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。     

基于多变量时间序列CAR模型研究

根据呼图壁河流域石门水文站1978-2011年的气温、降水及径流量资料,研究了呼图壁河流域近34年来径流量的变化趋势和突变特征,建立了基于多变量时间序列CAR(Controlled Auto-regressive)的径流预测模型,并应用该模型预测了未来不同气候变化情景下呼图壁河流域的年径流量。结果表明,呼图壁河流域年径流量、气温及降水量都呈现不同程度的增加趋势,其中年径流量在1987年发生明显突变,而年降水量和年均气温突变特征不明显;CAR模型在呼图壁河流域年径流量模拟的结果较好,平均相对误差为7.1%,达到了模型精度要求,说明该模型在呼图壁河流域有较高的适用性。在未来区域气候暖湿化背景下,对呼图壁河流域未来不同气候变化情景下的径流量进行预测,发现在降水和蒸发增加的情景下,呼图壁河年径流量均呈增加的趋势;在极端干旱条件下,径流量也表现出增加的趋势。该研究对流域水资源的合理利用与综合管理具有重要意义。     

基于CEEMD-BP耦合模型的灌区地下水埋深预测

为了科学预测人民胜利渠灌区地下水埋深,促进灌区水资源的可持续利用,针对灌区地下水埋深具有非线性、非平稳性与预测精度低的特征,基于CEEMD具有非平稳信号平稳化的能力和BP神经网络较强的非线性和不确定性映射能力与预测效果,构建了基于CEEMD-BP的灌区地下水埋深预测耦合模型.将该模型应用于人民胜利渠灌区地下水埋深预测中...     

基于CAR-SVM模型的季节性冻融区地下水埋深预测

准确预测地下水埋深是灌区水资源管理的重要依据.考虑到地下水埋深在时间序列上呈现滞后性和非线性,耦合了多变量时间序列CAR与支持向量机SVM,构建了CAR-SVM地下水埋深预测模型.为了提高模型在冻融期的模拟效果,构建了季节性冻融灌区地下水埋深拟合模型--CAR-SVM(T-TF)模型.模拟结果显示,只考虑冻融期气温的CAR-SVM(T-TF)模型优于考虑全年气温的CAR-SVM(T)模型及不考虑气温的CAR-SVM模型.CAR-SVM(T-TF)模型在全灌区地下水埋深的模拟结果:在验证期模型决定系数R^{2为0.954,冻融期R2为0.973;RMSE均小于0.090 m,模型精度较高.将全灌区得到的3阶CAR-SVM(T-TF)模型结构用于灌区内5个灌域地下水埋深模拟,模型在各灌域均有较好的适用性.}     

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。     

五种地下水埋深预测模型对比分析——以肇州县为例

地下水埋深预测对于区域水资源管理利用、生态环境保护和经济社会发展等具有重要的价值与作用。地下水埋深受多种因素影响,其动态变化具有非平稳性、随机性和滞后性等特征。为了准确预测浅层地下水埋深,选用多元线性回归、灰色GM(1,1)、基于马尔科夫链优化的灰色GM(1,1)、BP神经网络和基于遗传算法优化的BP神经网络五种预测模型,以黑龙江省肇州县为应用实例,将1980-2009年数据作为训练样本,2010-2019年数据作为检验样本,以降水量、蒸发量、地下水开采量和前期水位作为输入层输入,以地下水埋深作为输出层输出,选择绝对误差、相对误差、平均绝对误差、平均绝对百分比误差、均方误差和均方根误差作为评价指标,进行地下水埋深模拟预测和对比分析。结果表明：基于遗传算法优化的BP神经网络模型的平均绝对误差0.13 m,平均绝对百分比误差1.58%,均方误差0.02,均方根误差0.15,预测精度较高、拟合效果较好,相较于其他4种模型可以更好的模拟地下水埋深动态变化,为肇州县地下水合理开发和利用提供参考;遗传算法优化提升了BP神经网络的训练效率和稳定性,马尔科夫链理论弥补了灰色GM(1,1)所缺少的波动性...     

