数学建模论文水资源短缺风险综合评价.doc

论文题目：水资源短缺风险综合评价摘要水资源，是指可供人类直接利用，能够不断更新的天然水体。主要包括陆地上的地表水和地下水。风险，是指某一特定危险情况发生的可能性和后果的组合。本文提出了马氏判别法、模糊聚类、BP神经网络等三种方法对北京市水资源短缺风险进行综合评价，针对问题一基于附表1通过马氏判别法筛选出影响水资源短缺的主要风险因子，针对问题二通过模糊聚类的方法，分了水资源短缺的四个等级，在问题三中通过构建神经网络，测出了2010年、2011年和2012年的水资源总量和用水总量，为解决水资源短缺风险，提出了南水北调、再生水的利用、污水处理等几种措施，并分析了在进行这几项措施后历年风险等级的下降情况，最后向水行政主管部门书写了一份建议报告，基于建立的水资源短缺风险评价模型提出了建议。关键词：马氏判别法、模糊聚类、BP神经网络一、问题的重述 水资源短缺风险，泛指在特定的时空环境条件下，由于来水和用水两方面存在不确定性，使区域水资源系统发生供水短缺的可能性以及由此产生的损失。北京是世界上水资源严重缺乏的大都市之一，其人均水资源占有量不足300m3，为全国人均的1/8，世界人均的1/30，属重度缺水地区，附表中所列的数据给出了1979年至2000年北京市水资源短缺的状况。北京市水资源短缺已经成为影响和制约首都社会和经济发展的主要因素。如何对水资源风险的主要因子进行识别，对风险造成的危害等级进行划分，对不同风险因子采取相应的有效措施规避风险或减少其造成的危害，这对社会经济的稳定、可持续发展战略的实施具有重要的意义。考虑以下问题：1 评价判定北京市水资源短缺风险的主要风险因子；2 建立一个数学模型对北京市水资源短缺风险进行综合评价， 作出风险等级划分并陈述理由。对主要风险因子,如何进行调控，使得风险降低？3 对北京市未来两年水资源的短缺风险进行预测，并提出应对措施。4 以北京市水行政主管部门为报告对象，写一份建议报告。二、模型假设及符号说明1、模型的假设（1）以一年为一个周期，考虑在一个周期内的水资源短缺情况；（2）相邻的任意两年内水资源来源和使用均互不影响；（3）不考虑影响水资源短缺情况较小的因素，如：降雨量、地下水位埋深；（4）只考虑影响水资源短缺情况较大的因素（工业用水、农业用水、第三产业及生活等其他用水和水资源总量等）；（5）影响水资源短缺较大的因素之间相互独立；（6）未来几年内，国家政策及相关因素对水资源影响不大；2、符号说明 缺水量 风险程度 模糊集 最少的缺小量 最大的缺水量 三、问题的分析问题一，要求评价判定北京市水资源短缺风险的主要风险因子。主要风险因子也就是从对水资源影响较大的因素中筛选出提供信息量最大且之间相关程度较低的因子，马氏距离是一种有效的计算两个未知样本集的相似度的方法，我们采用马氏距离判别法使得相邻两类之间的马氏距离最大，从而筛选出主要风险因子。问题二，这是一个模糊聚类问题。根据北京市1979年到2008年的水资源状况计算出每年的缺水量，通过构造隶属函数得出各年份的风险程度，再通过SPSS软件对30年风险程度进行系统聚类，再根据结果进行模糊聚类，进而划分出风险等级。再通过对比措施前后水资源短缺风险等级得出措施的有效性。问题三，通过BP神经网络预测模型预测数未来两年的水资源短缺的风险程度，从而确定风险等级，再根据相应主要因子的调控提出相应解决方案。 我们综合考虑问题一到题三，在此基础上书写建议报告，完成问题四。四、模型的建立及求解1、对于问题一： 影响北京水资源短缺风险的因素可归纳为以下两个方面：（1）自然因素：人口数；入境水量；水资源总量；地下水位埋深；（2）社会经济环境因素：工业用水量；污水处理率；农业用水量；第三产业及生活等其他用水量。对附表一及北京市2009年统计年鉴中的数据研究分析得出：影响水资源短缺的主要因素为工业用水量、农业用水量、第三产业及生活等其他用水量和水资源总量。通过逐步判别法对四各主要因素进行筛选，在判断过程的每步种引入判别能力较强的变量或者剔除判别能力较弱的变量，并进行统计检验，最终的判别函数中的变量即为主要风险因子。 根据缺水量=总用水量-水资源总量及附表一数据信息计算出每年的缺水量，用0和1（1表示缺水量为正值，即该年度缺水，0表示缺水量为负值，即该年度不缺水）对缺水量进行分组，将样本集合按照缺水量分组情况划分成K=2个总体。