水资源评价是多因素影响下的复杂的非线性分类问题[211]，解决这类问题的常用方法主要包括专家打分法、层次分析法、灰色关联分析、模糊评判、人工神经网络以及物元分析法等[212]。比如，田锡堂[213]建立了水资源评价的灰色聚类模型，郑成德[214]利用模糊综合评判法开展了流域水资源评价，杨建强等[212]建立了流域水资源评价的自组织神经网络模型，王志良等[215]将模糊聚类分析用于水资源分区研究中，陈守煜等[211]在工程模糊集理论的基础上，为区域水资源评价提出了一种新的模糊聚类神经网络方法。然而，这些方法各有优点与不足，神经网络模型是有监督网络，它的训练需要相当数量的样本数据，而且易陷入局部极小点[211]，同时网络结构也需要经验确定，模糊聚类法在刻划分类指标空间到类型空间的非线性映射关系上存在一定困难[216]。另一方面，灰色关联分析、模糊评判以及物元分析等在评价过程中都需根据经验确定评价指标权重，评价结果具有一定的人为任意性。针对上述问题，作者以投影寻踪理论为基础并结合动态聚类方法建立了水资源评价的投影寻踪动态聚类模型，该模型不仅发挥了投影寻踪理论在处理复杂多因素问题上的优势，同时融入了动态聚类的思想，具有评价结果客观明确、操作简便等优点，是水资源评价的一种新方法。
为了验证投影寻踪动态聚类模型进行水资源评价的有效性，这里选用陈守煜等[211]的案例进行实证分析。辽西沿海诸河流分为9个区段，分别为：
（1）大凌河上窝铺站以上区。
（2）大凌河上窝铺至朝阳段。
（3）大凌河凉水河子及牝牛河区段。
（4）大凌河西河区段。
（5）大凌河朝阳以下干流区段。
（6）小凌河区段。
（7）小凌河至六股河间区段。
（8）六股河区段。
（9）六股河至山海关间区段。
反映水资源丰富程度的几个重要指标包括：
（Ⅰ）年均降水量（mm）。
（Ⅱ）每平方公里地表水量（万m3/km2）。
（Ⅲ）最大4个月径流百分率（%）。
（Ⅳ）径流Cv值。(www.xing528.com)
（Ⅴ）水面蒸发量（mm）。
（Ⅵ）地下水总量（亿m3）。
（Ⅶ）地下水综合补给模数（万m3/km2）。
（Ⅷ）p＝75%时保证供水总量（亿m3）。
（Ⅸ）人均地表水量（m3/人）。
（Ⅹ）人均地下水量（m3/人）等，并将流域水资源分为极丰、较丰、中等、较枯以及极枯五个等级。下面依据表7-22统计数据对辽西各流域水资源状况进行评价。
表7-22 辽西各流域水资源统计及评价标准[211,213,214]
首先，采用分别在各指标分级标准值的基础上递增和递减一定数量值的方法生成分级标准样本序列。本文以各等级指标差值的10%作为递增量和递减量，并在各指标分级标准值前后分别生成两个新样本，即各分级标准由5个样本序列构成，共25个样本序列。
最后，根据最优投影方向向量计算各待评价样本的投影特征值，同列于表7-23。表7-23同时还列出了其他评价方法对于该算例的评价结果。
投影寻踪动态聚类模型的评价结果为，流域（4）水资源最少，为极枯，流域（1）（2）（3）为较枯，流域（5）（6）（7）居于中等，流域（8）为较丰，其中以流域（9）最丰。应当指出，投影寻踪动态聚类模型完全根据样本数据特性进行样本聚类，避免了依据专家知识确定指标权重对评价结果的影响，因此可以得到较其他方法更合理的评价结果。
从表7-23可以看出，投影寻踪动态聚类的评价结果与其他几种评价方法的评价结果基本相同，只是在流域（7）和流域（8）存在较大差异。根据表7-22的统计资料，在流域（7）中，有4个指标属于1级（Ⅰ、Ⅱ、Ⅴ、Ⅶ）、3个指标属于3级（Ⅵ、Ⅸ、Ⅹ）、3个指标属于4级（Ⅲ、Ⅳ、Ⅷ），因此其综合评价更接近于3级；而在流域（8）中，有5个指标属于1级（Ⅰ、Ⅱ、Ⅴ、Ⅷ、Ⅸ）、1个指标属于2级（Ⅳ）、3个指标属于3级（Ⅲ、Ⅶ、Ⅹ）、1个指标属于4级（Ⅵ），因此投影寻踪动态聚类模型将其评价为2级更为合理。
表7-23 投影寻踪动态聚类模型评价结果及其与其他方法的比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