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。     

基于Albedo-MSAVI特征空间的渭库绿洲土壤盐渍化研究

选取新疆塔里木河流域渭库绿洲为研究区,以landsat 8 OLI和野外调查为基础数据,分析盐渍化土壤与反照率(Albedo)和修改型土壤调节植被指数(MSAVI)的关系,并提出Albedo-MSAVI特征空间概念,构建监测土壤盐渍化不同指数模型SDI。结果表明:Albedo-MSAVI特征空间分布呈现明显的规律性,即地表反照率与修改型土壤调节植被指数在第1象限呈双曲线分布,且盐渍化与非盐渍化土壤分异明显;SDI模型与土壤含盐量的决定系数为0.96,能够较好地反映绿洲盐渍化情况;不同盐渍化程度的SDI平均差异与非盐渍化SDI平均差异特征明显,其差值为0.12~0.34。因此SDI指数可以作为盐渍化信息快速提取的指标,且SDI模型的构建有利于干旱区大尺度定量监测和评价土壤盐渍化工作。     

时间序列模型在井灌水稻区地下水位预测中的应用——以三江平原为例

由于水田面积迅速增加,导致三江平原井灌水稻区地下水位持续下降,吊泵、局部超采现象时有发生.为了解决上述问题,以597农场为例,采用时间序列分析方法建立了597农场地下水埋深动态预测模型,对地下水埋深进行模拟和预测;同时,揭示了该区地下水动态变化规律,为三江平原地下水资源的可持续利用提供了科学依据.     

两种模型在地下水埋深预测中的应用及对比研究

为能够更好地预测地下水埋深及合理规划、开发地下水资源,简述BP-ANN和GM(1,1)模型的基本结构和建模步骤,以长春市体育馆旁长观井(1号井)2002-2010年的地下水埋深资料为基础,分别运用两种方法模拟并预测地下水埋深,并进行对比研究,最后得出如下结论,BP-ANN和GM(1,1)模型的平均相对误差分别为0.55%和3.45%,其对2011年的地下水埋深预测值分别为13.06、13.27m,两种模型的拟合和预测精度均较高,两种方法均可用于地下水埋深预测,其中GM(1,1)建模更简单,BP-ANN精度更高。     

克里雅绿洲地下水埋深时空变化对土壤盐分分布的影响

利用实测和室内试验获得的数据,采用经典统计学和地质统计学方法,结合 GIS 技术,分析了新疆克里雅绿洲地下水埋深时空变化对土壤盐分分布的影响。研究结果表明：克里雅绿洲春、夏、秋3个季节地下水埋深和土壤EC值预测精度误差均为10%左右;夏天地下水埋深最大,为13.1 m,春天最小,一年内埋深波动可达6 m;地下水埋深大致形成了南深北浅的空间分布特征;春季土壤EC值连续性相对差,夏季0~10 cm土壤EC值相对高而且连续性最好,土壤盐分最高值出现在绿洲中北部：土壤盐分受地下水埋深影响显著,地下水埋深从东南部到北部呈减小趋势,土壤盐分随地下水埋深的减小而增加。因此,应采取适合克里雅绿洲水资源状况的管理措施,控制地下水埋深,防止土壤盐渍化的进一步加剧。     

基于ELM模型的浅层地下水位埋深时空分布预测

选用石家庄平原区补排因子的多种组合为输入参数,利用28眼水井的实测资料作为预测目标值,首次建立基于极限学习机(Extreme learning machine,ELM)的地下水位埋深时空分布预测模型,讨论补排因子在不同缺失情况下对模型精度的影响;利用Arc GIS分析误差空间分布趋势,并与常用的三隐层BP神经网络模型进行对比。结果表明:基于水均衡理论的ELM地下水位埋深模拟模型能够准确反映人类和自然双重影响下地下水系统的非线性关系,模型输入因子中缺失降水量或开采量的模拟结果均方根误差(RMSE)比缺失其余因子的RMSE高2.00倍及以上,同时模型有效系数(E_(ns))和决定系数(R~2)进一步降低;与BP模型相比,ELM模型可使RMSE减小43.6%,误差区间降低46.4%,Ens和R2提高至0.99,且RMSE在空间相同区域上均明显呈现出ELM模型小于BP模型;ELM模型在南部高误差区的移植精度(RMSE低于1.82 m/a,E_(ns)高于0.95)高于BP模型(RMSE超过3.00 m/a,Ens低于0.85);因此,影响地下水位埋深的主导因素是降水量和开采量,且ELM模型在精度、稳定性和空间均匀性上较优,移植预测效果较好,可利用已知资料推求区域空间内其余未知水井的浅层地下水位埋深;该模型可作为水文地质参数及补排资料缺乏条件下浅层地下水位埋深预测的推荐模型。     

基于数据同化的地下水埋深插值研究

以西北干旱区典型县域磴口县为研究区,以2015年8月份40个地下水采样点的样品数据为基础,引入集合卡尔曼滤波(En KF)数据同化将其优化作为主变量,以蒸散发量反演结果以及归一化植被指数(NDVI)数据为协变量,进行协同克里金插值,同时与未采用同化的协同克里金插值结果以及经同化采用普通克里金插值结果进行交叉验证。结果表明:三者在较大空间尺度上对地下水埋深空间分布趋势的模拟基本一致,南部沙漠地区整体较高,在空间分布上表现为明显的地理规律性。同化后的数据进行协同克里金插值的结果改善最显著,平均误差、均方根误差、平均标准误差均优于未同化插值结果,其中平均误差仅为0.270 5 m。与普通克里金插值方法相比,协同克里金插值考虑蒸散发与NDVI的协同作用,精度明显提高,平均误差减小0.409 7 m,均方根误差减小0.078 4 m,平均标准误差减小1.016 7 m。     