现共有n=30的样本，每个样本有p=4项观测指标，利用=3个变量来对K个总体进行判别。（1）计算出样本点的总协方差矩阵（2）计算样本点的组内离差和而后进行变量选择：定义为矩阵T和W的行列式比值，即=，逐一检验工业用水量、农业用水量、第三产业及生活等其他用水量和水资源总量对判别效果的贡献，设判别函数中已经有了农业用水量，记为x，这时考虑增加变量工业用水量x，计算偏统计量： =(x,x)/(x)有结论： ，如果，则可增加变量工业用水量，反之，删除工业用水量，按此循环直至四个主要因素都进行全部通过判别函数。使用SPSS软件，带入具体30年各指标用水量的数值，分组定义范围为1,2，方法选择Mahalanobisdistance Mahalanobis距离方法，的概率为0.05，的概率为0.10，得出如下结论：分析中的变量步骤容差要删除的 F 的显著水平最小 D 方组之间1水资源总量1.000.0042水资源总量.879.001.5841.00 和 2.00农业用水.879.0322.7721.00 和 2.003水资源总量.847.0285.3911.00 和 2.00农业用水.371.0012.7831.00 和 2.00第三产业及生活等其他用水.359.0154.8301.00 和 2.00表11 逐步判别法进入变量不在分析中的变量步骤容差最小容差要输入的 F 的显著性最小 D 方组之间0农业用水1.0001.000.166.5841.00 和 2.00工业用水1.0001.000.132.6961.00 和 2.00第三产业及生活等其他用水1.0001.000.183.5381.00 和 2.00水资源总量1.0001.000.0042.7721.00 和 2.001农业用水.879.879.0324.8301.00 和 2.00工业用水.891.891.6382.8641.00 和 2.00第三产业及生活等其他用水.852.852.8752.7831.00 和 2.002工业用水.678.668.1146.1561.00 和 2.00第三产业及生活等其他用水.359.359.0158.1971.00 和 2.003工业用水.438.233.9268.2031.00 和 2.00表12 逐步判别法剔除变量由表11可知，水资源总量农业用水及第三产业及生活等其他用水删除F的显著性较小，在表12中，该三项不在分析中的显著性较小，而工业用水不在分析中的显著性较大，故进入判别函数的变量为农业用水、第三产业及生活等其他用水、水资源总量三项因素，即影响水资源短缺的主要风险因子为农业用水、第三产业及生活等其他用水和水资源总量。2、对于问题二：2.1、风险等级的划分建立一个数学模型对北京市水资源短缺风险进行综合评价，针对风险的模糊性，定义模糊集合，其中表示风险程度，表示缺水量，构造隶属函数，将1979-2008年的缺水量换算成对应的风险程度用0到1区间的数字表示；构造的隶属函数如下： ，其中表示缺水量的最小值，表示缺水量的最大值，p为大于等于1的正整数，不妨取P为2，分别计算北京30年的风险程度如下表1：年份缺水量（x亿立方米）风险程度（u（x）19794.690.1241198024.540.8394198124.110.8172198210.620.2712198312.860.341519840.740.05761985-6.290.001619869.520.23961987-7.71019883.250.0969198923.090.765619905.260.13581991-0.260.0448199223.990.811199325.550.892819940.450.0537199514.540.39961996-5.860.0028199718.070.536419982.730.088199927.491200023.540.7882200119.70.6064200218.50.5544200317.40.5089200413.20.3529200511.30.291720069.80.24742007110.282520080.90.0598对于1979-2008年的缺水量与风险程度的比较：通过以上两图的比较可以说明隶属度真正反映了30年缺水的状况，很好的反应了风险的模糊性。