EN中文

干旱区研究 >

2025 , Vol. 42 >Issue 6: 1004 - 1020

DOI: https://doi.org/10.13866/j.azr.2025.06.05

水土资源

水资源承载力评价耦合模型的研究进展与干旱区应用

  • 王艺璇 , 1, 2 ,
  • 邓晓红 3 ,
  • 范慧文青 1, 2 ,
  • 韩江哲 4 ,
  • 李宗省 , 1, 4
展开
  • 1.中国科学院西北生态环境资源研究院，祁连山同位素生态水文与国家公园观测研究站，干旱区生态安全与可持续发展全国重点实验室，甘肃 兰州 730000
  • 2.中国科学院大学，北京 100049
  • 3.兰州大学经济学院，甘肃 兰州 730000
  • 4.西北师范大学地理与环境科学学院，甘肃 兰州 730070
李宗省. E-mail:

王艺璇（1997-），女，博士研究生，主要从事干旱区地理经济研究. E-mail:

收稿日期: 2025-02-16

  修回日期: 2025-04-09

  网络出版日期: 2025-08-12

基金资助

中国科学院基础与交叉前沿科研先导专项项目(XDB0720303)

甘肃省拔尖领军人才项目

中国科学院青年交叉团队项目(JCTD-2022-18)

甘肃省科技计划资助-优秀博士生项目(25JRRA533)

收起

Research advances and arid zone applications of coupled models for water resources carrying capacity

  • WANG Yixuan , 1, 2 ,
  • DENG Xiaohong 3 ,
  • FAN Huiwenqing 1, 2 ,
  • HAN Jiangzhe 4 ,
  • LI Zongxing , 1, 4
Expand
  • 1. State Key Laboratory of Arid Region Ecological Security and Sustainable Development, Qilian Mountains Isotope Ecohydrology and National Park Observation and Research Station, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, Gansu, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. School of Economics, Lanzhou University, Lanzhou 730000, Gansu, China
  • 4. College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, Gansu, China

Received date: 2025-02-16

  Revised date: 2025-04-09

  Online published: 2025-08-12

Fold

摘要

随着全球水资源短缺问题的日益加剧，准确评估水资源承载力已成为实现区域可持续水资源管理和应对气候变化挑战的关键。鉴于水资源-生态-社会系统的复杂性，单一评价方法难以全面揭示其多维交互与动态变化过程。本文综述了水资源承载力评价中耦合模型方法的应用现状与研究进展，通过系统分析法、综合评价法以及机器学习等主要评价方法，揭示其在水资源承载力评价中的优势与局限性，并特别探讨了这些方法在干旱区应用时面临的挑战。本文从动态反馈机制、非线性建模能力、数据驱动性以及适用性等方面对不同方法进行了横向对比，分析了各方法在干旱区应用的适用性与局限性，并探讨了耦合模型的可行性，为解决干旱区水资源承载力问题提供了新的思路。未来研究应聚焦于多模型集成与数据驱动优化，以提升模型的泛化能力和适用性，推动水资源管理从静态评价向动态模拟和精准预测转变，为干旱区乃至全球的水资源可持续利用提供科学支持。

关键词： 水资源承载力; 耦合模型; 系统动力学; 机器学习; 干旱区

本文引用格式

王艺璇 , 邓晓红 , 范慧文青 , 韩江哲 , 李宗省 . 水资源承载力评价耦合模型的研究进展与干旱区应用[J]. 干旱区研究, 2025 , 42(6) : 1004 -1020 . DOI: 10.13866/j.azr.2025.06.05

Abstract

As the scarcity of global water intensifies, accurate assessments of water resource carrying capacity (WRCC) have become essential for sustainably managing regional water resources and combating the adverse effects of climate change. However, the water resources-ecology-society system is highly complex, involving multidimensional interactions anddynamic internal changes that cannot be fully captured by a single evaluation method. This paper reviews the application status and research progress of coupled-model methods for WRCC evaluation. A systematic comparative analysis reveals the strengths and limitations of the major evaluation methods—systems analysis, comprehensive evaluation, and machine learning—in WRCC evaluation. Particular attention is devoted to the challenges of these methods in arid regions. The dynamic feedback mechanisms, nonlinear modeling capabilities, data-driven characteristics, and applicabilities of different methods are analyzed through a horizontal comparison study. The review also analyzes the suitabilities and limitations of each method in arid regions and explores the feasibility of coupled models, providing new insights for resolving WRCC issues in these areas. Multimodel integration and data-driven optimization will enhance the generalizability and applicability of models in future, facilitating the transition of water resource management from static evaluation to dynamic simulation and precise prediction. These developments will offer scientific support for sustainable water resource utilization in arid regions and worldwide.

Key words： water resources carrying capacity; coupling model; system dynamics; machine learning; arid regions

水资源作为基础性自然资源之一，是维持经济和社会稳定的基本物质条件，在生态保护与管理中发挥着关键作用[1]。然而，随着经济规模扩大和人口增长，全球正面临着水污染、水资源短缺及水资源不合理利用等问题[2]，而全球变暖和气候波动更是加剧了这一挑战[3]。据联合国估计，到2030年全球将有超过三分之一的人口将面临淡水危机，而干旱区的情况更为严峻，预计超过50%的干旱区人口将遭遇极端缺水状况[4]。这是因为干旱区约占全球陆地面积的41%，却承受着气候变化带来的不成比例的影响，其升温速率是全球平均水平的2~3倍，这种加速变暖直接导致蒸发增强、冰川退缩和水循环加剧，使得本就稀缺的水资源面临更大压力[5]。同时，干旱区水资源系统具有独特的脆弱性，表现为对气候变化响应敏感、生态阈值明显、用水竞争激烈等特点[6]。因此，提高水资源利用率、缓解水资源短缺和保障水安全十分迫切。
水资源承载力是衡量资源在支持社会经济发展和满足生态需求方面潜力的重要指标[7]，是实现经济、环境、生态与社会协调发展的科学依据[1]。因此，准确理解和评估水资源承载能力对于量化水资源系统对经济社会的支撑作用，合理规划区域水资源的开发利用战略具有重要意义[8]。
水资源承载力评价体系是一个涵盖多系统、结构复杂的集合体，是水资源承载力评价的基础。这些系统之间及系统内部关系复杂，层次结构繁多，导致影响水资源承载力的因素种类繁多，层级多样且相互关联。这些因素共同构成了水资源承载力的决定性基础，也是评估其水平的科学依据[9]。因此，在构建水资源承载力评价模型时，首先需要系统识别并有效组织这些复杂的影响因素，这是当前水资源承载力研究中亟待解决的核心科学问题[10]。现有研究多基于具体区域水资源特征，研究者通常结合自身对水资源承载力的认知与经验，主观选择评价指标，导致构建的评价指标体系缺乏客观性与全面性，甚至遗漏重要指标[11-12]。此外，由于水资源承载力的影响因素繁多，现有方法在选择评价指标时，常忽视不同指标之间的相关性，导致指标交叉或重复。同时，为全面涵盖可能的影响因素，现有方法常选取过多的评价指标，导致体系冗杂，忽略关键因素，降低评价效率。更重要的是，水资源承载力的影响因素复杂，彼此间在概念或数据上可能存在关联，特别是干旱区水资源承载力的评价，需要特别关注“自然-社会”耦合系统的非线性特征，包括气候变化与人类活动的协同效应、水资源利用的生态红线，以及极端气候事件的放大作用等。但现有方法未能有效提取和表达这些关系，限制了指标分析与应用的价值[13]。
更重要的是，水资源承载力的评价涉及多层次、多变量耦合的复杂非线性优化问题，过程中常伴随主观性、随机性及模糊性等多种不确定性。单一的评价模型只能解决部分评价目标，难以全面应对水资源承载力多维度、多层次的实际需求[1]。因此，整合多种单一模型的优势，研究多模型耦合评价方法，已成为该领域的重要发展方向之一[14]。其中，如何有效实现不同模型的耦合，是多模型耦合研究中亟待解决的关键科学问题。已有研究表明，结合主观赋权与客观赋权方法具有重要意义[15]。随着大数据和人工智能技术的快速发展，机器学习方法以其强大的非线性建模和预测能力，在水资源研究中展现出巨大潜力。相比传统方法，机器学习能够自动从数据中提取规律，无需预设指标权重或函数形式，尤其在处理复杂、多维、动态变化的水资源系统时具有明显优势。同时，机器学习与传统方法（如系统分析法和综合评价法）的有机耦合，为提高模型的适用性和预测能力提供了新思路。鉴于此，本研究拟阐述水资源承载力的评价体系的构造及相互关联，并通过对多种模型及相关研究成果的耦合分析，探讨不同耦合模型在水资源承载力评价中的适用性和可靠性，特别是在干旱区水资源承载力评价中的表现，以期为该领域的研究提供新的理论与方法参考。

