白亮

摘 要 数据建模是对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据模型。该技术以其对数据分析完整准确、科学直观等优点，被广泛应用于经济分析预测、商业整合发展等各个领域。随着大数据时代的到来，数据建模作为一项基础功能性技术，为建立行业数据库提供了重要的技术支持。因此，深入开展水利数据建模技术的研究与应用，将对水利灌溉分析、水情判断、抗旱防涝具有深远的意义。

关键词 数据建模;水利灌溉;管理;应用

中图分类号：TP311.13 文献标志码：B DOI：10.19415/j.cnki.1673-890x.2020.24.098

传统的水利管理模式是建立在经验基础上的表格化分析管理模式，在水利管理中只是对本区域或本年度灌溉轮次内的数据进行简单的记录与汇总，缺乏对气象因素、种植模式、种植结构等全要素的分析。从而导致水利数据分析不准确，决策滞后。数据建模技術是将一个年度内的灌溉数据与影响因素作为一个因子，通过模型呈现出来，不但横向比较各个因素对水利灌溉数据的影响，还纵向对历年的灌溉模型进行分析比较，从而为水利预测与决策提供科学依据。对水利管理领域的发展具有深远的影响。

1 数据建模技术的概念与重要性

1.1 数据建模技术的概念

数据建模是对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据库[1]。将经过系统分析后抽象出来的概念模型转化为物理模型后，在visio或erwin等工具建立数据库实体以及各实体之间关系的过程。

1.2 数据建模技术的重要性

数据建模在数据与实际问题之间架设一道桥梁[2]，将庞大的数据群与所面临的问题联系起来，从而直观地找出解决问题的关键所在，为分析数据提供便捷。当前水利管理涉及灌溉分析、水情判断、防洪抗旱等多领域，数据间相互独立，又在特定参数条件下，数据模型形态趋于一致。同时，在实际数据分析过程中也存在灌溉参数多、数据量大、数据逻辑性强、影响因子多等问题，导致分析数据难度较大。因此，需要建立和完善的水利数据模型来加以分析。

综上所述，数据建模技术应用到水利管理中，对水利灌溉分析、水情判断、抗旱防涝、水利管理成本分析具有深远的意义。

2 数据建模技术在水利管理中应用

2.1 数据建模在灌溉管理中的应用

在灌溉管理中，灌溉初期的配水计划需要综合考虑本轮灌溉面积、灌溉定额、干（支）口利用率、毛需水量等因素，从而得出预测来水量、余缺水量;轮期结束的用水总结，需要采纳实际水量、引水系数、干渠利用率、支渠利用率，从而测算出灌水指数、斗口定额。传统的数据表格很难直观地表达出各数据之间的关系，同时无法准确反映历年灌溉的差异。数据建模技术的应用，能将历年数据建成直观的数据模型，使其更加容易掌握灌溉与种植结构之间的关系，从而为管理人员提供管理依据，优化管理程序。

2.2 数据建模在抗旱防洪中的应用

现阶段，区域内的抗旱防洪模式一般采用经验加预警的模式。根据汛期上游来水量以及山洪预警系统，能准确、及时、高效地对山洪进行预警;同时依据当季气象因素、水源地蓄水情况、农作物需水情况，推测区域内旱情，但不能更早地发出预警，规避种植风险。故此，数据分析成为抗旱防洪预测研究的瓶颈。而数据建模应用于抗旱防洪中，通过采集上游来水量、气温、降水量、水源地蓄水量、农作物需水量等数据，建立直观的模型，能准确分析出区域内水情的影响程度，为早期预测水情提供依据。

2.3 数据建模在灌溉运营成本分析的应用

灌溉运营成本分析是将计量水量、渠道运行维护成本等因素进行综合分析，以此来确定灌溉水价与配水量，从而有效地促进水资源的节约，平衡区域之间水资源的利用，为水资源管理提供依据。在水价定价过程中，存在农民负担与管理成本之间的矛盾。定价过高，增加农民负担，影响种植积极性，制约农业的发展;定价过低，不能满足管理成本，起不到调控水资源的作用。同时，不能为渠道维修养护建立充足资金储备，对渠道养护运营不利，因此，将灌溉成本模型化对于平衡水量，水费定价起到精准测算的作用。为后期阶梯灌溉水价[3]提供数据支持。

