通辽市地下水位动态分析及预测

准确评价及预测研究区域的地下水动态变化趋势,对于提高当地地下水用水效率和完善地下水水资源规划具有重要意义。采用GM(1,1)模型,拟合通辽市5旗1县1区近30 a地下水埋深变化,预测未来10 a地下水埋深,并提出加强地下水资源保护建议。     

波动水资源数据灰幂模型预测中的维数选择

针对GM(1,1)幂模型预测中如何选择合适的样本维数提高模型精度问题,探讨小样本波动统计序列光滑度的判断方法及其对GM(1,1)幂模型预测结果的影响,利用GM(1,1)幂模型白化计算公式完成最小二乘准则下的参数计算,在此基础上构建序列统计数据预测计算模型,将其应用于城市用水量波动统计数据预测,并进行GM(1,1)幂模型样本维数预测精度探讨,计算结果验证了波动统计序列光滑度与GM(1,1)幂模型预测精度的关系,为小样本波动统计序列建模和预测提供了一种计算方法。     

运用GM(1,1)模型预测建三江垦区地下水动态

地下水主要受天然因素和人为因素的影响.建三江垦区地下水利用程度较高,所以受人为因素的影响很大,基本上破坏了地下水在天然状态下的动态规律.为此,选择前进农场长观井资料,建立了GM(1,1)模型对其未来年份地下水埋深进行预测,为该区地下水合理开发利用提供科学依据.     

基于IL-HMMs预测模型的地下水埋深预测研究

以西北干旱典型县域磴口县为研究区,基于增量学习的改进隐马尔可夫预测模型(IL-HMMs),对区域地下水埋深进行了预测研究。为检验IL-HMMs模型预测效果,将模型预测结果与2013年长观井的实测数据进行了比较;同时为检验模型的优劣性,与未经增量学习的隐马尔可夫模型(HMMs)、加权马尔可夫链(WMCP)和BP神经网络(BP neural network,BPNN)预测模型的预测结果进行了比较。结果表明:与其他几种预测模型相比,IL-HMMs模型预测精度显著提高,误差更小,有较好的鲁棒性。并使用IL-HMMs模型对2018年地下水埋深进行了预测,预测结果表明,2018年地下水年平均埋深略有增加、局部区域地下水埋深增量加剧。基于IL-HMMs模型的地下水埋深预测具有很好稳定性的同时对新数据加入又有很好的鲁棒性,可为地下水埋深动态预测提供思路与方法补充,为区域地下水资源开发利用和保护提供重要依据。     

小波神经网络在白城地区浅层地下水埋深预测中的研究

针对白城地区浅层地下水位动态变化的复杂性和非线性,采用小波分析和人工神经网络相结合的小波神经网络模型(WA-ANN)对白城地区浅层地下水埋深进行分析和预报。将研究区5口井2002-2009年逐月的降水量、蒸发量、人工开采量和前期水位埋深4个因素作为输入层,地下水埋深作为输出层,建立浅层地下水埋深预测模型,并采用"后验差"法对模型精度进行检验。检验结果表明,WA-ANN模型能很好地模拟该区地下水埋深变化规律,且拟合和预报精度均较高,相对误差小于10%。2010年以后的预报结果显示研究区地下水位呈逐年下降趋势,预计到2015年将下降1m,应及时加以控制。同时,笔者希望本次研究能为浅层地下水埋深预测提供一种新的途径。     

基于RBF神经网络的地下水动态预测

以内蒙古自治区巴彦淖尔市金泉工业园区为例,基于园区B248号长观井2001-2008年的地下水埋深资料,首先建立了地下水埋深RBF神经网络预测模型,而后对该模型的模拟结果作误差分析,并将相应值与BP网络模型进行对比。RBF神经网络模型和BP网络模型的最大相对误差分别为9.88%和19.67%,最大绝对误差分别为0.81和1.56,均方误差分别为0.19和0.98。显然,RBF神经网络具有较高的预测精度和较强的非线性映射能力。用上述训练好的RBF神经网络模型对研究区2009-2013年平水年条件下的地下水埋深进行预测,结果表明,研究区已出现地下水位持续下降的趋势。最后,根据地下水资源保护规划方案,在逐时段压缩地下水开采量10%的情况下,研究区2025年即可恢复到2001年的地下水水位值。     