1 水资源承载力的定义内涵和理论基础

1.1 水资源承载力的定义内涵

承载力概念的起源可追溯至20世纪60至70年代，最初旨在评估环境或区域在可持续发展框架下支持人类及其他生物活动的能力[16]。随着社会经济的快速发展和资源环境的显著变化，承载力的定义及其应用范围在过去数十年中不断扩展，衍生出生态承载力、社会承载力、人口承载力和农业承载力等多个子领域[17-20]。
1921年，Park等[21]学者首次将承载力引入生态学，用于界定基于食物供应能力的最大人口承载量。然而，在水资源承载力（Water Resources Carrying Capacity，WRCC）的理论研究方面，国际上专门的研究较少，通常将其纳入可持续发展理论的研究范畴[22-23]。1989年，新疆水资源承载力软科学研究中心首次提出水资源承载力（WRCC）的概念。联合国教科文组织（UNESCO）将水资源承载力定义为：在特定发展阶段和技术水平下，某一区域水资源系统能够持续支撑的最大社会经济规模，同时维持生态系统的健康和完整[24]。目前，水资源承载力被广泛视为资源环境承载力在水资源领域的具体体现，旨在评估水资源对经济和社会发展的最大支撑限度[25]。水资源承载力受多种因素影响，主要包括水资源状况、社会需求、经济条件和生态环境[26]。这些因素不仅是水资源承载力的关键决定因素，也是可持续发展的核心指标之一。随着对这些因素相互作用认识的深化，水资源承载力的定义逐渐演变为当前的理解，并在水资源管理与规划的学术研究中得到广泛应用，为水资源的合理开发和有效利用提供了理论基础。
资源承载力是维持生态屏障稳定和保障社会经济可持续发展的关键科学问题。关于水资源承载力的概念，学界已有诸多探讨，其中，王建华等[27]、惠泱河等[28]学者的研究最具代表性。他们从水资源“最大支撑能力”“最大支撑规模”及“最大开发量”三个维度出发，提出了以下三种理论：（1） 水资源承载经济产业等最大规模论；（2） 水资源承载最大人口论；（3） 水资源开发规模论。尽管众多学者研究水资源承载力的侧重点不尽相同，但也形成了统一的认知：（1） 水资源承载力并非无限的；（2） 受到社会、经济、生态环境等众多复杂系统的影响，水资源承载力始终处于动态变化中，在研究时必须充分考虑各种多变性因素的制约[29-35]，详见图1。
图1 水资源承载力定义与内涵

Fig. 1 Definition and connotation of water resources carrying capacity

1.2 水资源承载力的理论基础

水资源承载力研究是可持续发展理论在水资源管理领域的具体应用。可持续发展理念强调代际公平、区域公平以及社会经济发展与人口、资源、环境之间的协调关系。在该理论指导下，资源的可持续利用与人与环境的和谐共处逐渐取代了以往单纯追求经济增长的观念。冯尚友等[36]基于水资源的最大开发能力需求，提出了以可持续发展为核心的基本理论框架，该框架的三大组成部分为：水资源持续利用理论、水资源规划管理技术研究以及水资源发展战略和制度研究。尽管这些方面对于实现可持续发展和资源持续利用至关重要，但却忽视了社会经济和生态环境等外部因素的影响。姚治君等[37]则从“规模论”角度出发，将水资源承载力研究划分为三个层次，区域内水资源转换及其与环境平衡关系的研究，区域水资源状况与社会经济结构适配关系的研究，以及社会需求与水资源承载力之间的平衡关系研究。这一理论得到了朱一中等[38]学者的支持，并进一步将水资源承载力的理论基础细化为可持续发展理论、“水-生态-社会经济”复合系统理论以及“自然-人工”二元模式下的水文循环过程与机制，这些理论在后续城市化地区的水资源承载力研究中得到了应用。水资源承载力的研究对象涉及社会、经济、水资源、生态和环境等多个与人类活动密切相关的因素。研究主体是水资源系统，而客体则是社会经济系统和生态环境系统。由于水资源承载力受到供需矛盾的影响，必须从自然变化和人类活动共同作用的水循环系统出发，评估“自然生态-社会经济”系统对水的需求与区域水资源的支撑能力。基于学者们的研究成果，水资源承载力的理论框架可分为基础、概念和量化三部分[39]。基础理论包括可持续发展理论、生态经济系统理论、二元水循环理论及水资源优化配置管理理论；概念体系涵盖水资源承载力的内涵、特征、影响因素、研究内容、判别标准和研究方法；量化部分则涉及供水和需水量化、水质量化、耦合量化以及优化配置管理系统的研究。
总结来说，水资源承载力评价指标体系的构建已逐步从单一的水资源角度扩展至涵盖水资源、水生态环境及经济社会等多维度耦合系统，为更全面地反映水资源系统包括水量、水质、水域空间和水动力过程等各个方面，评价指标的数量也从几项、十几项发展到几十项。然而，水资源承载力评价指标体系内各部分关系和层次结构复杂，构建方法相对单一，理论体系不够成熟和完善，尚未形成普遍认同、相对固定和全面的评价指标体系。

2 水资源承载力评价方法分析

水资源承载力评价体系由多层、多级、多项指标构成，是水资源承载力评价的基础。在评价指标体系的构建过程中，不同学者根据研究目的和区域特性提出了多样化的原则和方法。国内外在水资源承载力评价方面主要分为三类：经验公式法、系统分析法和综合评价法，如图2所示[40]。其中，经验公式法因仅考虑单项影响因子而存在明显局限性，一方面难以量化社会-经济-生态系统的协同作用，另一方面对动态环境变化的适应性较差，且计算结果易受主观因素影响。基于此，本文将重点解析系统分析法和综合评价法的技术原理，并系统比较其优缺点和适用性（表1）。
图2 水资源承载力评价方法发展历程

Fig. 2 Evolution of water resources carrying capacity assessment methods

表1 水资源承载力主要评价方法分类

Tab. 1 Classification of main evaluation methods for water resources carrying capacity

分类 评价方法 原理 优点 缺点 适用性
系统分
析法		 多目标决
策分析法		 通过分析和描述决策过程中的目标，以及冲突性的分解和理想点
转移，来识别和选择最优解		 能够结合定性和定量分析，简化复杂的决策问题 对主观因素的依赖较大，精度较低，且无法生成新的解决方案 侧重于在多个目标之间寻找最优平衡，其所需的指标通常涵盖水资源供给、需求、生态、社会经济等方面。适用于多个层级的分析，尺度可根据具体需求设定
生态足
迹法		 通过计算一定人口消费的所有资源和吸纳这些人口产生的所有废弃物所需的生物生产土地总面积和水资源量，来评估人类对自然资源的需求与生态系统的供给能力 提供了一个直观的量化指标来评估资源消耗和环境影响 核算不完整性，结果
可比性问题，方法标
准性不规范		 专注于评估生态承载力和人类活动的资源消耗，适用于长时间尺度和大范围空间尺度的水资源可持续性评估
系统动
力学法		 模拟不同发展方案并预测决策变量，以确定最优发展策略，是中短期预测中常用的方法 可准确把握各承载因子之间的相互影响 系统参数变量存在
偏差，对基础数据要
求严苛		 侧重于模拟水资源系统的动态行为，尤其适用于长期和复杂的水资源承载力问题分析。所需的指标涵盖水资源的供需动态、反馈机制以及社会经济、生态等因素的变化
综合评
价法		 模糊综合
评价法		 构建指标与评价等级间的模糊
关系矩阵，利用隶属度函数对水
资源承载力进行综合评估		 将定性因素转化为定量指标，并综合考量各指标间的相互关系，可全面评估水资源承载力现状 确定隶属度函数时存在较大的主观性，相邻等级间的边界隶属度表现出模糊性 适用于处理多因素、多不确定性的情况，需考虑水资源的供给、需求、水质、生态等多个维度的指标，通常用于较大的空间和时间尺度，适用于各层级的综合评价
主成分
分析法		 采用统计学原理，对多维变量进行线性变换以简化和整合，进而构建主成分分析模型，用以计算水资源承载力的综合评价指数 简化复杂数据，提升评价过程分析效率 主观性较强，容易忽略较为重要的影响因素 主要用于数据降维和提取主要影响因素，关注水资源供需、利用效率、污染物浓度等指标，适用于中小尺度的水资源分析
投影寻
踪法		 将高维数据映射到低维空间，通
过分析低维数据的分布特征来研究高维数据的特性		 稳健型较好，且比较直观 计算量大，样本量过
少时易产生误差		 主要用于揭示复杂数据中的潜在模式，适用于大范围的水资源分析，特别是在动态变化较大的区域
机器学习 支持向
量机		 在特征空间中找到一个最优的超平面，这个超平面能够最大化地分开不同类别的数据点，即最大化两类数据点之间的间隔 有效的分类性能、核技巧允许在高维空间中找到复杂的决策边界、内存效率、鲁棒性以及适用于小样本数据 计算复杂度高、参数选择困难、不支持在线学习和解释性差 适用于分类和回归任务，能够处理非线性问题，通常用于中短期预测，适合较大空间尺度的水资源承载力评估
随机
森林		 通过构建多个决策树并输出平均结果来提高预测准确性和控制过拟合 能有效处理高维数据、无需特征选择、速度快、抗过拟合能力强、对不平衡数据集有较好的处理能力 模型复杂度高、预测过程较慢、模型可解释性不佳、对噪声敏感 适用于高维数据的分类与回归，具有较强的鲁棒性和解释能力，适用于大范围和中长期的水资源承载力分析
人工神
经网络		 通过模拟人脑神经元的组织方式，实现并行分布性处理、可学习性、鲁棒性和容错性，以及泛化能力 并行分布性处理、可学习性、鲁棒性和容错性以及泛化能力强 应用面不够宽阔、结果不够精确、训练速度不够高以及算法集成度不够高 主要应用于宏观和中观尺度的水文预测和水资源管理
决策树 通过递归地选择最优特征进行数据集划分，构建树状模型以进行分类或回归分析 易于理解和解释、处理非线性关系、无需特征缩放、适用于混合数据类型 容易过拟合，尤其在数
据较少或噪声较大的
情况下		 适用于分类和回归，具有较强的可解释性，适合短期预测和局部区域的水资源评估

