共查询到20条相似文献，搜索用时 15 毫秒
1.
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。 相似文献
2.
基于ELM模型的浅层地下水位埋深时空分布预测 总被引：1，自引：0，他引：1
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。 相似文献
3.
不同时间尺度下冻融灌区地下水埋深CAR模型优选 总被引：1，自引：0，他引：1
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。 相似文献
4.
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... 相似文献
5.
基于RBF神经网络的地下水动态预测 总被引：1，自引：0，他引：1
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。 相似文献
6.
【目的】进行灌域尺度的地下水多参数联合反演。【方法】利用集合卡尔曼滤波(En KF)方法,基于二维潜水运动模型SWF2D,构建了地下水多参数联合反演模型SWF2D_DA。以内蒙古河套灌区永济灌域为研究对象对地下水参数进行了反演分析,该地区地下水运动共涉及8个参数,分别为给水度Sy,降雨入渗补给系数aP,两阶段的灌溉入渗补给系数aI1、aI2,两阶段的潜水蒸发参数aA1、aA2和两阶段的潜水蒸发极限埋深aS1、aS2,采用SWF2D_DA模型分别反演了2待定参数情况和8待定参数情况。【结果】模型对2参数反演平均相对误差MRE为0.124%,均方根误差RMSE为0.002 663,8参数反演MRE为0.376%,RMSE为0.003 283,反演结果均满足精度要求,同时反演8参数会增加得到理想参数所需的同化步。同时,还设置5种观测误差方差,分别为0.01、0.000 1、0.002 5、0.1、0.64 m2,讨论了不同观测误差方差对反演结果的影响。当观测误差方差大于0.1 m2时,随着观测误差增大,MRE、RMSE、Spread增长较快,即观测误差过大会影响数据同化的反演精度;当观测误差方差在0.000 1~0.01 m2之间时,随着观测误差减小,MRE、RMSE并无显著变化,即观测误差达到一定精度时,即使观测误差减小,模型也不能得到精度更高的解,反而增加了观测成本。【结论】模型SWF2D_DA可以实现大尺度复杂地区的多参数联合反演,且待求参数越少,得到可靠的结果所需同化步越少;增加参数个数,需增加同化步。在目前的观测条件下,在观测误差方差为0.01 m2、相对于地下水位最大变幅的相对观测误差在4.4%以内的情况下,反演得到的地下水参数可满足精度要求,同时观测成本较低。 相似文献
7.
基于地统计学的泾惠渠灌区地下水位时空变异性研究 总被引：1，自引：0，他引：1
根据泾惠渠灌区43眼长期观测井2002、2004、2007年和2009年地下水埋深资料,利用趋势分析法和ArcGIS地统计分析模块,研究了灌区地下水埋深时空分布规律及变异特性。结果表明,地下水埋深样本服从对数正态分布,球状模型拟合变异函数的效果较好。灌区地下水埋深样本存在几何各向异性,并略有增强趋势。地下水埋深样本具有中等的空间相关性,是结构性因素和随机性因素共同作用的结果。灌区地下水埋深从西北向东南逐渐变浅。灌区地下水埋深年内呈双峰曲线变化,最小埋深值出现在春灌期,最大埋深值出现在夏灌期;灌区地下水埋深年际呈减小趋势,具有浅埋区面积明显增大、深埋区面积不明显增大的特征。 相似文献
8.
基于CAR-SVM模型的季节性冻融区地下水埋深预测 总被引：1，自引：0，他引：1
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R2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. 相似文献
9.
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。 相似文献
10.
为探讨Li DAR监测作物生物量的可行性和方法,以小麦为研究对象,通过田间试验获取关键生育期的小麦Li DAR点云高度指标和地上部生物量,基于幂函数回归与支持向量回归、利用十折交叉验证法分别进行特征选择和模型构建,选取各算法最优的全生育期小麦地上部生物量监测模型,并在测试集上对模型的预测能力进行检验与比较。结果表明:利用H95和生育期特征所构建的全生育期支持向量回归模型精度最高,训练集上决定系数R2达到0. 814,测试集结果(R2=0. 821,RMSE为1. 730 t/hm2,RRMSE为32. 77%)表明,模型具有较好的准确性;利用Hmean所构建的全生育期幂函数回归模型决定系数R2达到0. 809,测试集结果(R2=0. 815,RMSE为1. 760 t/hm2,RRMSE为33. 33%)也表明模型具有较好的准确性;高度指标估测小麦生物量具有先天局限性,所构建模型较适宜于监测小麦地上部生物量小于10 t/hm2的情况,在超过10 t/hm2的样本集上,95%的模型预测值被低估,RMSE呈指数增长;生育期特征有利于提升监测模型预测精度。 相似文献
11.
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。 相似文献
12.
河套灌区永济灌域地下水数值模拟 总被引：2，自引：0，他引：2
以内蒙古河套灌区永济灌域为研究对象,采用Visual Modflow软件建立了地下水三维非稳定流模型,运用手动调参和Pest模块调参相结合进行参数率定,选取的14口观测井的观测值和模拟值趋于一致,表明本文率定的参数合理,具有较高的精度。利用该模型模拟了不同开采方案下的地下水埋深变化,同一开采条件下,灌区南部地下水位埋深下降相对北部和中部较小,可适当加大南部的地下水开采量来减少引黄灌溉,该模拟结果存在一定的实用价值。 相似文献
13.