改进灰色预测模型在灌溉用水量建模中的应用

灌溉用水量系统受诸多不确定性因素的影响,采用灰色预测方法对甘肃省灌溉用水量进行建模分析.通过对灰色GM(1,1)模型的预测精度的分析表明,GM(1,1)预测公式系数的选取存在缺陷.因此基于残差和为零准则,就预测公式系数C的选取问题提出新的计算方法,并对系数修正前后的模型分别建模.结果表明;改进灰色模型预测灌溉用水量与实际用水量更接近、精度更高.     

基于GM(1,N)模型的临漳县地下水矿化度研究

地下水矿化度的变化会对居民生活用水和农作物生长产生影响,特别是在地下水超采严重且农业用水量大的地区。以邯郸市临漳县为研究区,搜集了香菜营、陈村、洛村共3口监测水井2010-2015年间的地下水矿化度监测数据,并以监测井水位,抽水量和区域降雨量为自变量,以矿化度为因变量,构建了基于地下水矿化度预测的GM(1,N)模型,对地下水矿化度实测资料进行了模拟与预测。将GM(1,N)模型模拟结果分别与GM(1,1)模型和BP神经网络模型的模拟结果进行了比较,结果表明GM(1,N)模型模拟精度最高。因此将GM(1,N)模型预测结果作为临漳县2016-2020年的地下水矿化度的最终预测成果。成果表明2016-2020年邯郸市临漳县的地下水矿化度呈持续上升趋势,研究结果为区域地下水的管理与水盐调控工作提供了参考依据。     

基于长短时记忆网络(LSTM)的地下水埋深模拟预测——以关中平原为例的实例分析

地下水资源对区域经济社会发展至关重要,而准确预测地下水埋深是合理利用地下水资源的重要依据。以陕西关中平原33眼地下水埋深观测井的实测数据为输入,探讨长短时记忆网络模型(LSTM)在地下水埋深模拟预测当中的应用。结果表明:整体上,LSTM模型可以很好模拟关中地下水埋深的变化,但是模型在训练阶段的模拟精度要高于验证阶段的。具体而言,对33眼观测井同时模拟时,无论训练次数多少,其决定系数(R~2)均大于0.98,而均方根误差(RMSE)和相对均方根误差(RRMSE)分别小于5 m和14%;而在验证阶段,尽管模拟值与观测值的R~2仍然大于0.98,但是RMSE和RRMSE的最大值分别增加至7 m和27%。与此同时,模型的训练次数会影响模拟精度,模型训练次数需要与样本进行匹配,本研究适宜的训练次数为40次。此外,样本集的数据也是影响模型模拟准确度的关键因素,将33眼井的观测数据作为一个样本集的模拟精度要高于单眼井单独作为样本集的模拟精度,表明样本容量越大,LSTM的模拟精度越高。     

GM(1,1)模型在滦河下游地区地下水位预测中的应用

首先对GM(1,1)模型的结构进行了研究和改进,给出了模型参数计算方法和精度检验方法.依据所建GM(1,1)模型,选用滦河下游地区节水工程改造后地下水位资料,对滦河下游地区地下水动态进行分析和数值模拟,利用实测资料对计算结果进行了验证.研究表明,模型预测拟合精度高,方法简便,可操作性强,对灌区地下水位预测评价和地下水合理开发利用具有一定的实用价值.     

