Bewertungsindikatoren

Unter den ausgewählten Parametern steht das Verhältnis der ländlichen zur städtischen Bevölkerung in direktem Zusammenhang mit dem erneuerbaren Wasser pro Kopf, während die Bevölkerungsdichte, die Internetnutzer und der Bildungsindex ein umgekehrtes Verhältnis zum erneuerbaren Wasser pro Kopf weltweit aufweisen. Dies bedeutet, dass das erneuerbare Wasser pro Kopf mit abnehmender ländlicher bis städtischer Bevölkerung und zunehmender Bevölkerungsdichte, Internetnutzer und Bildungsindex abnimmt. In Entwicklungsregionen mit zunehmender Bevölkerungsdichte hat die städtische Bevölkerung zugenommen. Die Gesundheit der Menschen wird durch eine schlechte städtische sanitäre Infrastruktur bedroht, die zu Krankheiten und sozialem Verfall führt. Eine zunehmende Bevölkerungsdichte und eine Verringerung des pro Kopf erneuerbaren Wassers verursachen sozialen Schaden und stören das Wirtschaftswachstum der Gesellschaft58. Die Bevölkerungsdichte steht auch in positivem Zusammenhang mit der relativen Zahl älterer Menschen und der sozialen Vulnerabilität, da die potentiellen Opferzahlen mit der Bevölkerungsgröße zunehmen40. Auf der anderen Seite ist mit der Zunahme der Internetnutzer und des Bildungsindex das erneuerbare Wasser pro Kopf gestiegen. Solange sich das Wissen und das Bewusstsein der Gemeinden verbesserten, nahm der Verbrauchsalgorithmus ab, was zu einer Reduzierung des erneuerbaren Wassers pro Kopf führte. Daher kann der Bildungs- und Wissensstand einer Gemeinde die Grundlage für Entscheidungsträger sein, um die richtigen Entscheidungen in den Bereichen Landwirtschaft, Gesundheit, Management natürlicher Ressourcen und anderen Aktivitäten im Zusammenhang mit Wasserressourcen zu treffen. Letztere Situation erfordert eine bessere Kommunikation zwischen den Wassernutzern durch soziale Medien und eine bessere Ausbildung, um ein optimales Wassermanagement zu erlernen und zu entwickeln.

Modelle evaluieren und hydrosoziale Gleichungen entwickeln

Drei Soft-Computing-Ansätze, nämlich ANN-LM, ANFIS-SC und GEP, wurden angewendet, um Vorhersagegleichungen mit sozialen Indikatoren weltweit zu entwickeln. Der ANN-Levenberg-Marquardt (LM) Backpropagation-Algorithmus mit einer versteckten Schicht wurde angewendet und die Anzahl der versteckten Knoten wurde durch Versuch und Irrtum bestimmt. Ein hybrider Algorithmus wurde mit den ANFIS-SC-Modellen kombiniert. Für die Ermittlung der Radienwerte der ANFIS-SC-Modelle gibt es keine Regel. Die endgültigen Radienwerte wurden durch Versuch und Irrtum bestimmt.