2.1 系统分析法

系统分析法通过构建多层次模型，综合分析社会、经济和生态之间的复杂互动。常用方法包括多目标决策分析、生态足迹模型和系统动力学等，每种方法各具特点，多目标决策分析强调对冲突目标的平衡优化，生态足迹模型适用于资源利用效率评估，而系统动力学则在动态模拟与长期预测中表现优异。
多目标决策分析法（Multi-Criteria Decision Analysis，MCDM）通过系统优化理论协调冲突目标（如用水效率与生态流量），其核心在于构建显式目标函数实现多维要素整合[41]。自翁文斌等[42]引入中国水资源领域以来，该方法展现出双重优势：一是融合定量指标（万元GDP水耗）与定性约束（生态红线）的综合建模能力；二是运用优化算法（如NSGA-Ⅱ）有效处理目标间矛盾性。但静态优化范式难以捕捉水文动态特征，且权重赋值依赖专家经验导致结果主观性显著。
生态足迹法（Ecological Footprint Analysis，EFA）通过水足迹指标构建“消耗-再生”动态框架，与行星边界理论协同强化水资源管理决策。其评估优势主要体现在三个维度，在可持续性量化方面，张军等[43] 在疏勒河流域的实证研究表明，水足迹超载30%时生态赤字将导致土地退化风险增加2.8倍；在区域可比性层面，Wang等[44] 对辽河流域的分析显示，统一核算标准后区域间可比性误差从41%降至12%；在政策推演功能上，程增辉等[45] 构建的新疆水足迹模型预测出未来水足迹增长情况，并提出了水资源管理和产业结构调整的建议。但仍可以看出，尽管生态足迹法在动态反映水资源承载力变化趋势方面具有广泛适用性，并能够将生态用水纳入核算范围，但数据精确计量的困难导致结果存在一定局限性[46-47]。
系统动力学作为一种基于反馈机制的动态建模方法，通过构建“存量-流量”框架能够有效揭示复杂系统中各要素的相互作用与长期演化规律。该方法在干旱区水资源承载力研究中具有独特的优势，主要体现在以下两个方面：一是对复杂系统的强适应性，二是出色的长期趋势预测能力。在应用历程方面，自王建华等 [48]使用系统动力学模型对乌鲁木齐市的水资源承载力进行预测分析起，该方法在干旱区研究中得到了广泛的应用和发展[49-53]。值得注意的是，研究者们不断推进方法创新，王西琴等[54] 将系统动力学模型与投影寻踪法相结合，以常州市为例开创了多方法融合水资源生态承载力的新范式；张礼兵等[55] 则将该方法拓展至流域尺度，以巢湖流域为案例进行了系统研究。近几年，Wang等[56]通过整合熵权法和耦合层次分析法，模拟了广州市2021—2030年五种发展模式下的水资源承载力动态变化，取得了显著的研究成果。尽管优势诸多，现在该模型仍面临多重挑战，分别是参数标定复杂度高、反馈机制识别依赖专家经验、计算资源需求大等问题，未来研究可着重突破多模型耦合技术、发展不确定性量化方法，以及建立“机理-数据”双驱动评估体系，以进一步提升模型的应用效能。

2.2 综合评价法

综合评价法通过量化和整合多个维度的指标，全面评估水资源承载力。常用的综合评价法包括层次分析法、模糊综合评价法、主成分分析法、投影寻踪法等。这些方法成熟度较高，如模糊综合评价法适用于模糊信息处理，主成分分析法善于提取主要因素，投影寻踪法则在高维复杂数据分析中表现突出。
模糊综合评价法（Fuzzy Comprehensive Evaluation，FCE）运用隶属度函数转化模糊指标（如水质等级），特别适用于干旱区数据缺失场景[57]，但主观性较强。典型应用如闵庆文等[58]建立的山西省河津市水资源承载力模糊评价模型。然而，该方法的固有局限在于：专家经验依赖性强导致的参数赋权主观性（隶属度函数构建）、特征变量筛选造成的关键信息损失（约15%~23%信息衰减率）、静态评价框架引发的动态适应性不足等问题，致使决策支持效能受限。
投影寻踪法（Projection Pursuit，PP），通过高维数据降维揭示空间异质性，在干旱区稀疏数据环境中展现独特优势[59-61]。任守德等[62]创新性融合PP与主成分分析，构建三江平原农业水土资源模型，实现指标权重统一确定。然而，由于研究缺乏标准化评价指标，投影寻踪法难以涉及预测工作[63]。
主成分分析法（Principal Component Analysis，PCA）通过线性降维简化复杂系统[64]。该方法的典型应用体现在三个维度：维度压缩效率（肖迎迎等[65]2012年研究将榆林市指标从18项降至5项，计算量减少67%且信息保留度>92%）、区域对比显著性（李高伟等[66]2014年郑州市模型使差异显著性检验通过率提升至91%）、政策敏感性量化（曹丽娟等[67]2017年甘肃省模型显示节水投资10%增量引发0.15得分波动）。但由于其线性假设限制非线性关系解析能力，且对异常值敏感导致模型稳健性下降，降维过程中可能产生15%~23%关键信息损失[68]。当前研究趋势聚焦非线性改进，如陈丽等[69]整合模糊评价构建岩溶流域模型，Wu等[70]耦合SWAT形成多维评估框架，突破传统线性降维的技术局限。

2.3 机器学习

近年来，机器学习技术（Machine Learning，ML）被广泛应用于各类问题。人工神经网络（Artificial Neural Networks，ANN）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）、随机森林（Random Forest，RF）等机器学习模型应用广泛，在分类与预测研究中表现出良好的可靠性和准确性[71]。在水资源承载力评价中，机器学习方法为处理复杂数据提供了有效的分析工具。这些方法可以根据输入指标的模式对水资源承载力级别的分类或评分，而无需预先设定指标的权重。
当前水资源承载力评价中，浅层结构模型受限于结构简易性，在数据稀疏条件下难以有效解析非线性关联，而深度神经网络通过构建多维指标与承载力的非线性映射关系，显著提升了复杂系统评价的精度与泛化能力。在训练模型时，机器学习模型容易出现过拟合问题，这可能导致对未来变化趋势的模拟失效[72-73]。机器学习模型在学习的过程中，如果训练数据中的所有条件都匹配，其中包括噪声数据，就会引发模型过拟合，进而导致模型泛化能力下降[74]。模型超参数调优显示，神经元数量与迭代次数等参数在特定阈值内显著影响验证集精度（相关系数波动<0.001）。
人工神经网络凭借其非线性映射与自适应学习能力，已成为复杂系统建模的理想工具。典型浅层网络通过输入层-隐含层-输出层架构实现模式转换，其结构复杂度取决于隐含层配置[72]。在水资源承载力研究中，目前BP神经网络模型应用较为广泛[75]，Cao等[76] 创新融合时间序列分析与ANN，构建多指标水环境承载力预警体系，确立从污染物到水资源的综合预警等级范式。
卷积长短时记忆网络（ConvLSTM）整合卷积特征提取与循环时序记忆，显著提升时空数据建模能力。而极限学习机（Extreme Learning Machine，ELM）则以单隐藏层结构和免调参特性，实现大规模数据集的高效解析。尽管人工智能技术已初步应用于承载力研究，现有成果仍存在应用广度不足与方法创新局限[77-80]。
在水资源承载力研究领域，支持向量机（Support Vector Machine，SVM）和随机森林（Random Forest，RF）作为两种主流的机器学习方法，各自展现了独特的优势与局限性。支持向量机虽具备高维数据处理优势，但面临计算复杂度与参数敏感性制约[81-82]。相比之下，随机森林通过集成学习提升预测稳定性，在湖北省案例中展现出优异的指标关系拟合能力与实操性[83-84]，但需警惕过拟合风险。
深度学习（Deep Learning，DL）是机器学习基于人工神经网络的一个子领域，定义为具备多层次和隐藏表征的学习技术。传统的机器学习方法在获取数据后，通常需要人工定义特征模板，然后将其与逻辑回归、支持向量机等分类器结合进行训练和预测[85]，而深度学习能够自动从给定数据中学习抽象特征，其最大优势在于其能够适应高维和复杂的映射功能[86]。尽管深度学习在遥感场景分类、滑坡敏感性预测等领域已取得显著成果，但在水资源承载力评价的研究中仍缺乏深入探索和应用。张寒等[87]构建的23层WRCC-Net模型开创性地将网络层级与评价指标体系耦合，通过云南省实证研究证实深层网络可增强“子系统-指标逻辑关联，显著提升承载力模型的可解释性。该突破为深度学习在水资源复杂系统分析中的深度应用提供了范式参考。

3 干旱区水资源承载力研究的耦合模型与发展方向

在水资源承载力的评价方法中，传统的单一模型常常无法应对复杂且动态变化的系统，特别是干旱区这种极端环境。干旱区水资源紧缺，且对生态和社会经济系统的依赖度较高，这使得水资源管理成为一项艰巨的任务。与其他地区相比，干旱区的水资源承载力评价不仅要考虑水资源供给和需求的平衡，还要综合评估气候变化、社会经济活动和生态环境的影响。因此，如何有效评估干旱区水资源的承载能力，已成为水资源管理研究中的关键课题。