预测水泥砒砂岩强度的Markov灰色残差模型

为了研究Markov-灰色残差GM(1,1)模型预测水泥固化砒砂岩抗压强度的精准度和适用性,先对抗压强度数据进行了一系列的处理,建立灰色GM(1,1)模型和灰色残差GM(1,1)模型,然后基于马尔克夫过程构建Markov-灰色残差GM(1,1)模型,并以此模型来估算水泥固化砒砂岩的抗压强度.结果表明,灰色残差GM(1,1)模型的检验精度得到了很大的提升且各项检验指标基本上都达到了1级,明显优于灰色GM(1,1)模型.马尔克夫过程便于确定残差修正值的正、负号,采用Markov-灰色残差GM(1,1)模型对不同水泥掺量下90 d龄期的水泥固化砒砂岩的抗压强度进行了预测,相对误差由原来的1.77%~4.01%降低至0.60%~2.36%,平均相对误差由2.63%减小至1.25%,模型的预测精度明显提高.该研究可以为水泥固化砒砂岩以及其他水泥基工程材料抗压强度的预测提供一种简易而可靠的新方法.     

南方地区冬小麦白粉病预测模型的研究

由于南方地区冬小麦白粉病的预测是一项多因素的复杂工程,因而针对传统预测方法的不足,提出了一种基于灰色系统GM(1,1)理论和BP神经网络相结合的预测模型。灰色系统GM(1,1)模型理论建模方法简单,计算量小,而BP算法特别适合于对GM(1,1)模型进行残差修正,利用两者的结合可以建立较高精度的预测模型。利用该模型对南方某地区冬小麦白粉病进行了预测,结果表明,该模型准确有效,适用于该地区的冬小麦白粉病的预测。     

基于SVM的绿洲荒漠交错带土壤水分与地下水埋深反演

为深入研究浅层地下水、植被和土壤的相互作用,以新疆渭干河-库车河绿洲为研究区,通过Sentinel-1A数据和Landsat数据以及土壤含水率、地下水埋深数据,结合植被以及土壤条件,通过支持向量机模型(Support vector machine,SVM)定量反演研究区土壤水分以及地下水埋深信息。结果表明:0～10 cm的土壤含水率与地下水埋深之间的相关性最高。通过地形校正C模型(Topographic correction model),得到温度植被干旱指数(Temperature vegetation drought index,TVDI)精度有所提高。建立不同参数的SVM模型反演地下水埋深可行,对于单因子建模,TVDI_(MSAVI)构建的模型精度最高,建模集R~2=0. 74,均方根误差(Root mean square error,RMSE)为4. 66%,验证集R~2=0. 70,RMSE为4. 65%。相比只考虑单因子(后向散射系数(σ_(soil)~0)或TVDI),σ_(soil)~0和TVDI_(MSAVI)组合共同作用于模型精度最好,建模集R~2=0. 86,RMSE为4. 16%,验证集R~2=0. 92,RMSE为2. 73%。利用最优模型参数结果反演土壤水分区域和地下水埋深区域,其结果精度较好。地下水埋深反演结果平均相对误差为8. 23%,优于研究区以往研究18. 06%的结果。     

基于多变量时间序列模型的地下水埋深预测——以渭库绿洲为例

为能够更好地预测干旱区渭库绿洲的地下水埋深及合理规划、开发地下水资源。以1995-2014年降雨量、蒸发量、农业用水量和地下水埋深等数据作为数据源展开研究。利用主成分分析法提取贡献率较大的因素,将其应用于多变量时间序列CAR(Controlled Auto-regressive)模型,从而建立地下水埋深的预测模型,并对模型进行验证。研究结果表明:渭库绿洲的地下水埋深受蒸发量、农业用水量的影响大,分别为0.533、0.466;模型预测值与实测值相对误差的平均值仅为1.483%,表明该模型在干旱区绿洲区域预测精度高、效果佳。预测趋势显示:若研究区蒸发量持续增加25%、降雨量减少15%、农业用水量减少15%时,地下水埋深将达到4.21 m,预测地下水埋深对渭库绿洲的生态环境和农业发展提供了有力的参考。     