通过对北京30年间风险程度的不同进行分类采用系统聚类的方法，开始时每个对象自成一类，然后每次将最相似的两类合并，合并后重新计算新类与其他类的距离或相似度，这一过程一直继续，一直到所有对象归为一类为止，并类的过程用一张普类系谱图表示。由spass软件可求得对北京30年风险的分类树状图：由该图可知，对于这30年的数据共可分为30组、5组、4组、2组、1组。根据系统聚类的结果，然后采用模糊聚类的方法分别分出5组、4组、2组，鉴于30组和1组情况太过极端对风险的分类太过分散和统一，因此舍去这两种情况，分别采用模糊聚类的方法对风险分成5组、4组和2组。模糊聚类的步骤：第一步：建立数据观测矩阵sample；sample=4.69 24.54 24.11 10.62 12.86 0.74 -6.29 9.52 -7.71 3.25 23.09 5.26 -0.26 23.99 25.55 0.45 14.54 -5.86 18.07 2.73 27.49 23.54 19.7 18.5 17.4 13.2 11.3 9.8 11 0.9;第二步：标定模糊相似矩阵data=(),矩阵元素表示向量和的相似程度，由隶属函数W可求得data；data= 0.1241 0.8394 0.8172 0.2712 0.3415 0.0576 0.0016 0.2396 0 0.0969 0.7656 0.1358 0.0448 0.8110 0.8928 0.0537 0.3996 0.0028 0.5364 0.0880 1.0000 0.7882 0.6064 0.5544 0.5089 0.3529 0.2917 0.2474 0.2825 0.0598第三步：在Matlab中编程实现聚类分析，找出中心点center；（1）、分成两组的情况：风险等级类中心风险描述级低度风险0.1529可忽略的风险级高度风险0.7571无法承受的风险对于三十年的划分图：可以看出对30年的等级划分并不明显，不能起到警示和对水资源短缺风险程度的正确描述，因此这种划分标准方法并不可行。（2）分成5组的情况风险等级类中心风险描述风险等级0.0538可忽略的风险风险等级0.2621低度风险风险等级0.3624中度风险风险等级0.5531较高风险风险等级0.8399高度风险图中可知，五级的划分在较低风险时过于密集，在风险程度为0.5以下时，在实际情况下，造成的危害并不是很大，因并没有必要对0.5以下的风险划分三个级别。(3)、分成4组的情况风险等级类中心风险描述风险等级0.8410高风险风险等级0.5473中度风险风险等级0.2933低风险风险等级0.0571可忽略的风险有图中可知，划分四级对于三十年的数据具有较好的划分，且落于每个等级的年份与实际情况也相符。基于以上的分析，风险等级应分为4级即风险等级类中心风险描述级风险等级0.8410高风险级风险等级0.5473中度风险级风险等级0.2933低风险级风险等级0.0571可忽略的风险通过计算观测量与各中心的聚类，根据距离最小的原则，把各观测量分派到各类中心所在的类中去。2.2、对主要风险因子的调控由问题1可知水资源总量、农业用水、第三产业及生活等其他用水为主要风险因子，因此调控的对象主要是针对这三个因素。在第三产业及生活等其他用水中，其中生活用水是不可压缩的，随着北京都市化进程的不断加快，人口增长与人民生活水平的不断提高，生活用水量会进一步加大，因此，只能通过减少北京的人口数量来间接的减少生活用水量，同时也会相应的减少第三产业的用水量，但北京作为首都，这样的举措会实施起来相对困难。北京农业用水量占北京总用水量的40左右，但由于受到基本农田保护制度的政策的制约，进一步大幅度压缩农业用水的可能性不大。在问题1中可以看出水资源总量对水资源短缺有比较大的影响，因此增加水资源总量，将会大大缓解北京的缺水状况，通过比较从2008年开始的南水北调工程可以看出2008、2009年的风险情况。如下图;由图中明显可以感觉出2009年的风险等级下降了一个等级，对北京缺水状况的改善相当的明显，在2008年中由于奥运会等特殊原因且加上南水北调首次实施，因此风险下降还不十分明显。 