3.1 干旱区水资源承载力的评估现状与挑战

3.1.1 干旱区的重要性与独特挑战

干旱区作为我国国土的重要组成部分，尤其是西北干旱区，包括新疆、甘肃、宁夏、青海等地，承载了大量的人口、农业和经济活动。然而，这些地区长期面临着极端的自然环境挑战，对水资源的依赖度高[88]，同时人口增长、水资源有限性以及经济发展对水资源的压力挑战，水资源承载力的紧迫性尤为突出，一是降水量长期不足，水资源供给极端短缺。西北干旱区年均降水量不足200 mm，许多地区甚至不足100 mm，仅为全国平均降水量的20%以下。这种长期的降水不足直接限制了地表径流的形成和地下水的补给，使得水资源供给极其短缺。在河西走廊和塔里木盆地等地，地下水过度开采已成为常态，导致地下水位显著下降，加剧了水资源供需矛盾。二是干旱区的年均蒸发量远超降水量，部分地区甚至达到降水量的10倍。这种强烈的蒸发作用不仅显著降低了地表水的存留时间，还导致灌溉用水效率大幅降低。在新疆绿洲地区，蒸发导致灌溉水利用效率不足50%，进一步加剧了水资源的紧张状况。三是干旱区的用水需求高度集中在农业灌溉上，占总用水量70%以上[89]。工业化和城镇化的推进又对水资源提出了额外需求，造成农业、工业与生态用水之间的激烈竞争，与此同时，人口的增长直接刺激了城市住宅、商业、工业和交通等相关行业的发展，导致城市土地扩张，进而增加了对水资源的需求[90]。水资源的有限性是干旱区植被生长和经济发展的主要限制因素。
因此，干旱区水资源承载力的评价模型需要建立在合理的评价指标体系基础上，涵盖水资源量、用水效率和生态需水量等关键指标，以反映干旱地区的特定条件及水资源的可持续支持能力[87]。同时，模型必须能够捕捉水资源、生态系统和社会经济系统之间的相互作用，以及它们对水资源承载力的综合影响。

3.1.2 干旱区研究的紧迫性及与普适性研究的区别

干旱区水资源承载力的问题是一个多维度、跨学科的复杂系统工程，它不仅关系到区域生态环境的稳定性，还直接影响到经济发展与社会福祉。在我国，干旱区作为重要的生态屏障与战略资源区，在国家生态安全和粮食安全战略中占据举足轻重的地位。然而，干旱区的研究与普适性研究之间存在显著差异，这些差异主要表现在干旱区水资源系统的特殊性与复杂性上。干旱区的水资源系统具有极高的空间异质性和时间不确定性，与湿润区相比，干旱区的水资源对降水、蒸发和人类活动更加敏感，其动态变化模式更为复杂。因此，传统的普适性水资源承载力评价模型难以适应干旱区的特殊需求。
在干旱区水资源承载力的研究中，耦合模型的必要性日益凸显。单一模型方法在捕捉多维交互和动态变化过程方面存在局限性，且模型的稳定性和可解释性也会影响其信任度与使用效果[90]。因此多模型耦合成为研究干旱区水资源承载力的关键方向。例如，系统动力学模型能够模拟动态反馈机制[91]，机器学习方法则具备非线性建模能力，两者的结合可以更好地应对干旱区复杂环境下的水资源问题基于LMDI-SD耦合模型的研究就是一个例证[92]，该模型采用对数平均迪式指数（Logarithmic Mean Divisia Index，LMDI）分解法识别用水量变化的关键驱动因子，并构建系统动力学（SD）模型预测水资源承载力。这种耦合模型不仅能够识别影响水资源承载力的关键因素，还能够模拟和预测水资源承载力的动态变化，为干旱区水资源的管理和优化提供了科学支撑。通过这种耦合模型的应用，可以更全面地理解和评估干旱区水资源承载力，从而为干旱区水资源的可持续利用和区域发展提供更加精准的决策支持。

3.1.3 数据与模型的调整

干旱区水资源承载力研究面临数据和模型的双重瓶颈。由于恶劣的自然条件，观测数据的获取成本高且质量难以保证。此外，干旱区的水资源承载力模型需反映其特有的环境特征，如强烈的蒸发作用和地下水位显著变化，这些因素对模型的准确性和实用性有着重要影响。现有模型在干旱区的适用性和泛化能力不足，难以满足精准预测与科学管理的需求。针对特定区域的模型定制与调整可能限制其泛化能力，即模型在相似环境下的适应性与通用性。在机器学习领域，尤其是深度神经网络中，存在难以解释的“黑箱”问题，即模型的中间过程与内在机制难以理解，这限制了基于模型的管理决策能力[93]。同时，模型验证是水资源承载力评估中不可或缺的环节，其核心在于验证模型是否能够准确模拟和预测实际情况。在干旱区，模型验证过程尤为重要，但也面临显著的挑战。极端气候事件的频繁发生，如持续干旱和剧烈的温度波动，不仅增加了模型预测与实际观测之间的偏差，还因其复杂性和不可预测性，导致模型校准变得更加困难，从而影响模型的准确性与可靠性。在干旱区，极端气候事件的影响尤为深远，它们不仅考验模型的预测能力，还对模型的校准和验证提出了更高的要求。这些事件的不可预测性要求模型能够适应快速变化的环境条件，而干旱区特有的气候、地形和生态特性进一步增加了模型验证的复杂性。
为应对这些挑战，未来的研究应聚焦于优化模型结构，以提升模型的适应性和可解释性。引入更多气候变量并改进模型的动力学机制，可以增强模型对极端气候事件的响应能力。此外，优化模型参数设置并提高其可解释性，将有助于深入理解模型预测结果，从而提升模型的可靠性。通过这些措施，可以增强模型在干旱区水资源承载力评估中的适用性和有效性，为干旱区水资源管理提供更加坚实的科学基础。

3.2 多耦合模型在干旱区水资源承载力中的应用展望

在全球气候变化和区域人类活动的双重影响下，干旱地区的水资源承载力研究变得尤为关键。干旱区水资源承载力评估是一个复杂且紧迫的研究领域，其主要特点在于水资源的稀缺性与环境脆弱性。干旱区水资源的生成区与消耗区通常是分离的，呈现出绿洲水循环增强与荒漠水循环衰退的趋势。因此，在评估水资源承载力时，不仅需要考虑水资源的数量和质量，还需考虑水资源与农业、生态之间的协同关系。多耦合模型作为一种集成水文学、生态学和经济学等多学科视角的工具，正在该领域得到越来越广泛的应用。这些模型通过模拟水资源系统与生态和经济系统的相互作用，提供了一个理解和预测干旱区水资源变化的平台。它们不仅能评估气候变化对水资源量和水质的影响，还能预测人类活动对水资源的压力，为水资源管理和政策制定提供科学依据。首先，该方法能够综合考量多种因素，从而提供更全面的评估。例如，在宁夏西海固地区的案例研究中[94]，提出了一种针对空间规划的水资源承载力多尺度评估方法，该方法基于行政单元的负荷指数和承载状态指数，并结合了栅格计算水资源承载力的空间综合指数。其次，多模型结合可以提高评估的准确性和可靠性，因为不同模型可以从不同角度提供信息，相互补充，减少了单一模型可能带来的偏差。
在水资源承载力的研究中，传统方法和机器学习方法各自具有独特优势。结合前文对不同模型的对比分析，已经初步判断出各大模型在实践研究中的优劣势，为进一步从不同纵深层面探讨各类方法与模型的适用性，本文选取动态反馈机制能力[95]、非线性建模能力[96]、数据驱动性、区域适用性[97-99]及干旱区适用性[100]五个关键维度（定义及权重见表2）对各模型进行评分，试图从这些维度综合反映不同模型在干旱区水资源承载力评价中的技术特性与应用潜力。每个模型的评分通过文献分析及32位专家打分，并运用加权公式 S 综 合 = ∑ i = 1 5 ( S i × W i )（ S i为模型在第i维度的得分， W i为对应权重）将各维度得分归一化为0~10分以便横向比较，最后通过Kendall协调系数检验专家评分的一致性（W=0.78，P<0.01），最终形成五维雷达图可视化结果和综合评价结果（如图3，图4所示）。尽管评分维度的设定和权重分配具有一定的主观性，但其科学性在于结合了干旱区研究的独特挑战和模型适应性特征，考虑到耦合模型的多维度综合能力，为模型选取和研究方向提供了一定参考依据。
表2 各维度定义、权重及选取原因说明

Tab. 2 Weights of each dimension and reasons for selection

指标 定义 干旱区适用性权重设计依据 权重
动态反馈机制能力 评估模型在复杂动态系统中捕捉变量间反馈关系的能力 干旱区的水资源系统是动态变化的，需考虑反馈机制（如降水、灌溉与供需关系的反馈） 0.2
非线性建模能力 评估模型处理非线性关系的能力，如资源供需的不确定
性、极端情况的应对能力		 干旱区的水资源问题通常具有高度非线性（如极端干旱的影响） 0.15
数据驱动性 模型对高维、大规模数据的适应能力，特别是对干旱区数
据稀缺问题的处理能力		 干旱区数据通常稀缺或不完整，因此需要兼容性高的数据驱动特性，该能力在模型选择中是必要的 0.15
区域适用性 评估模型能否根据区域特性（气候、地貌、社会经济结构
等）灵活调整参数并适配		 区域适用性是干旱区适用性的前提 0.25
干旱区适用性 评估模型在干旱区具体环境中（如极端缺水、生态脆弱性）
应用的适用性，包括模型能否适应特定问题场景的需求		 直接决定模型在干旱区问题上的表现 0.25
图3 模型雷达指数示意图

注：多边形面积越大，表明模型在干旱区的综合适配性越强。

Fig. 3 Schematic diagram of the model radar index

图4 各模型综合加权评分

Fig. 4 Comprehensive weighted scores of each model

结合这些方法的特点和雷达图评分结果可以看出，系统动力学（7.7分）、随机森林（7.2分）、人工神经网络（7分）和支持向量机（6.8分）这几种方法评价较好，同时发现系统动力学与随机森林的耦合充分利用了系统动力学在动态反馈机制建模和因果关系分析方面的优势，并通过随机森林的非线性关系建模和关键因子筛选能力，弥补了系统动力学在变量选择和非线性处理上的不足。这种耦合模型能够提供长期趋势模拟和多维度因子分析，成为干旱区水资源承载力研究的理想选择。结合系统动力学的时间反馈机制，这种耦合模型提高了动态模拟的精度，并增强了对极端事件的响应能力，特别适合综合考虑生态、社会和经济因素的干旱区水资源承载力评估。总体来看，系统动力学与机器学习方法（如随机森林、人工神经网络）的耦合在干旱区水资源承载力研究中最为适宜，能够有效应对复杂的动态反馈、非线性关系以及区域特定问题[101]。通过这种耦合方法，可以为解决干旱区“数据稀疏性-系统复杂性”的双重挑战提供了方法论支撑，为实现区域水资源的可持续利用提供坚实的科学基础与下一步研究方向[102]。下文将详细介绍系统动力学和机器学习的耦合研究进展。