Die Anzahl der Neuronen in den ANN-LM-Modellen und die Radienwerte der ANFIS-SC-Modelle sind in Tabelle . aufgeführt 4. Die Aktivierungsfunktionen der Ausgabeknoten waren für alle Kontinente linear. Die Aktivierungsfunktionen der versteckten Knoten der ANN-LM-Modelle für die Indikatoren P1 bis P4 waren jeweils Tangens-Sigmoid, Tangens-Sigmoid, Tangens-Sigmoid und Logarithmus-Sigmoid für Afrika; die Aktivierungsfunktion des Anteils der ländlichen zur städtischen Bevölkerung war der Tangens Sigmoid für alle Kontinente. Tisch 5 listet die Ergebnisse der Schätzungen der Soft-Computing-Optimal-Modelle des Anteils der ländlichen zur städtischen Bevölkerung (PRUP), der Bevölkerungsdichte (PD), der Internetnutzer (IU) und des Bildungsindex (EI) auf, jeweils bezeichnet mit P1 bis P4, während die Testphase auf den Kontinenten der Welt. Figuren 4 und 5 zeigen die Eigenschaften von KNN (Anzahl der Neuronen und Aktivierungsfunktionen von versteckten und Ausgabeschichten) bzw. ANFIS-SC-Modellen (Radienwerte). Die den ANN-LM-Modellen entsprechenden Werte von R und RMSE für Afrika waren (0,921, 0,981, 0,858, 0,862) bzw. (0,193, 0,058, 0,190, 0,172) in Verbindung mit den Parametern PRUP, PD, IU bzw. EI . Die Werte von R und RMSE für Afrika, die den ANFIS-SC-Modellen entsprechen, waren für die Parameter P1 bis P4 jeweils gleich (0,933, 0,991, 0,868, 0,891) und (0,130, 0,044, 0,186, 0,156). Bei den GEP-Modellen wurde der Root Relative Squared Error (RRSE) als Fitnessfunktion des Druckbaums gewählt. Die RMSE-Werte für GEP-Modelle waren gleich (0,084, 0,029, 0,178, 0,135), (0,197, 0,056, 0,152, 0,163), (0,151, 0,036, 0,123, 0,210), (0,182, 0,039, 0,148, 0,204) und (0,141 .). , 0,030, 0,226, 0,082) für Afrika, Amerika, Asien, Europa bzw. Ozeanien. Tisch 5 Ergebnisse für die R-, RMSE- und MAE-Werte begründen die GEP-Modellschätzungen der PRUP-, PD-, IU- und EI-Indikatoren hatten die höchsten R-Werte und die niedrigsten RMSE-Werte. Die durchschnittlichen R-Werte der besten Modelle (GEP) für alle ausgewählten sozialen Parameter betrugen 0,942, 0,909, 0,910, 0,889 bzw. 0,947 für Afrika, Amerika, Asien, Europa und Ozeanien. Diese Ergebnisse zeigen, dass die klimatischen Eigenschaften der Kontinente die Leistung der Modelle beeinflussen. Die Leistung der Modelle für Afrika und Ozeanien in Verbindung mit der Typ-B-dominanten Klimaklassifikation nach Koppen war die beste. Die Leistungen der Modelle für Asien und Amerika mit ähnlicher Klimaklassifizierung waren nahezu gleich. Die durchschnittliche Modellleistung für Europa in der Klimaklassifikation Typ D war die schlechteste unter den Kontinenten.

Tabelle 4 Die Eigenschaften von ANN (Anzahl der Neuronen) und ANFIS (Radienwerte)-Modelle entsprechend den sozialen Indikatoren und Kontinenten.Tabelle 5 Die Ergebnisse der optimalen Soft-Computing-Modelle entsprechend dem Testzeitraum in den Kontinenten der Welt.Abbildung 4

Die Eigenschaften optimaler KNN-Modelle; zeigt die Anzahl der Neuronen und Aktivierungsfunktionen von versteckten und Ausgabeschichten.

Abbildung 5

Die Charakteristik des optimalen ANFIS-SC-Modells mit den Radienwerten.

Figuren 6, 7, 8, 9 und 10 zeigen die beobachteten und geschätzten sozialen Parameter, die mit den Soft-Computing-Modellen während des Testzeitraums in Afrika, Amerika, Asien, Europa bzw. Ozeanien erhalten wurden. Abbildung 11 vergleicht die R-, RMSE- und MAE-Werte aus den Soft-Computing-Modellen. Die R-Werte für Soft-Computing-Modelle liegen nahe bei 1, wobei die Qualitätsbeziehungen für alle sozialen Indikatoren lauten: RGEP > RANFIS-SC > RANN-LM. Abbildung 11 stellt fest, dass das ANFIS-SC-Modell die Leistung der ANN-LM-Modelle übertraf. Außerdem zeigten die GEP-Modelle eine bessere Leistung als ANFIS-SC und ANN-LM bei der Schätzung des Anteils der ländlichen zur städtischen Bevölkerung (PRUP), der Bevölkerungsdichte (PD), der Internetnutzer (IU) und der Parameter des Bildungsindex (EI) in Afrika, Amerika, Asien, Europa und Ozeanien.

Abbildung 6Abbildung6

Beobachtete und geschätzte soziale Parameter während des Testzeitraums in Afrika.