在用水方面可以提高再生水的利用，比较2005年到2009年再生水使用情况，如下图：由图中可以看出再生水的使用对缓解北京水资源的短缺效果显著，特别是在2009年时，极大的缓解了水资源短缺情况。 科学技术的逐渐发展，污水处理技术水平也越来越来高，污水处理效率逐渐升高，因此提高对处理过的污水的利用将极大的改善北京现在的用水状况，若被处理的污水能够得到充分的利用。模拟的2001年到2009年的风险的等级图 如下：上图可知，对于污水的利用将极大改善北京的缺水状况，在途中我们可以看出：年份风险等级处理前处理后2001高度风险中度风险2002高度风险中度风险2003高度风险中度风险2004高度风险低度风险2005高度风险低度风险2006高度风险低度风险2007高度风险低度风险2008低度风险可忽略的风险2009高度风险低度风险3、对于问题三：未来水资源短缺风险预测模型BP神经网络的数学模型的建立，首先是基于下面最基本的数学公式。沿信息传播的方向，给出网络的状态方程，用和 表示第层第 个神经元的输入和输出，网络的各层输入输出关系可描述为：第一层（输入层）：将输入引入神经网络。 第二层（隐层）： 其中是激发函数，可以取不同形式，如：S 函数：高斯基函数：以及径向基函数、样条基函数、小波函数等，本文采用的是高斯基函数。第三层（输出层）： 基于本文模型的条件：i=10，k=1,l=9,已上就完成了神经网络模型的基本网络构建。下一步是要确定网络的学习算法。习的基本思想是：通过一定的算法调整网络的权值，使网络的实际输出尽可能接近期望的输出。在本网络中，采用误差反传（BP）算法来调整权值（即 BP 神经网络）。其基本原理是：当网络的输入（即相应影响因素）为 时，网络的实际输出为，网络的期望输出（即实际的学费值）为 。定义学习的目标函数为：（均方差法）同时 BP 算法通过下列公式来调整权值，使目标函数最小：（最速下降法）其中为学习率。其中具体分析每一层神经网络，可以得到：其中基于以下公式，偏差逐步反传：.得出各因素的处理后权值： 根据得到的权值便可进行对未来数据的预测。这里用BP人工神经网络模型对未来年份的水资源总量及总用水量作出预测，进而得到未来年份的缺水量，通过前面得到的隶属函数求得缺水程度，最后根据模糊聚类得到的风险等级划分标准确定未来年份的水资源风险等级。具体实现过程如下：首先，将已知年份的水资源总量、总用水量整理成将要用Matlab进行BP网络训练的输入数据与目标数据。其次，将已得数据进行归一化处理，建立BP神经网络，设定必要参数并进行训练，得到合适的网络。建立BP神经网络模型，分别对2010、2011、2012年的水资源总量和用水总量进行预测； 建立的神经网络示意图通过用建立的神经网络拟合以往的历史数据如下图所示：通过上图发现建立的BP神经网络与以往的历史数据拟合较好，可以用来预测；通过matlab的求解，得出2010、2011、2012年的数据如下：年份水资源总量（亿立方米）用水总量（亿立方米）缺水总量（亿立方米）201025.716135.1689.4519201113.32434.12120.797201221.641634.496112.8545通过问题二建立的风险综合评价，对2010、2011、2012年的数据进行风险等级的划分如下图所示：通过上图可以看出2010年、2012年属于低度风险（级）、2011年属于中度风险（级），基于以上结论，我们采取以下措施：在2010年、2012年时缺水的危险等级较低，特别是在2010年时风险等级与级极为接近，2012年时缺水等级虽然属于低度危险，但风险等级与中度风险等级也极为接近，因此在2012年时应该做好防范工作。在这三年中2011年的危险等级最高，基本接近级，因此在2011年需要采取相应的解决方案应对缺水危机。在2011年和2012年应加大对于北京的入境量，提高南水北调的送水量，另一方面应该应提高再生水的利用率和污水处理能力，使得污水能尽快得到循环利用。4、对于问题四：通过对历年北京市缺水风险的观察可以看出：随着年份的增加，风险不趋于稳定处于较大的波动状态，同时，预测未来两年的缺水等级也不宜乐观。