3.2.1 改进系统动力学的应用

系统动力学方法凭借其在多尺度空间和中长时间尺度模拟中的适用性，以及通过流程图有效可视化系统元素间复杂反馈关系的能力，成为研究“社会-经济-资源-环境”系统非线性、不确定性和动态演化特征的重要工具。该方法能满足对政策干预下系统绿色发展趋势定量化分析的需求。然而，系统动力学在应用中面临诸多挑战，如参数设计的科学性、决策变量的构建、表函数使用的主观性增加、环境类历史数据的缺失以及社会经济环境系统关系的厘清，这些问题亟需相关领域研究者进行深入讨论与解决。同时，在框架模型构建和参数设计方面，仍然主要依赖于建模者的主观理解和意愿，缺乏统一的概念模型分析工具。这种主观性导致不同模型之间可能存在显著差异，影响分析结果的可靠性。
为了弥补系统动力学在空间处理和表现能力上的不足，耦合系统动力学的模型方法应用研究逐渐增多[103]。Ahmad等[104]（2004）将系统动力学与GIS联用的方法称为空间系统动力学，认为其在水资源管理领域应用前景广泛；Xu等[105]（2012）按照DPSIR-SD-GIS技术流程，建立城市住宅发展可持续性评估方法，但尚未采用国内案例实证。这些研究进展表明，系统动力学方法发展潜力巨大，尤其是在与GIS等技术的集成应用中，能够更全面地分析和解决水资源管理中的复杂问题。Zhou等[106]（2021）采用了系统动力学-多目标优化（System Dynamics-Multi-Objective Optimization，SD-MOO）模型框架，将水资源供需预测、动态调整和最优分配功能结合于一体。研究发现，在不同流量水平下，通过提高水资源利用效率、控制人口和经济增长率，以及增加地表水和再生水的利用率，可以有效降低水资源短缺风险，实现社会、经济和环境效益的平衡。然而，研究也存在局限性，包括数据获取困难、模型收敛性限制、政策调整范围的技术经济可行性考量，以及水价与水资源短缺之间联系的缺失。这些发现为干旱区水资源的动态管理和优化提供了新的视角，但也强调了在实际应用中需要进一步探索和完善模型的适应性和准确性。Wang等[107]（2023）耦合系统动力学模型和驱动-压力-状态-影响-响应（Driving Forces-Pressure-State-Impact-Response，DPSIR）框架体系，构建了新的水环境承载力-系统动力学模型和评价指标体系，并对山西省进行实证分析。尽管该耦合模型能够综合考虑水资源、环境、经济和社会因素之间的复杂相互作用，并对于干旱区水资源承载力的研究具有很好的适配性，但由于其模型复杂性、预测不确定性、参数估计困难、高计算能力需求、现实过度简化、政策动态捕捉不足、模型验证和校准难，以及对大量历史数据的高依赖性和对尺度要求的严格性，仍面临诸多挑战。

3.2.2 优化机器学习模型的创新应用

在统计降尺度模型领域，如何精确地建立训练期间数据间的传递关系，并将这种关系有效地应用于未来的预测中，尤为重要。传统的统计降尺度模型通常依赖线性函数来构建传递函数，这种方法在提取训练数据中的有效信息时存在局限性。相比之下，机器学习模型展现出更强的学习能力，能够更准确地捕捉训练数据间的非线性关系和复杂模式，特别是深度学习方法，由于其在模拟复杂传递关系方面的优势，受到了广泛青睐。
人工神经网络、支持向量机、决策树等模型在干旱区研究中的应用主要集中于构建综合性的干旱监测模型，以提高监测精度和效率。这些模型通过集成不同的数据源，如遥感数据、气象数据、土壤数据等，结合机器学习算法的优势，能够更有效地识别和分析干旱的时空变化特征和影响因素。例如，在甘肃省的研究中[108]，融合气象数据和遥感数据，利用随机森林、支持向量机和BP神经网络三种机器学习方法，构建了三种甘肃省综合农业干旱监测模型。随机森林模型的模拟结果优于支持向量机和BP神经网络模型，随机森林模型在干旱监测中表现更优，更具普适性，同时验证了这些模型的精度。这些模型能够综合利用多源数据，如植被状态指数（Vegetation Condition Index，VCI）、温度状态指数（Temperature Condition Index，TCI）、植被供水指数（Vegetation Supply Water Index，VSWI）等，以及土壤有效含水量（Available Water Content，AWC）和气候类型等因素，从而对干旱区进行有效的监测和预测。然而，该研究在干旱因子选择时未考虑蒸发、人类活动等因素，未来在水资源承载力应用研究中需进一步考虑这些因素。在Li等[109]对加拿大安大略省气温进行降尺度研究，以及Alizamir等[110] 对伊朗降水进行降尺度研究中均发现，结合统计模型与机器学习模型能够提高预测的准确性，为机器学习模型改进和复合应用提供了新的视角方法[111]。

4 总结与展望

随着全球水资源短缺问题的加剧，水资源承载力评价逐渐成为实现区域可持续发展与应对气候变化的重要研究领域。本文系统回顾了当前主要评价方法，包括系统分析法、综合评价法和机器学习方法的应用进展与适用性分析。传统方法（如系统动力学和模糊综合评价法）以其明确的理论框架和操作规范性，在水资源承载力研究中奠定了重要基础。然而，面对复杂的多维动态系统，这些方法在处理非线性关系和动态变化时显现出一定局限性。与此同时，机器学习方法凭借其数据驱动特性和强大的非线性建模能力，在动态预测和变量筛选中展现出显著优势。通过整合传统方法与机器学习方法的优点，多模型耦合成为提高水资源承载力评价精准性和适用性的关键手段。例如，机器学习可以优化传统方法中的参数设定与权重分配，弥补主观性不足，同时增强结果的解释性与可比性。耦合方法在干旱区等极端环境下，可凭借其适应能力为区域水资源管理提供重要的科学支持。
未来，水资源承载力研究需要进一步突破数据和模型的瓶颈。遥感技术、传感器网络和大数据平台的发展为水资源的高分辨率监测提供了可能，但如何整合多源异构数据仍是一个关键挑战。机器学习在数据清洗、异常检测和变量筛选方面的优势，为解决这一问题提供了技术基础。在模型构建方面，耦合机器学习与传统方法，开发灵活的动态评价框架，将有助于刻画区域水资源承载力的动态变化特征。例如，结合随机森林优化的指标体系与系统动力学的长期模拟能力，能够增强模型的泛化能力和应用广度。同时，多尺度、多区域的集成评价方法，将支持水资源承载力研究从区域性案例分析向全球性协作框架的转变，尤其在干旱区等极端环境中具有重要意义。
综上所述，水资源承载力研究正向数据驱动、多模型融合和动态模拟方向快速迈进。通过持续提升模型方法的科学性与实用性，这一领域将在水资源的可持续管理与全球气候适应性战略中发挥更大的作用，为干旱区乃至全球的水资源保护与优化利用提供坚实的科学支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Yang X, Chen Z. Exploiting temporal features in water resource carrying capacity assessment based on extended VIKOR[J]. Sustainable Cities and Society, 2024, 114: 105801.

[2]
Wang T, Jian S, Wang J, et al. Dynamic interaction of water-economic-social-ecological environment complex system under the framework of water resources carrying capacity[J]. Journal of Cleaner Production, 2022, 368: 133132.

[3]
Abu-Zeid M. Water and sustainable development: The vision for world water, life and the environment[J]. Water Policy, 1998, 1(1): 9-19.

[4]
Li B, Zhang W, Long J, et al. Regional water resources security assessment and optimization path analysis in karst areas based on emergy ecological footprint[J]. Applied Water Science, 2023, 13(6): 142.

[5]
Mirzabaev A, Stringer L C, Benjaminsen T A, et al. Cross-Chapter Paper 3:Deserts, Semiarid Areas and Desertification[R]. Cambridge: Cambridge University Press, 2022: 2195-2231.

[6]
Chen F, Yuan Y, Trouet V, et al. Ecological and societal effects of Central Asian streamflow variation over the past eight centuries[J]. npj Climate and Atmospheric Science, 2022, 5(1): 1-8.

[7]
Zhou K. Comprehensive evaluation on water resources carrying capacity based on improved AGA-AHP method[J]. Applied Water Science, 2022, 12: 103.

[8]
李怀林. 基于模糊综合评价方法的干旱区水资源承载力研究[J]. 中国水运, 2014, 14(8): 206-208.

[Li Huailin. Research on water resources carrying capacity in arid regions based on fuzzy comprehensive evaluation method[J]. China Water Transport, 2014, 14(8): 206-208.]

[9]
Zhu Q, Cao Y. Research on provincial water resources carrying capacity and coordinated development in China based on combined weighting TOPSIS model[J]. Scientific Reports, 2024, 14(1): 12497-12497.

DOI PMID

[10]
Yan L, Jiao D, Yongshi Z. Evaluation of regional water resources carrying capacity in China based on variable weight model and grey-markov model: A case study of Anhui Province[J]. Scientific Reports, 2023, 13(1): 13490.