以内蒙古金泉工业园区水源地为研究区,在已有地下水水流数值模拟模型基础上,采用拉丁超立方抽样方法,获取输入（抽水量）数据集和输出（地下水位降深）数据集,运用双响应面方法,建立了地下水水流数值模拟模型的替代模型—双响应面模型。经验证,双响应面模型计算出的地下水水位降深均值与地下水水流数值模拟模型计算出的地下水水位降深均值的平均相对拟合误差为0.22%,地下水水位降深剩余标准差的平均相对拟合误差为0.03%,相对拟合误差都比较小,说明所建立的双响应面模型可以有效的替代地下水流数值模拟模型,这为地下水资源优化管理中替代模型的建立提供了有效的科学论证。 相似文献
14.
为准确获取区域内地下水埋深空间分布特征以及在水土环境变迁下其年际动态变化规律。以甘肃景泰川电力提灌灌区为研究区,以2015年的16个监测井测得的地下水埋深数据为基础,采用Arc GIS软件中的空间插值模块分别运用反距离权重法、样条函数法、趋势面法以及普通克里金法对区域内地下水埋深数据进行空间插值,并采用交叉验证法和误差矩阵评价方法选取地下水埋深最优插值方法。运用最优插值方法对研究区1994、2001、2008和2015年的地下水埋深观测数据进行空间插值。结果表明:普通克里金(球面函数)插值精度最高,能准确反映地下水埋深时空变异规律及分布特征。研究区地下水位埋深总体上表现为西南低东北高的特征,呈现由西南到东北逐渐升高的趋势,研究区地下水埋深最小值每年都在减小,浅埋深区域逐年增加,地下水埋深平均值2015年较1994年减小了4.85 m,表明整个研究区地下水埋深都在持续抬升,但研究区内,地下水埋深最大值变化较小。该结果表明在水土环境变迁下研究区地下水埋深呈现出逐年升高的趋势,对研究区盐渍化土壤的水盐调控及地下水资源合理开发利用具有重要意义。 相似文献
15.
利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显著低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。 相似文献
16.
【目的】探究北京市昌平区不同层位地下水埋深时空动态特征及其对降水的响应。【方法】基于2021—2022年北京市昌平区98处地下水自动监测井(浅层井75处、深层井16处、基岩井7处)的实测地下水埋深数据及降水观测数据,结合克里金插值法和Cross-correlation方法,分析了昌平区不同层位地下水埋深的空间分布、时间动态变化及其对降水的响应。【结果】昌平区地下水埋深的空间分布整体为东南部较高,西北部较低。浅层地下水埋深在2个观测年度均存在1处降落漏斗,深层地下水在2021年存在1处降落漏斗,但于2022年消失,基岩地下水埋深无降落漏斗。深层地下水埋深分布的空间变异性明显高于浅层和基岩层;浅层地下水和深层地下水在各月呈同步增长或下降趋势,埋深最大值分别出现在2021年6月和2022年5月,最小值出现在2021年12月和2022年12月。基岩地下水埋深的月变化规律与浅层及深层相比具有明显差异,月尺度上不同层位地下水埋深整体表现为基岩层>深层>浅层。【结论】2021年的地下水埋深整体高于2022年,这与降水量的年际变化有关;不同层位地下水对月降水量的响应不同,其中基岩地下水埋深... 相似文献
17.
在分析和研究了基于神经网络的农机总动力预测的基础上,指出了神经网络传统预测方法预测精度低的原因是神经网络训练阶段和预测阶段的矛盾性。通过一系列实验表明:随着拟合误差的逐渐减小,预测误差出现了先下降后上升的规律,即所谓的"过拟合"问题。为了解决这个问题,应用最佳停止法对农机总动力进行预测,该方法把样本集分成训练样本集、确认样本集及验证样本集3部分。在训练过程中监测训练样本集和确认样本集的误差,当确认样本集的误差连续20次不减小时,退出训练,返回最小确认样本集误差所对应的网络数据,并用验证样本集来检验最佳停止法的预测精度。实验数据表明:最佳停止法避免了网络出现的"过拟合"问题,有效提高了预测精度。最后,用这个训练好的网络模型预测了黑龙江省2015-2020年的农机总动力。 相似文献
18.
地下水水位预测对于合理开发利用地下水与保护生态环境具有重要意义。以新疆希尼尔水库周边区域为例,根据研究区多年地下水埋深观测数据,建立了基于自记忆方程的地下水埋深预测模型。结果表明:该模型模拟与预测精度较高,为研究区的地下水合理开发利用提供了重要参考;研究结果可用于其他类似时间序列变量的模拟预测。 相似文献
19.
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。 相似文献
20.
为了研究观测井与向导点布置范围以及水文地质参数初值对反演结果的影响,利用二维承压含水层理想模型,分别建立观测井、向导点不同分布范围(占研究区面积16％、36％、64％、81％和100％)以及不同渗透系数场初值的地下水反演模型,讨论其反演规律.其中,初始渗透系数场与实际渗透系数场之间的均方根误差记作R1,表示先验信息精度;初始渗透系数场经过PEST程序反演后的结果称为渗透系数估计场,与实际渗透系数场之间的均方根误差记作R2,表示参数估计精度,R2值越小反演精度越高.结果表明:随观测井、向导点分布范围增加,相应模型的R2值先减小后逐渐保持稳定;同时随向导点分布范围的增加,调用Modflow程序与优化迭代的次数减少;R1值增加,不同渗透系数初值模型的R2值、Modflow程序调用次数与优化迭代也会增加.由此看出,观测井与向导点分布范围越大,初始渗透系数场越接近真实值,反演结果越理想.研究成果为观测井与向导点的科学布置以及初始渗透系数场的取值提供了理论依据,有助于向导点法的推广. 相似文献