为了使北京市的顺利发展和社会的和谐进步，本着“节流优先，治污为本，多渠道开源”的城市水资源可持续利用的新战略，提出如下建议：（1）节约用水节约用水是当务之急也是长远发展的战略方针，在优先保证城市生活用水和重点工业供水的前提下，要适度的压缩农业用水、，加强工业、农业节水力度，调整产业结构，大力发节水型工业、农业。实施滴灌代替大水浇灌，让每一滴水都尽量达到百分百的利用；收集并有效利用雨洪，既可防治雨洪灾害，缓解城市雨洪压力，同时又增加了可用水资源等。最后，还要提高人们的节水意识，从节约生活中的每一滴水做起降低，尽量降低人们的生活用水量。最好价格杠杆来控制人们的用水量，这样也可以有效的节约水资源的利用（2）提供用水为保证城市供水安全，应科学适当的增加地下水开采量，合理开发利用，对已确定的应急供水水源地应尽快投入开发和勘探工作，对其他地区继续开展调查工作，寻找新的后备应急水源。南水北调进京后，提高了北京城市供水安全保证程度，支持了城市的可持续发展，所以在条件允许的前提下，适当提高南水北调的水量也可增加供水量。重要的一点，城市要大力的着手于污水的加工处理，从模型中可以得出，如果加大污水处理量或是提高污水处理率，可以大大缓解供水压力，从而降低水资源短缺的风险。五、结果分析与检验该模型只考虑到影响水资源短缺的几个主要因素，并未考虑其它次要因素，并且影响水资源的因素较多，也并不能找全所有的影响因素，降雨量的影响对于水资源的影响还是比较大的，一般来说，降雨量充沛的年份，缺水的风险就会较低，而干旱少雨的年份缺水的风险就较大，基于这个原理，为检验模型，考虑1979到2009年各年的降雨量大小与各年风险的等级进行比较。如下图所示：从图中明显可以看出降雨量大的年份，水资源短缺的风险的等级明显较低，而在降雨量较小的年份，水资源短缺的风险等级明显较高，因此可确定，在只考虑这几个主要风险因子的情况下，我们这个模型仍然可以较为准确的评价水资源短缺的风险。在问题三中采用了BP神经网络对水资源总量和总水量进行了估计，通过训练网络，可以达到用十年的历史数据估计下一年的用水总量和水资源总量，从而估计出该年的缺水量，为检验模型的正确性对以往2005、2006、2007的历史数据进行估计，结果：年份总用水量水资源总量实际预测实际预测200534.535.132723.224.8321200634.333.381524.523.875200734.835.264323.824.6547可以看出预测的数值与实际的情况误差极小，因此该网络对未来两年的数据的预测的可信度较高，得到的结果较有说服力。六、模型的优缺点1.模型的优点： （1）问题一的模型忽略了次要因素的干扰，通过马氏距离判别法，筛选出影响水资源短缺风险的主要因子，马氏距离可以检验出两个样本之间的相似度，马氏距离越大，两个样本的相关程度越小，因此采用这种方法对主要因子的筛选还是比较准确的； （2）问题二根据风险的模糊性，引入模糊集，建立隶属函数，以每年的缺水量作为自变量，定义出风险的程度，从而正确表示1979-2008年北京30年的缺水情况，并通过模糊聚类的方法对风险等级进行了划分； （3）问题三建立BP神经网络，通过对水资源总量和用水总量数据处理训练出网络，然后对历史数据估计，误差较小情况下，对2010年、2011年、2012年进行预测，并对2011年可能会出现中度危险尽心了预警；2.模型的缺点： 在问题一中并未考虑其它次要因素，在对北京市水资源短缺的主要风险因子的评价过程中并未考虑其他因素的影响，这可能会造成对主要风险因子的划分有偏差；问题二中隶属函数的确定，并没有系统的科学规律，在对风险程度的计算时，未必符合实际情况；问题三中神经网络的预测中该模型还不是很稳定，在对以往的历史数据的预测时还会有较大的偏差。七、参考文献1焦淑华等.2009.BP神经网络预测的MATLAB实现.哈尔滨金融高等专科学校学学报2左其亭等.2003.水资源系统中的不确定性及风险分析方法.干旱区地理3北京市发改委课题组.2004解决北京市水资源问题的思路和主要措施.宏观经济研究4王红瑞.2009.基于模糊概率的水资源短缺风险评价模型及其应用.水利学报5范金城等.2002.数据分析.科学出版社6北京市水务局.2005北京市水资源公报7天津市人民政府.2009.关于下达2009年度南水北调工程基金地下水征收水量指标和基金上缴额度的通知.8张士锋等.2010.