[11]
Song Q R, Wang Z C, Wu T H, et al. Risk analysis and assessment of water resource carrying capacity based on weighted gray model with improved entropy weighting method in the Central Plains region of China[J]. Ecological Indicators, 2024, 160: 111907.

[12]
Wu J H, Wang Z C, Dong L P, et al. Prediction and analysis of water resources demand in Taiyuan City based on principal component analysis and BP neural network[J]. AQUA-Water Infrastructure, Ecosystems and Society, 2021, 70(8): 1272-1286.

[13]
Yang X, Chen Z, Li Z. Regional water environmental carrying capacity: Changing trends and direction, obstacle factors, and implications[J]. Water Resources Management, 2024, 38: 3215-3234.

[14]
Wang X, Wang W, Yan C, et al. Driving effects of spatiotemporal evolution of the water resources carrying capacity in the Yellow River Basin (Henan Section)[J]. Scientific Reports, 2024, 14: 29340.

[15]
张蕊. 基于突变级数法的山西省水资源脆弱性评价[J]. 水电能源科学, 2019, 37(4): 29-32.

[Zhang Rui. Evaluation of water resources vulnerability in Shanxi Province based on catastrophe progression method[J]. Science of Hydro-Energy, 2019, 37(4): 29-32.]

[16]
Djuwansyah R M. Environmental sustainability control by water resources carrying capacity concept: Application significance in Indonesia[J]. IOP Conference Series: Earth and Environmental Science, 2018, 118(1): 012027.

[17]
Harris J M, Kennedy S. Carrying capacity in agriculture: Global and regional issues[J]. Ecological Economics, 1999, 29(3): 443-461.

[18]
Del Monte-Luna P, Brook B W, Zetina-Rejón M J, et al. The carrying capacity of ecosystems[J]. Global Ecology and Biogeography, 2004, 13(6): 485-495.

[19]
Graefe A R, Vaske J J, Kuss F R. Social carrying capacity: An integration and synthesis of twenty years of research[J]. Leisure Sciences, 1984, 6(4): 395-431.

[20]
Cohen J. Population growth and earth’s human carrying capacity[J]. Science, 1995, 269(5222): 341-346.

DOI PMID

[21]
Park R E. Introduction to the Science of Sociology[M]. Chicago: University of Chicago Press, 1921.

[22]
Abernethy V R. Carrying capacity: The tradition and policy implications[J]. Ethics of Science and Environmental Politics, 2001, 1: 9-18.

[23]
Souro D J. Carrying capacities and standards as bases towards urban infrastructure planning in India: A case of urban water supply and sanitation[J]. Urban Infrastructure Planning in India, 1998, 22(3): 327-337.

[24]
UNESCO. Water Security and the Sustainable Development Goa-ls[M]. Paris: UNESCO, 2018.

[25]
闫业超, 孙希华, 李平. 水资源对区域社会经济发展的支撑能力研究——以济南市长清区为例[J]. 中国人口·资源与环境, 2005, 15(1): 135-140.

[Yan Yechao, Sun Xihua, Li Ping. Study on the support capacity of water resources for regional socio-economic development: A case study of Changqing District, Jinan City[J]. China Population, Resources and Environment, 2005, 15(1): 135-140.]

[26]
Li Q S, Liu Z H, Yang Y H, et al. Evaluation of water resources carrying capacity in Tarim River Basin under game theory combination weights[J]. Ecological Indicators, 2023, 154: 110609.

[27]
王建华, 姜大川, 肖伟华, 等. 水资源承载力理论基础探析: 定义内涵与科学问题[J]. 水利学报, 2017, 48(12): 1399-1409.

[Wang Jianhua, Jiang Dachuan, Xiao Weihua, et al. Exploration of the theoretical foundation of water resources carrying capacity: Definition, connotation, and scientific issues[J]. Journal of Hydraulic Engineering, 2017, 48(12): 1399-1409.]

[28]
惠泱河, 蒋晓辉, 黄强, 等. 二元模式下水资源承载力系统动态仿真模型研究[J]. 地理研究, 2001, 5(2): 191-198.

[Hui Yanghe, Jiang Xiaohui, Huang Qiang, et al. Study on dynamic simulation model of water resources carrying capacity system under dual-mode[J]. Geographical Research, 2001, 5(2): 191-198.]

[29]
施雅风, 曲耀光. 乌鲁木齐河流域水资源承载力及其合理利用[M]. 北京: 科学出版社, 1992.

[Shi Yafeng, Qu Yaoguang. Water Resources Carrying Capacity and Its Rational Utilization in the Urumqi River Basin[M]. Beijing: Science Press, 1992.]

[30]
王浩, 陈敏建, 何希吾, 等. 西北地区水资源合理配置与承载能力研究[J]. 中国水利, 2004, 55(22): 43-45.

[Wang Hao, Chen Minjian, He Xiwu, et al. Research on rational allocation and carrying capacity of water resources in Northwest China[J]. China Water Resources, 2004, 55(22): 43-45.]

[31]
冯尚友, 刘国全. 水资源持续利用的框架[J]. 水科学进展, 1997, 8(4): 301-307.

[Feng Shangyou, Liu Guoquan. Framework for sustainable utilization of water resources[J]. Advances in Water Science, 1997, 8(4): 301-307.]

[32]
阮本青, 沈晋. 区域水资源适度承载能力计算模型研究[J]. 土壤侵蚀与水土保持学报, 1998, 4(3): 58-62, 86.

[Ruan Benqing, Shen Jin. Study on calculation model of regional water resources carrying capacity[J]. Journal of Soil and Water Conservation, 1998, 4(3): 58-62, 86.]

[33]
孙鸿烈. 中国资源科学百科全书[M]. 北京: 中国大百科全书出版社, 2000.

[Sun Honglie. Encyclopedia of Resource Science in China[M]. Beijing: Encyclopedia of China Publishing House, 2000.]

[34]
许有鹏. 干旱区水资源承载能力综合评价研究——以新疆和田河流域为例[J]. 自然资源学报, 1993, 8(3): 229-237.

[Xu Youpeng. Comprehensive evaluation of water resources carrying capacity in arid regions: A case study of the Hotan river basin in Xinjiang[J]. Journal of Natural Resources, 1993, 8(3): 229-237.]

[35]
夏军, 朱一中. 水资源安全的度量: 水资源承载力的研究与挑战[J]. 自然资源学报, 2002, 17(3): 262-269.

[Xia Jun, Zhu Yizhong. Measurement of water resources security: Research and challenges of water resources carrying capacity[J]. Journal of Natural Resources, 2002, 17(3): 262-269.]

[36]
冯尚友, 刘国全, 梅亚东. 水资源生态经济复合系统及其持续发展[J]. 武汉水利电力大学学报, 1995, 28(6): 624-629.

[Feng Shangyou, Liu Guoquan, Mei Yadong. The eco-economic composite system of water resources and its sustainable development[J]. Journal of Wuhan University of Hydraulic and Electric Engineering, 1995, 28(6): 624-629.]

[37]
姚治君, 王建华, 江东, 等. 区域水资源承载力的研究进展及其理论探析[J]. 水科学进展, 2002, 13(1): 111-115.

[Yao Zhijun, Wang Jianhua, Jiang Dong, et al. Research progress and theoretical analysis of regional water resources carrying capacity[J]. Advances in Water Science, 2002, 13(1): 111-115.]

[38]
朱一中, 夏军, 谈戈. 关于水资源承载力理论与方法的研究[J]. 地理科学进展, 2002, 21(2): 180-188.

[Zhu Yizhong, Xia Jun, Tan Ge. Research on the theory and method of water resources carrying capacity[J]. Progress in Geography, 2002, 21(2): 180-188.]

[39]
张永勇, 夏军, 王中根. 区域水资源承载力理论与方法探讨[J]. 地理科学进展, 2007, 26(2): 126-132.

[Zhang Yongyong, Xia Jun, Wang Zhonggen. Discussion on the theory and method of regional water resources carrying capacity[J]. Progress in Geography, 2007, 26(2): 126-132.]

[40]
Li Yi, Yang Yanzhao, Yan Huimin, et al. Research methods of water resources carrying capacity: Progress and prospects[J]. Journal of Resources and Ecology, 2018, 9(5): 455-460.

DOI

[41]
段春青, 刘昌明, 陈晓楠, 等. 区域水资源承载力概念及研究方法的探讨[J]. 地理学报, 2010, 65(1): 82-90.

[Duan Chunqing, Liu Changming, Chen Xiaonan, et al. Discussion on the concept and research methods of regional water resources carrying capacity[J]. Acta Geographica Sinica, 2010, 65(1): 82-90.]

[42]
翁文斌, 蔡喜明, 史慧斌, 等. 宏观经济水资源规划多目标决策分析方法研究及应用[J]. 水利学报, 1995, 26(2): 1-11.

[Weng Wenbin, Cai Ximing, Shi Huibin, et al. Research and application of multi-objective analysis method for macro-economic water resources planning[J]. Journal of Hydraulic Engineering, 1995, 26(2): 1-11.]

[43]
张军, 张仁陟, 周冬梅. 基于生态足迹法的疏勒河流域水资源承载力评价[J]. 草业学报, 2012, 21(4): 267-274.

[Zhang Jun, Zhang Renzhi, Zhou Dongmei. Evaluation of water resources carrying capacity in the Shule River Basin based on ecological footprint method[J]. Acta Prataculturae Sinica, 2012, 21(4): 267-274.]

[44]
Wang S, Yang F L, Xu L, et al. Multi-scale analysis of the water resources carrying capacity of the Liaohe Basin based on ecological footprints[J]. Journal of Cleaner Production, 2013, 53: 158-166.