3 数据建模在水利管理领域应用中存在的问题与对策分析

3.1 基础数据样本空间的提取采用

数据抽样[4]主要用于建模分析，抽样需考虑样本具有代表性，覆盖各要素类型。水利数据的抽样主要以某时间段（一般为一个轮期或一个汛期）作为一个样本容量。在抽样时，需要保证抽取出来的样本比例同原始数据基本一致。为了使采用的样本能更好地反映总体的信息，除了样本容量有一定的要求外，样本的抽取方式也要满足条件。

在灌溉管理中，抽取样本空间应该充分考虑灌溉数据的特点和时效性，尤其在灌溉高峰期的数据样本空间抽取，应当加强样本抽取频次，为数据的完整有效打好基础。

3.2 数据整合分类

以甘州区大满灌区为例，一年内的灌溉轮期分为春灌、夏灌一轮、夏灌二轮、夏灌三轮、秋灌一轮、秋灌二轮和冬灌共7个灌溉周期，每一个周期内的灌溉面积存在差异。综合考虑各项灌溉要素所运行的数据量大，但对于整体分析的意义不大。因此，需要对数据进行分类整合。灌溉数据的产生分为固定参数值和区间参数值，固定参数值为计算分析中所需要的系数，如灌溉定额，干（支）渠利用率，是经多次测算得出的结论;区间参数值是一组数列中根据实际情况所产出算数均值，原始的数据量越大则得出的区间参数越接近于平均值和真实值。数据的整合能为算法设计提供便利，能很大程度上减轻算法的复杂程度，使算法逻辑更清晰，减少算法设计中出现逻辑性错误的概率。

3.3 优化算法设计

算法设计是将数据、取值范围通过函数公式等，运用数学的逻辑思维表达出来，根据需要计算出相应结果的过程。因此，算法设计是数据建模分析的核心所在[5]。科学高效的算法，不但能有效节省计算空间，加快计算速度，减少计算错误而且能使计算过程简单明了，逻辑判断清晰，提高分析精准度。这就要求在初期算法设计前积累大量固定数组，从而减少参数偏差[6];在算法设计时，考虑综合要素，通过整合完成的数据，依据其数据特性，采用定义函数或定义数组区间等方式计算;在完成算法设计之后，对算法进行进一步优化，使算法的逻辑更清晰，计算结果更准确。

优化算法是循序渐进、去粗取精的过程，也是将大量繁杂要素通过公式进一步甄别的过程。算法的优化能将算式逻辑展示得更加清晰。以灌溉数据与种植结构为例，优化算法首先考虑种植作物需水量、灌溉方式等。西北地区以种植小麦，玉米、蔬菜、林果等作物为主，农作物的需水量直接关系灌溉用水量，而作物成长周期不同，所需水量的时间也有差别，同时西北地区灌溉方式以大水漫灌、管灌、滴管、喷灌等多种方式并行灌溉，在优化算法时就要充分考虑以上要素。

3.4 数据模型的验证与采纳

在水利数据模型建立之后，对模型的验证至关重要，模型不可能一次建立完成，需要对各个参数进行校核验证。数据模型的校核，需要根据所产生数据的特点，逐一进行校核验证。分析类模型一般采用实际值或区间均值、區间加权平均值计算分析;预测类模型一般采用区间极值进行分析[7]。数据校验的关键是找一个合适的统计量，要求在数据建模之初，就积累大量的灌溉数据，后期庞大的数据组，能增加数据的覆盖率，减少分析偏差，保证分析的准确。在数据模型通过完善后，采纳现有数据模型对灌溉情况加以分析，对分析预测结果加以采纳。同时建立完善的模型库，为智能人工提供基础支持。

4 结语

数据建模在水利管理中的应用，将提高水利数据分析的科学性、整体性，为水利灌溉运行、水环境监测分析、抗旱防洪预测、渠道运营成本分析提供完整直观的依据。

参考文献：

[1] 西北工业大学数学建模指导委员会.数学建模简明教程[M].北京：高等教育出版社，2008.

[2] 孙国营.大数据算法分析下的节水灌溉效益评价[J].电脑知识与技术，2019（15）16-17.

[3] 薛媛，牛最荣，张芮，等.石羊河流域高效节水灌溉项目综合效果评价[J].水利规划与设计，2019（5）：100-103.

[4] 杜小勇，卢卫，张峰.大数据管理系统的历史、现状和未来[J].软件学报，2019（10）：127-141.

[5] 李俊林.概率统计与建模[M].北京：科学出版社，2010.

[6] 李扬，张长，朱建平.融合统计思想的大数据算法[J].统计研究，2018（7）：35.

[7] 王大星，翟明清.数据处理和建模方法在数学建模教学中的应用[J].北京教育学院学报，2014（3）：5-10.

（责任编辑：刘 昀）