Abbildung 7Abbildung7

Beobachtete und geschätzte soziale Parameter während des Testzeitraums in Amerika.

Abbildung 8Abbildung 8

Beobachtete und geschätzte soziale Parameter während des Testzeitraums in Asien.

Abbildung 9Abbildung9

Beobachtete und geschätzte soziale Parameter während des Testzeitraums in Europa.

Abbildung 10Abbildung10

Beobachtete und geschätzte soziale Indikatoren während des Testzeitraums in Ozeanien.

Abbildung 11Abbildung11

Vergleich von R-, RMSE- und MAE-Werten entsprechend den Soft-Computing-Methoden.

Der Hauptvorteil des GEP gegenüber anderen Soft-Computing-Verfahren (zB ANFIS und ANN) liegt in der Erstellung von Vorhersagegleichungen. Die mit den optimalen Modellen erhaltenen Gleichungen für die Sozialindikatoren (dh das Verhältnis der ländlichen zur städtischen Bevölkerung (PRUP), Bevölkerungsdichte (PD), Internetnutzer (IU) und Bildungsindex (EI) in Afrika, Amerika, Asien, Europa und Ozeanien) sind in Tabelle . aufgeführt 6. Die Gleichungen, die das GEP-Modell als Struktur entdeckt, entsprechen nicht unbedingt der Realität. Die in Tabelle . aufgeführten Gleichungen 6 Zeigen Sie lediglich die optimalen Gleichungen, die nach der Evolution aus dem Modell extrahiert wurden, für alle Indikatoren und in allen Einzugsgebieten (unter Berücksichtigung von erneuerbarem Wasser pro Kopf als Entscheidungsvariable).

Tabelle 6 Mathematische Gleichungen für hydrosoziale Indikatoren.

Die Leistung der GEP-Modelle bei der Schätzung der Sozialindikatoren in drei Wertebereichen, nämlich 20 % der maximalen Schätzwerte (20 % max), 60 % der Median-Schätzwerte (60 % Mitte oder 20 % min bis 20 % max) ) und 20 % der minimalen Schätzwerte (20 % min) während des Testzeitraums für den Anteil der ländlichen zur städtischen Bevölkerung (PRUP), die Bevölkerungsdichte (PD), die Internetnutzer (IU) und die Parameter des Bildungsindex (EI) von Afrika, Amerika, Asien, Europa und Ozeanien sind in Tabelle aufgeführt 7. Tisch 7‘s Ergebnisse zeigen, dass es keine regelmäßige Regel gibt, um die Leistungen der am besten zitierten Bereiche zu bestimmen. Der Bildungsindex und die Bevölkerungsdichte haben die niedrigsten und höchsten R-Werte unter den anderen Parametern in den drei verschiedenen Bereichen (20%max, 60%mid und 20%min) in Afrika, Amerika, Asien, Europa und Ozeanien. Daher weisen die Ergebnisse auf ein starkes Assoziationsmuster zwischen dem Bevölkerungsdichteparameter und dem Wasserressourcenstatus in allen Kontinenten der Welt hin.

Tabelle 7 Die Leistung von GEP-Modellen in Bezug auf ausgewählte Bereiche.

Abbildung 12 zeigt die Verteilung der geschätzten Datenwerte der sozialen Parameter (i = 1, 2, 3, 4) und deren Vergleich über die Kontinente. Die Boxplots sind eine grafische Anzeige, die mehrere numerische Beziehungen integriert. Ein Ansatz zum Verständnis der Verteilung oder Streuung von Daten ist das Kastendiagramm, das auf dem “Minimum”, “erstes Quartil-Q1(0,25%)”, “Median (0,50%)”, “drittes Quartil-Q3( 0,75%)” und “maximale” statistische Indikatoren. Abbildung 12 zeigt Ozeanien und Afrika weisen die kleinsten bzw. größten Werte der ländlichen bis städtischen Bevölkerung auf. Amerika weist die niedrigsten Werte des ersten bis dritten Quartils auf. Der geschätzte Bevölkerungsdichtewert in Europa weist die meisten Werte im dritten Quartil auf (0,75%). Die Medianwerte der geschätzten Internetnutzer weisen die kleinsten bzw. größten Werte in Afrika bzw. Europa auf. Amerika hat die niedrigsten Werte des ersten Quartils, des Medians, des dritten Quartils und der maximalen Werte, die mit den geschätzten Bildungsindexwerten unter den Kontinenten verbunden sind.