[45]
程增辉, 陆宝宏, 熊丝, 等. 基于水足迹模型的新疆水资源承载力分析[J]. 水资源与水工程学报, 2016, 27(6): 54-59.

[Cheng Zenghui, Lu Baohong, Xiong Si, et al. Analysis of water resources carrying capacity in Xinjiang based on water footprint model[J]. Journal of Water Resources and Water Engineering, 2016, 27(6): 54-59.]

[46]
Li J, Lei X, Fu Q, et al. Multi-scale research of time and space differences about ecological footprint and ecological carrying capacity of the water resources[J]. Applied Water Science, 2018, 8(1): 1-12.

[47]
Yue Z, Liu H, Xu Z, et al. Evaluation of sustainability in northern Xinjiang based on ecological footprint-planetary boundary system framework[J]. Ecological Indicators, 2023, 150: 110270.

[48]
王建华, 江东, 顾定法, 等. 基于SD模型的干旱区城市水资源承载力预测研究[J]. 地理学与国土研究, 1999, 15(2): 19-23.

[Wang Jianhua, Jiang Dong, Gu Dingfa, et al. Prediction of water resources carrying capacity in arid region cities based on system dynamics model[J]. Geography and Territorial Research, 1999, 15(2): 19-23.]

[49]
李丽娟, 郭怀成, 陈冰, 等. 柴达木盆地水资源承载力研究[J]. 环境科学, 2000, 25(2): 20-23, 11.

[Li Lijuan, Guo Huaicheng, Chen Bing, et al. Study on water resources carrying capacity in the Qaidam Basin[J]. Environmental Science, 2000, 25(2): 20-23, 11.]

[50]
陈冰, 李丽娟, 郭怀成, 等. 柴达木盆地水资源承载方案系统分析[J]. 环境科学, 2000, 25(3): 16-21.

[Chen Bing, Li Lijuan, Guo Huaicheng, et al. System analysis of water resources carrying capacity in the Qaidam Basin[J]. Environmental Science, 2000, 25(3): 16-21.]

[51]
陈兴鹏, 戴芹. 系统动力学在甘肃省河西地区水土资源承载力中的应用[J]. 干旱区地理, 2002, 25(4): 377-382.

[Chen Xingpeng, Dai Qin. Application of system dynamics in the water and soil resources carrying capacity in Hexi region of Gansu Province[J]. of Arid Land Geography, 2002, 25(4): 377-382.]

[52]
王薇, 雷学东, 余新晓, 等. 基于SD模型的水资源承载力计算理论研究——以青海共和盆地水资源承载力研究为例[J]. 水资源与水工程学报, 2005, 16(3): 11-15.

[Wang Wei, Lei Xuedong, Yu Xinxiao, et al. Theoretical study of water resources carrying capacity based on SD model: A case study of Gonghe basin in Qinghai[J]. Journal of Water Resources and Water Engineering, 2005, 16(3): 11-15.]

[53]
何仁伟, 刘邵权, 刘运伟. 基于系统动力学的中国西南岩溶区的水资源承载力——以贵州省毕节地区为例[J]. 地理科学, 2011, 31(11): 1376-1382.

[He Renwei, Liu Shaoquan, Liu Yunwei. Water resources carrying capacity in Karst area of Southwest China based on system dynamics: A case study of Bijie area in Guizhou Province[J]. Scientia Geographica Sinica, 2011, 31(11): 1376-1382.]

[54]
王西琴, 高伟, 曾勇. 基于SD模型的水生态承载力模拟优化与例证[J]. 系统工程理论与实践, 2014, 34(5): 1352-1360.

DOI

[Wang Xiqin, Gao Wei, Zeng Yong. Simulation and optimization of water ecological carrying capacity based on SD model[J]. Systems Engineering-Theory & Practice, 2014, 34(5): 1352-1360.]

[55]
张礼兵, 胡亚南, 金菊良, 等. 基于系统动力学的巢湖流域水资源承载力动态预测与调控[J]. 湖泊科学, 2021, 33(1): 242-254.

[Zhang Libing, Hu Yanan, Jin Juliang, et al. Dynamic prediction and regulation of water resources carrying capacity in chaohu basin based on system dynamics[J]. Journal of Lake Sciences, 2021, 33(1): 242-254.]

[56]
Wang G, Xiao C L, Qi Z W, et al. Development tendency analysis for the water resource carrying capacity based on system dynamics model and the improved fuzzy comprehensive evaluation method in the Changchun City, China[J]. Ecological Indicators, 2021, 122: 107232.

[57]
袁艳梅, 沙晓军, 刘煜晴, 等. 改进的模糊综合评价法在水资源承载力评价中的应用[J]. 水资源保护, 2017, 33(1): 52-56.

[Yuan Yanmei, Sha Xiaojun, Liu Yuqing, et al. Application of improved fuzzy comprehensive evaluation method in water resources carrying capacity assessment[J]. Water Resources Protection, 2017, 33(1): 52-56.]

[58]
闵庆文, 余卫东, 张建新. 区域水资源承载力的模糊综合评价分析方法及应用[J]. 水土保持研究, 2004, 11(3): 14-16, 129.

[Min Qingwen, Yu Weidong, Zhang Jianxin. Fuzzy comprehensive evaluation method and application for regional water resources carrying capacity[J]. Research of Soil and Water Conservation, 2004, 11(3): 14-16, 129.]

[59]
Zhang Y M, Gao Y, Zhang Y, et al. Assessment of agricultural water resources carrying capacity and analysis of its spatio-temporal variation in Henan Province, China[J]. Journal of Cleaner Production, 2023, 403: 136869.

[60]
周戎星, 陈梦璐, 金菊良, 等. 基于文献计量分析的投影寻踪法在水问题中应用的研究进展[J]. 灌溉排水学报, 2021, 40(4):137-146.

[Zhou Rongxing, Chen Menglu, Jin Juliang, et al. Research progress of projection pursuit method in water issues based on bibliometric analysis[J]. Journal of Irrigation and Drainage, 2021, 40(4): 137-146.]

[61]
郑祖国, 刘大秀. 投影寻踪自回归和多维混合回归模型及其在大河长河段洪水预报中的应用[J]. 水文, 1994, 4(2): 6-10, 65.

[Zheng Zuguo, Liu Daxiu. Projection pursuit autoregression and multidimensional mixed regression models and their application in flood forecasting of long river sections[J]. Hydrology, 1994, 4(2): 6-10, 65.]

[62]
任守德, 付强, 王凯. 基于宏微观尺度的三江平原区域农业水土资源承载力[J]. 农业工程学报, 2011, 27(2): 8-14.

[Ren Shoude, Fu Qiang, Wang Kai. Agricultural water and soil resources carrying capacity of the Sanjiang plain region based on macro-micro scales[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(2): 8-14.]

[63]
雍志勤, 张鑫. 基于投影寻踪模型的榆林市水资源承载能力研究[J]. 灌溉排水学报, 2019, 38(1): 101-107.

[Yong Zhiqin, Zhang Xin. Study on water resources carrying capacity of Yulin city based on projection pursuit model[J]. Journal of Irrigation and Drainage, 2019, 38(1): 101-107.]

[64]
Markus R. What is principal component analysis[J]. Nature Biotechnology, 2008, 26(3): 303-304.

[65]
肖迎迎, 宋孝玉, 张建龙. 基于主成分分析的榆林市水资源承载力评价[J]. 干旱地区农业研究, 2012, 30(4): 218-223, 235.

[Xiao Yingying, Song Xiaoyu, Zhang Jianlong. Evaluation of water resources carrying capacity in Yulin city based on principal component analysis[J]. Agricultural Research in the Arid Areas, 2012, 30(4): 218-223, 235.]

[66]
李高伟, 韩美, 刘莉, 等. 基于主成分分析的郑州市水资源承载力评价[J]. 地域研究与开发, 2014, 33(3): 139-142.

[Li Gaowei, Han Mei, Liu Li, et al. Evaluation of water resources carrying capacity in Zhengzhou City based on principal component analysis[J]. Journal of Regional Research and Development, 2014, 33(3): 139-142.]

[67]
曹丽娟, 张小平. 基于主成分分析的甘肃省水资源承载力评价[J]. 干旱区地理, 2017, 40(4): 906-912.

[Cao Lijuan, Zhang Xiaoping. Evaluation of water resources carrying capacity in Gansu Province based on principal component analysis[J]. Arid Land Geography, 2017, 40(4): 906-912.]

[68]
李燕, 张兴奇. 基于主成分分析的长江经济带水资源承载力评价[J]. 水土保持通报, 2017, 37(4): 172-178.

[Li Yan, Zhang Xingqi. Evaluation of water resources carrying capacity in the Yangtze river economic belt based on principal component analysis[J]. Bulletin of Soil and Water Conservation, 2017, 37(4): 172-178.]

[69]
陈丽, 周宏. 基于模糊综合评价和主成分分析法的岩溶流域水资源承载力评价[J]. 安全与环境工程, 2021, 28(6): 159-173.

[Chen Li, Zhou Hong. Evaluation of water resources carrying capacity in Karst basin based on fuzzy comprehensive evaluation and principal component analysis[J]. Safety and Environmental Engineering, 2021, 28(6): 159-173.]

[70]
Wu L, Su X L, Ma X Y, et al. Integrated modeling framework for evaluating and predicting the water resources carrying capacity in a continental river basin of Northwest China[J]. Journal of Cleaner Production, 2018, 204: 366-379.

[71]
Osman Z Y, Abdellatif E M. Improving accuracy of downscaling rainfall by combining predictions of different statistical downscale models[J]. Water Science, 2016, 30(2): 61-75.

[72]
Bu C, Zhang Z P. Research on overfitting problem and correction in machine learning[C]// Journal of Physics: Conference Series. IOP Publishing, 2020, 1693: 012100.