年水资源系统风险构成及其评价以北京市为例.自然资源学报9衷平等.2005.石羊河流域水资源短缺风险敏感因子的确定.干旱区资源与环境10李玉榕等.2006.一种基于马氏距离的线性判别分析分类算法.计算机仿真11刘舒野等.2007.基于归并聚类中心思想的模糊聚类分析方法研究.航空计算技术12朱起煌等.2000.概率模拟方法有助于预测项目的时限与成本.维普资讯13陈庆祥.1990.非等可能性随即时间的概率模拟.电脑应用八、附录：附表一：1979年2008年水资源情况年份总用水量(亿立方米)农业用水(亿立方米)工业用水(亿立方米)第三产业及生活等其它用水(亿立方米)水资源总量（亿方）197942.9224.1814.374.3738.23198050.5431.8313.774.9426198148.1131.612.214.324198247.2228.8113.894.5236.6198347.5631.611.244.7234.7198440.0521.8414.3764.01739.31198531.7110.1217.24.3938198636.5519.469.917.1827.03198730.959.6814.017.2638.66198842.4321.9914.046.439.18198944.6424.4213.776.4521.55199041.1221.7412.347.0435.86199142.0322.711.97.4342.29199246.4319.9415.5110.9822.44199345.2220.3515.289.5919.67199445.8720.9314.5710.3745.42199544.8819.3313.7811.7730.34199640.0118.9511.769.345.87199740.3218.1211.111.122.25199840.4317.3910.8412.237.7199941.7118.4510.5612.714.22200040.416.4910.5213.3916.86200138.917.49.212.319.2200234.615.57.511.616.1200335.813.88.413.618.4200434.613.57.713.421.4200534.513.26.814.523.2200634.312.86.215.324.5200734.812.45.816.623.8200835.1125.217.934.2附表二：1979年2008年年降雨量统计年份降雨量（mm）年份降雨量（mm）1979718.41994813.21980380.71995572.51981393.21996700.91982544.41997430.91983489.91998731.71984488.81999266.919857212000371.11986665.32001338.91987683.92002370.41988673.32003444.91989442.22004483.51990697.32005410.71991747.920063181992541.52007483.91993506.72008626.3附表三：2005年2009年污水总量、可再生水量、南水北调量年份污水总量可再生水量南水北调200511.32.6200612.93.6200712.984.9520085.9670.70220096.52.6Matlab代码：example.mclearclcdata=zeros(30,1);year=1979:2008;sample=4.69 24.54 24.11 10.62 12.86 0.74 -6.29 9.52 -7.71 3.25 23.09 5.26 -0.26 23.99 25.55 0.45 14.54 -5.86 18.07 2.73 27.49 23.54 19.7 18.5 17.4 13.2 11.3 9.8 11 0.9;sample=reshape(sample,30,1);for i=1:1:30 for j=1:1:1 