Abbildung 12Abbildung12

Verteilung der geschätzten Datenwerte sozialer Indikatoren (Pi, i = 1, 2, …, 4).

Die Zusammenfassung der Leistung der hydrosozialen Gleichungen ist in Tabelle . aufgeführt 8, wo die besten Modelle zu sehen sind, sind die Leistungen so, dass PD > PRUP > EI > IU, PD > IU > EI > PRUP, PD > IU > PRUP > EI, PD > PRUP > IU > EI und PD > EI > IE > PRUP für Afrika, Amerika, Asien, Europa bzw. Ozeanien.

Tabelle 8 Zusammenfassung der Leistung von hydrosozialen Gleichungen.

Die Ergebnisse dieses Papiers zeigen, dass das Muster der Assoziation zwischen sozialen Parametern und Wasserressourcen komplex ist. Erneuerbares Wasser pro Kopf wurde anhand der Sozialindikatoren PRUP, PD, IU und EI auf der Grundlage der Genexpressionsprogrammierung geschätzt. Die Ergebnisse von GEP zur Schätzung von RWPC entsprechend dem Testzeitraum auf den Kontinenten der Welt, wie in Tabelle . aufgeführt 9. Die RMSE-Werte für optimale GEP-Modelle betrugen 0,089, 0,058, 0,042, 0,049 bzw. 0,036 für Afrika, Amerika, Asien, Europa und Ozeanien. Abbildung 13 zeigt die beobachteten und geschätzten RWPC-Parameter während des Testzeitraums auf den Kontinenten der Welt an. Die Gleichungen, die mit den optimalen Modellen für das erneuerbare Wasser pro Kopf in Afrika, Amerika, Asien, Europa und Ozeanien erhalten wurden, sind in Tabelle . aufgeführt 10. Die angepassten Gleichungen können auf variable räumliche und zeitliche Skalen angewendet werden. Die abgeleiteten Gleichungen implizieren, dass die Wasserressourcen in Afrika und Ozeanien durch die Indikatoren PRUP, PD, IU und EI bestimmt werden. Außerdem haben die PRUP-, PD- und IU-Indikatoren in Europa und die PD- und IU-Indikatoren in Amerika und Asien den größten Einfluss auf ihren Wasserressourcenstatus. Der Zusammenhang zwischen sozialen Parametern und Wasserressourcen auf allen Kontinenten ist variabel. Die Verknüpfung dieser Sozialindikatoren mit dem pro Kopf erneuerbaren Wasser ist eine Funktion der kulturellen und wirtschaftlichen Bedingungen der Länder und beeinflusst damit die zukünftige Verwaltung und Politikgestaltung über Kontinente hinweg. Die Ergebnisse dieser Studie zu hydrosozialen Indikatoren stimmen mit den Ergebnissen von Forouzani et al.2, Careyet al.fünfzehn, Limaet al.25, Pandeet al.7, Diep et al.26und Diaz et al.22.

Tabelle 9 Die Ergebnisse der GEP-Schätzung von RWPC entsprechend dem Testzeitraum auf den Kontinenten der Welt.Abbildung 13Abbildung13

Beobachtete und geschätzte RWPC-Parameter während des Testzeitraums auf den Kontinenten der Welt.

Tabelle 10 Mathematische Gleichungen für hydrosoziale Indikatoren.

Die Ergebnisse dieses Papiers belegen, wie wichtig es ist, die Wechselwirkungen zwischen Klima, Zustand der Wasserressourcen und sozialen Indikatoren zu untersuchen. Die staatlichen und sozialen Bedingungen eines Landes spiegeln den Status seiner Wasserressourcen wider. Daher hat diese Studie gezeigt, wie bedeutend die Bewirtschaftung und Planung eines Landes auf seine Wasserressourcen sein kann. Jedes erfolgreiche Wasserressourcenprojekt beruht auf einem erfolgreichen sozialen Umfeld.