[73]
Jia Z, Zhang Q, Shi B, et al. Correction to: A new strategy for groundwater level prediction using a hybrid deep learning model under ecological water replenishment[J]. Environmental Science and Pollution Research, 2024, 31: 26341.

[74]
Zhi W, Appling A P, Golden H E, et al. Deep learning for water quality[J]. Nature Water, 2024, 2(3): 228-241.

[75]
许莉, 赵嵩正, 杨海光. 水资源承载力的BP神经网络评价模型研究[J]. 计算机工程与应用, 2008, 45(8): 217-219.

[Xu Li, Zhao Songzheng, Yang Haiguang. Research on BP neural network evaluation model for water resources carrying capacity[J]. Computer Engineering and Applications, 2008, 45(8): 217-219.]

[76]
Cao R X, Zhang K X, Zeng W H, et al. Research on the early-warning method of water environment carrying capacity based on BP neural network: A case study of Beiyunhe River Basin[J]. Acta Scientiae Circumstantiae, 2021, 41(5): 2005-2017.

[77]
王学全, 卢琦, 李彬. 水资源承载力综合评价的RBF神经网络模型[J]. 水资源与水工程学报, 2007, 18(3): 1-5.

[Wang Xuequan, Lu Qi, Li Bin. RBF neural network model for comprehensive evaluation of water resources carrying capacity[J]. Journal of Water Resources and Water Engineering, 2007, 18(3): 1-5.]

[78]
郭晓英, 陈兴伟, 陈莹, 等. 基于粗糙集和BP神经网络组合法的水资源承载力动态变化分析[J]. 南水北调与水利科技, 2015, 13(2): 236-240.

[Guo Xiaoying, Chen Xingwei, Chen Ying, et al. Analysis of dynamic changes in water resources carrying capacity based on rough set and BP neural network combination method[J]. South-to-North Water Transfer and Water Science & Technology, 2015, 13(2): 236-240.]

[79]
Yu C X, Li Z Y, Yang Z F, et al. A feedforward neural network based on normalization and error correction for predicting water resources carrying capacity of a city[J]. Ecological Indicators, 2020, 118: 106724.

[80]
薛晴, 杨侃. 基于BP神经网络-系统动力学耦合模型的江苏省水资源承载力预测与调控研究[J]. 水利水电技术, 2022, 53(11):86-99.

[Xue Qing, Yang Kan. Prediction and regulation of water resources carrying capacity in Jiangsu province based on BP neural network-system dynamics coupling model[J]. Water Resources and Hydropower Engineering, 2022, 53(11): 86-99.]

[81]
Kwon M, Kwon H H, Han D. A hybrid approach combining conceptual hydrological models, support vector machines and remote sensing data for rainfall-runoff modeling[J]. Remote Sensing, 2020, 12(11): 1801.

[82]
陈莹, 陈森发. 支持向量机在水资源研究中的应用[J]. 科技信息(科学教研), 2007, 28(16): 15.

[Chen Ying, Chen Senfa. Application of support vector machines in water resources research[J]. Science & Technology Information (Science and Education), 2007, 28 (16): 15.]

[83]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[84]
陆佳慧. 基于随机森林算法的湖北省水资源承载力评价模型及其应用[J]. 湖北农业科学, 2020, 59(13): 72-76.

[Lu Jiahui. Evaluation model of water resources carrying capacity in Hubei Province based on random forest algorithm and its application[J]. Hubei Agricultural Sciences, 2020, 59(13): 72-76.]

[85]
LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[86]
Ghobadi F, Kang D. Application of deep learning in water resources management: A systematic literature review[J]. Water, 2023, 15(4): 620.

[87]
张寒. 云南省水资源承载力时空变化研究[D]. 武汉: 中国地质大学, 2022.

[Zhang Han. Study on Spatiotemporal Variation of Water Resources Carrying Capacity in Yunnan Province[D]. Wuhan: China University of Geosciences, 2022.]

[88]
Chen Y, Li Z, Xu J, et al. Changes and protection suggestions in water resources and ecological environment in arid region of northwest China[J]. Bulletin of Chinese Academy of Sciences, 2023, 38(3): 385-393.

[89]
方创琳, 孙心亮. 河西走廊水资源变化与城市化过程的耦合效应分析[J]. 资源科学, 2005, 27(2): 2-9.

[Fang Chuanglin, Sun Xinliang. Analysis of the coupling effect between water resources changes and urbanization process in the Hexi Corridor[J]. Resources Science, 2005, 27(2): 2-9.]

[90]
Bie Q, Xie Y. The constraints and driving forces of oasis development in arid region: A case study of the Hexi Corridor in Northwest China[J]. Scientific Reports, 2020, 10: 17708.

DOI PMID

[91]
Sun Y S, Wang Y L, Zhang W, et al. Regional water resources carrying capacity in China based on analytic hierarchy process and system dynamics model: A case study of Golmud City[J]. Frontiers in Environmental Science, 2024, 12: 1450747.

[92]
贾琼, 宋孝玉, 宋淑红, 等. 基于LMDI-SD耦合模型的关中地区水资源承载力动态预测与调控[J]. 干旱区研究, 2023, 40(12):1918-1930.

DOI

[Jia Qiong, Song Xiaoyu, Song Shuhong, et al. Dynamic prediction and regulation of water resources carrying capacity in Guanzhong region based on LMDI-SD coupling model[J]. Arid Zone Research, 2023, 40(12): 1918-1930.]

DOI

[93]
Zhang L Y, Yu Y, Guo Z K, et al. Investigating agricultural water sustainability in arid regions with Bayesian network and water footprint theories[J]. Science of the Total Environment, 2024, 951: 175544.

[94]
宫毓来, 马绍休, 刘伟琦. 机器学习与统计模型在石羊河流域气候降尺度研究中的适用性对比[J]. 中国沙漠, 2022, 42(1): 196-210.

DOI

[Gong Yulai, Ma Shaoxiu, Liu Weiqi. Comparison of the applicability of machine learning and statistical models in climate downscaling studies in the Shiyang River Basin[J]. Journal of Desert Research, 2022, 42(1): 196-210.]

DOI

[95]
Sun W, Wu Z, Chen X. A dynamic feedback mechanism with attitudinal consensus threshold[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 30(5): 1287-1301.

[96]
Zhou Y, Gui Y, Zhou Q, et al. The study on spatial distribution of water ecological environment carrying capacity during extreme drought conditions[J]. Scientific Reports, 2024, 14: 11986.

DOI PMID

[97]
Tu T B, Wang J H, Zhao G, et al. Scaling from global to regional river flow with global hydrological models: Choice matters[J]. Journal of Hydrology, 2024, 633: 130960.

[98]
Zhang L, Kang C, Wu C, et al. Optimization of drought limited water level and operation benefit analysis of large reservoir[J]. Water Resources Management, 2022, 36(14): 4677-4696.

[99]
Ren C F, Guo P, Li M, et al. An innovative method for water resources carrying capacity research-metabolic theory of regional water resources[J]. Journal of Environmental Management, 2016, 167: 139-146.

[100]
Jiang L, Yang Y, Shang S. Evaluation on irrigation efficiency of irrigation district in arid region based on evapotranspiration estimated from remote sensing data[J]. Agricultural Water Management, 2013, 29(20): 95-101.

[101]
Wu Y, Ding Q, Huang W, et al. Dynamic learning of synchronization in coupled nonlinear systems[J]. Nonlinear Dynamics, 2024, 112: 21945-21967.

[102]
Abbasi A, Kambali P N, Shahidi P, et al. Physics-informed machine learning for modeling multidimensional dynamics[J]. Nonlinear Dynamics, 2024, 112: 21565-21585.

[103]
Liao Z, Ren P, Jin M, et al. A system dynamics model to analyse the impact of environment and economy on scenic’s sustainable development via a discrete graph approach[J]. Journal of Difference Equations and Applications, 2016, 23(1-2): 275-290.

[104]
Ahmad S, Simonovic P S. Spatial system dynamics: New approach for simulation of water resources systems[J]. Journal of Computing in Civil Engineering, 2004, 18(4): 331-340.

[105]
Xu Z, Coors V. Combining system dynamics model, GIS and 3D visualization in sustainability assessment of urban residential development[J]. Building and Environment, 2011, 47: 272-287.

[106]
Zhou X, Wang F, Huang K, et al. System dynamics-multiple objective optimization model for water resource management: A case study in Jiaxing City, China[J]. Water, 2021, 13(5): 671.

[107]
Wang Z Y, Fu X T. Scheme simulation and predictive analysis of water environment carrying capacity in Shanxi Province based on system dynamics and DPSIR model[J]. Ecological Indicators, 2023, 154: 110862.

[108]
董婷, 任东, 邵攀, 等. 基于多源遥感数据和随机森林的综合旱情指标构建[J]. 农业机械学报, 2019, 50(8): 200-212.

[Dong Ting, Ren Dong, Shao Pan, et al. Construction of comprehensive drought index based on multi-source remote sensing data and random forest[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(8): 200-212.]

[109]
Li X, Li Z, Huang W, et al. Performance of statistical and machine learning ensembles for daily temperature downscaling[J]. Theoretical and Applied Climatology, 2020, 140(7): 571-588.

[110]
Alizamir M, Moghadam A M, Monfared H A, et al. Statistical downscaling of global climate model outputs to monthly precipitation via extreme learning machine: A case study[J]. Environmental Progress & Sustainable Energy, 2018, 37(5): 1853-1862.

[111]
Ghobadi F, Kang D. Application of machine learning in water resources management: A systematic literature review[J]. Water, 2023, 15(4): 620.

Options
文章导航

/

〈 〉