不同时间尺度下冻融灌区地下水埋深CAR模型优选

为提高冻融灌区地下水埋深的预测精度,探索不同时间尺度数据源对地下水埋深预测的影响,以河套灌区永济灌域为研究区域,针对地下水埋深在时间序列上表现的滞后性和非线性,建立了不同时间尺度(月、季、年) CAR模型,并进行了不同输入变量CAR模型的差异性分析。结果表明:季尺度数据源CAR模型拟合效果明显优于月尺度数据源CAR模型和年尺度数据源CAR模型,拟合效果较好的季尺度数据源CAR模型的决定系数(R~2)、NashSutcliffe系数(E_(ns))和均方根误差(RMSE)分别为0.936、0.934和0.046 m,较拟合效果较差的月尺度数据源CAR模型各项指标分别提高了11.30%、11.86%和降低了32.35%。仅考虑冻融期气温的CAR模型明显优于考虑气温的CAR模型和不考虑气温的CAR模型。冻融灌区最优地下水预测模型为季尺度数据源且仅考虑冻融期气温的CAR模型,其R~2为0.941,E_(ns)为0.940,RMSE为0.044 m,模拟精度较高。     

区域物流规模发展预测方法研究

区域物流是全国乃至国际物流系统的重要组成部分,对区域经济的发展具有服务引导作用。本文对我国物流发展进行了分析,对灰色预测模型GM(1,1)的建模过程进行了研究,用已预测值和GM(1,1)原始序列一起做精度检验,根据未来数据的变化,设计了改进型的灰色预测模型,并结合实例进行了应用研究,得出了更接近实际的预测结果。通过误差检验,改进模型具有较高的预测精度,是一种非常实用的预测方法。     

基于EEMD与Elman网络的灌区地下水埋深预测模型

地下水埋深预测对于灌区农业生产、水土资源合理利用和生态环境保护等具有重要指导价值与作用。地下水埋深是一个受多种因素影响的多层次复杂系统,其演变具有不确定性、随机性、模糊性和非平稳性。基于EEMD较强的处理非线性问题能力和Elman网络具有适应时变和动态记忆的优点,构建了基于EEMD与Elman神经网络的地下水预测耦合模型,并将其应用于人民胜利渠灌区地下水埋深预测中。研究结果表明:基于EEMD和Elman神经网络耦合模型预测结果的最大相对误差为2.91%,最小相对误差为0.04%,预测合格率为100%,该耦合模型对人民胜利渠灌区地下水埋深的预测精度要高于单一的Elman模型和BP模型。另外,该模型在某种程度上可揭示灌区地下水时间序列的演变机制与影响因素,且计算简单、思路清晰,为地下水埋深预测提供了一种新的途径。     

基于混沌-SVM-PSO的粮食产量预测方法研究

针对粮食产量影响因素复杂、随机波动大等特点,对粮食产量预测问题展开研究。用混沌理论对原始样本进行相空间重构,确定最佳的嵌入维数和延迟时间。发挥粒子群算法全局搜索能力强的优点,用PSO算法优化SVM参数,避免人工选取参数的盲目性。以某省2004—2015年粮食产量预测为案例进行仿真试验,并将预测结果与灰色GM(1,1)模型进行对比。结果表明,本文所建模型对2014年、2015年粮食产量预测结果相对误差分别为-6.38%和2.07%,MAPE为4.22%,优于灰色GM(1,1)模型,具有较高的预测精度,从而验证所提方法的先进性和有效性。     

基于灰色GM(1,1)模型的库尔勒市农业用水量预测

介绍灰色理论建模原理和模型参数辩识方法,并以实例(库尔勒市2000-2006年灌溉用水资料)建立灰色GM(1,1)预测模型,运用残差检验、后验差检验以及关联度检验3种方法对模型进行精度检验,其模型拟合精度达96.9%.用所建立的模型对库尔勒市2007-2011年农业用水量进行外推预测.结果表明,该灰色模型用于农业用水量预测,符合其灰色特性,通用性好,并且所需数据少,计算量适中,预测结果与当地实际情况比较吻合.     

城市工业用水量的灰色马尔可夫预测模型

灰色GM(1,1)是预测城市工业用水量的模型,这种模型不适合长期的、随机和波动性较大的数据序列预测,但是马尔可夫模型适合描述随机波动性较大的预测问题.可以将这两种模型结合,构建灰色马尔可夫预测模型.按特定的状态划分方法,先用灰色GM(1,1)预测模型进行预测,再用马尔可夫模型预测结果进行优化,使预测精度大大提高.最后以抚顺市为例,预测结果证明了该模型的优势.