作物产量预测的时间序列神经网络模型

建立了基于时间序列的动态系统前馈神经网络（DBP）模型,并将该模型用于不同水肥处理条件下水稻产量的预测。该模型克服了传统静态BP模型以某个生育阶段的影响因子的过程值或最终值采建立网络结构的局限性,可以充分利用水稻生长过程中大量的动态采样数据,以便提高模型预测精度。与修正Morgan模型相比,则不需要建立具体的水分生产函数模型,适应性更强。检验表明,DBP模型预测精度较高。同时数据比较表明,DBP模型与传统BP模型及水肥综合修正Morgan模型在水稻产量预测精度方面没有本质差异。     

基于SWAP模型的毛乌素沙地地下水埋深与天然植被关系研究

进行了基于SWAP模型模拟的毛乌素沙地不同水文年地下水埋深的预测研究。根据预测出的不同水文年的地下水埋深的动态变化,预测出试验区在该水文年的天然植被生长状况与地下水埋深的关系,即芦苇出现频率峰值所对应的地下水埋深为1.45 m;赖草出现频率峰值所对应的地下水埋深为1.90 m。并用2006年的实测资料进行了检验,得出SWAP模型可以用于推求该地区不同水文年条件下的天然植被生长状况。     

基于GF-1影像的渭-库绿洲外围土壤含盐量定量反演研究

为探讨国产GF-1卫星影像在干旱区土壤盐渍化监测中的适用性,以渭-库绿洲外围荒漠交错带为研究对象,利用BP神经网络和RBF神经网络2种建模算法,以GF-1影像的4个波段的反射率及影像提取的归一化差异植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、盐度指数(SI1、SI2、SI-T)共10个指标构建土壤含盐量反演模型。结果表明:在2种算法中,BP神经网络模型预测精度最高,R2为0.818,RMSE为0.194;发现利用植被指数更能提高模型的预测精度;利用BP神经网络预测模型反演研究区的土壤含盐量,发现预测情况与研究区实际情况相符,说明利用GF-1数据结合BP神经网络构建的反演模型适用于监测研究区土壤盐渍化问题。     

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。     

基于时间序列模型的黑龙江省粮食水足迹分析与预测

利用CROPWAT 8.0 模型计算了2000-2017年黑龙江省主要粮食作物水足迹,并利用自回归移动平均模型ARIMA对2018-2022年黑龙江省粮食作物水足迹进行了预测.黑龙江省粮食作物生产水足迹增长迅速,2000-2017年黑龙江省粮食作物生产水足迹总量增长了2.84倍;玉米的水足迹为0.47~1.07 m³/kg,而大豆、小麦和水稻的水足迹分别为1.35~2.39,1.12~2.99和1.76~1.41 m³/kg;小麦的绿水足迹占比最高,约为72.74%,其次是玉米(66.26%)和大豆(64.59%),而水稻的绿水足迹占比最低,约为46.99%;4种作物的灰水占水足迹的比例均低于1.12%.ARIMA模型预测结果表明,黑龙江省粮食作物的水足迹将逐年升高,玉米的水足迹呈逐年下降趋势,水稻和大豆的水足迹呈逐年上升趋势,小麦的水足迹基本不变.考虑到黑龙江水资源相对缺乏,而粮食作物水足迹总量逐年上升,建议加强农业管理,提高作物的水分利用效率.     

基于混沌时间序列局域模型对农机总动力的预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.本文采用混沌时间序列的一阶局域模型对新疆农业机械总动力进行了预测.误差分析表明,该一阶局域预测模型拟合值的平均绝对误差为0.64％,低于灰色理论GM(1,1)模型的0.90％,得到了较好的预测效果.     

基于时间序列数据库的配电网负荷预测

结合配电网特点,探讨了配电网负荷预测的应用需求,存在的问题及发展方向;阐述了负荷预测的基本算法及实现框架,分析了影响配电网负荷预测精度的决定性因素;结合配电网数据采集系统现状,指出采用时间序列数据库的优势,实现了基于时间序列数据库的配电网负荷预测采样数据获取功能改进;最后对改进的应用软件在南京等地配电网自动化项目中得到了应用,对改进效果进行了验证。