data(i,j)=subordImproved(sample(i,j); endendcenter,U,obj_fcn=fcm(data,4);plot(year,data,'-ko','LineWidth',2, 'MarkerEdgeColor','k', 'MarkerFaceColor','r','MarkerSize',10);axis(1979 2008 0 1);legend('·çÏÕ');title('1979-2008Ë®×ÊÔ´¶Ìȱ·çÏÕ'),xlabel('Äê·Ý'),ylabel('·çÏÕ');figure;plot(year,sample,'o-');hold on;plot(year,sample,'linestyle','none','marker','*','color','r');axis(1979 2008 -10 30);legend('ȱˮÁ¿');title('1979-2008Ë®×ÊÔ´¶ÌȱÇé¿ö'),xlabel('Äê·Ý'),ylabel('ȱˮÁ¿');center danger.mclearclcdata=zeros(30,1);year=1979:2008;sample=4.69 24.54 24.11 10.62 12.86 0.74 -6.29 9.52 -7.71 3.25 23.09 5.26 -0.26 23.99 25.55 0.45 14.54 -5.86 18.07 2.73 27.49 23.54 19.7 18.5 17.4 13.2 11.3 9.8 11 0.9;sample=reshape(sample,30,1);for i=1:1:30 for j=1:1:1 data(i,j)=subordImproved(sample(i,j); endendplot(year,data,'o-');axis(1979 2008 0 1);title('1979-2008Ë®×ÊÔ´¶Ìȱ·çÏÕ'),xlabel('Äê·Ý'),ylabel('·çÏÕ');y1=0.1753.*ones(30,1);y2=0.4206.*ones(30,1);y3=0.6943.*ones(30,1);hold onplot(year,y1,'-',year,y2,'-',year,y3,'-');legend('ȱˮÁ¿','¢ñ ¢ò¼¶·Ö½ç','¢ò ¢ó¼¶·Ö½ç','¢ó ¢ô¼¶·Ö½ç');danger1.mclearclcdata=zeros(30,1);year=1979:2008;sample=4.69 24.54 24.11 10.62 12.86 0.74 -6.29 9.52 -7.71 3.25 23.09 5.26 -0.26 23.99 25.55 0.45 14.54 -5.86 18.07 2.73 27.49 23.54 19.7 18.5 17.4 13.2 11.3 9.8 11 0.9;sample=reshape(sample,30,1);for i=1:1:30 for j=1:1:1 data(i,j)=subordImproved(sample(i,j); endendplot(year,data,'o-');axis(1979 2008 0 1);title('1979-2008Ë®×ÊÔ´¶Ìȱ·çÏÕ'),xlabel('Äê·Ý'),ylabel('·çÏÕ');y1=0.455.*ones(30,1);hold onplot(year,y1,'r-');legend('ȱˮÁ¿','¢ñ ¢ò¼¶·Ö½ç');danger2.mclearclcdata=zeros(30,1);year=1979:2008;sample=4.69 24.54 24.11 10.62 12.86 0.74 -6.29 9.52 -7.71 3.25 23.09 5.26 -0.26 23.99 25.55 0.45 14.54 -5.86 18.07 2.73 27.49 23.54 19.7 18.5 17.4 13.2 11.3 9.8 11 0.9;sample=reshape(sample,30,1);for i=1:1:30 for j=1:1:1