水资源管理部门提供决策支持。     

博弈论模型在解决水资源冲突上的运用

水资源短缺和水质恶化是当今众多发展中国家所面临的两个严重问题。而水质和水量的管理通常涉及众多的利益相关者。在缺乏完善的水资源市场和产权制度时，水资源开发利用上的冲突不可避免。博弈论是解决这类冲突的一种有效方法。本文以南水北调中线工程所涉及的不同利益相关者的水冲突为例，采用非合作与合作博弈分别对水资源的冲突进行了模拟。统计学和经济计量学的回归分析法用来构建博弈各方的效益函数，成本效益分析法用来比较不同战略下的博弈结果。研究结果显示, 非合作虽然使局中人2、3和4分别获利约0.15-0.32亿元、0.59-0.36亿元、0.08-0.29亿元的收益，但却使整体受损约662.01-1218.33亿元，而合作的结果恰恰相反。因此，如果能够把合作所带来的部分净收益从赢利方转向损失方，以补足损失方的损失，博弈各方均能受益。此模拟方法及结果不仅有利于博弈各方，而且在水资源的合理分配﹑水价的制定﹑生态补偿等方面也为水资源管理部门提供决策支持。     

基于小波分解的LSTM水质预测模型

水是人类和其它生命体所依赖的不可缺少的资源, 建立水质预测模型预测水质状况具有重要的社会经济和生态环保价值. 本文建立了基于小波分解的长短期记忆网络(LSTM)时间序列预测模型(W-LSTM), 运用Daubechies5 (db5)小波将水质数据分解为高频率和低频率信号, 再将这些信号作为LSTM模型的输入, 来训练模型预测水质数据. 利用安徽阜南王家坝流域采集到的4项水质指标(pH值、DO、CODMn、NH₃N)对该模型进行训练、验证和测试, 并与传统LSTM神经网络模型的训练和预测结果进行比较. 结果显示所提出的方法在多种评价指标上均优于传统LSTM模型, 表明了该方法具有较高的预测精度和泛化能力, 是一种更有效的模拟预测手段.     

博弈论模型在解决水资源冲突上的运用

水资源短缺和水质恶化是当今众多发展中国家所面临的两个严重问题。与这两个问题有关的水资源管理通常涉及众多的利益相关者。这些利益相关者因为不同的兴趣和利益常常发生冲突。在缺乏水市场和专有财产权利时, 冲突是不可避免的。博弈论是模仿和解决这类冲突的一种有效方法。以汉江流域水资源管理中所涉及的不同利益相关者的冲突为例，展示如何用非合作与合作博弈来模拟和解决水资源冲突。在本研究中，统计学和经济计量学的回归模型法用来构建博弈各方的效益函数，成本效益分析法来比较不同战略下的博弈结果。博弈模拟结果显示,非合作虽然可使某方赢利，但却使整体受损;相反，合作虽然可给某方带来损失，但是却给各方带来整体利益。所以，如果能够把合作所带来的部分净收益从赢利方转向损失方，以补足损失方的损失，博弈各方均能受益。此模拟方法及结果不仅可使水资源不同利益相关者受益，而且在水资源合理分配﹑水价制定﹑生态补偿等方面也可以为水资源管理部门提供决策支持。     

基于小波非线性自回归网络的水文预测模型

不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值。利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比。结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力。     

基于小波去噪和LSTM的Seq2Seq水质预测模型

建立水质模型预测水质变化是保障饮用水安全、人类健康和维持生态平衡的关键. 本文提出了基于小波分解去噪和LSTM的双层双向Seq2Seq混合模型(W-Bi2Seq2Seq)来预测水质的变化. 使用Daubechies5 (db5)小波将数据集分解为低频序列和高频序列, 高频序列作为噪声去除, 仅保留低频信号用作所提出模型的输入. 选取了烟台市门楼水库的4项水质指标数据(pH、氨氮、电导率和浊度)用于模型的训练, 验证和测试. 所提出的小波双层双向模型(Bi2)与小波单层单向模型(Uni1)、小波单层双向模型(Bi1)、小波双层单向模型(Uni2)、传统的LSTM模型以及基于小波分解的LSTM模型(W-LSTM), 进行比较实验. 其实验结果显示, 在训练过程中, 4个Seq2Seq模型都具有很好的性能, 都能够很好拟合4项水质指标的历史数据集. 然而, 测试结果表明, Bi2在预测精度和泛化能力方面优于其他5个模型, 并且显著提高复杂度较高的水质数据的预测精度.