为解决因地下水相关因素未考虑充分而导致的模型对地下水位预测不准确的问题,提出观测井的空间位置距离聚类方法、水文地质属性聚类方法和距离-属性混合聚类方法,验证观测井间连通性在地下水位预测中的重要性。设计4种模型并分别对济南...为解决因地下水相关因素未考虑充分而导致的模型对地下水位预测不准确的问题,提出观测井的空间位置距离聚类方法、水文地质属性聚类方法和距离-属性混合聚类方法,验证观测井间连通性在地下水位预测中的重要性。设计4种模型并分别对济南岩溶水域的地下水位进行模拟和预测并与实际观测值对比。预测结果表明:考虑岩溶含水层连通性特征的联合模型ConvLSTM(convolution-long short term memory)要优于传统的长短期记忆网络模型(long short term memory, LSTM)。其中考虑距离-属性混合聚类结果的同类别井(连通性强)的模型(mix-multivariate-convolution-long short term memory, M-MV-ConvLSTM)预测结果精度最高、误差最小,其平均均方根误差约为0.457,纳什效率系数约为0.216,预测准确度高于传统的LSTM预测模型。研究成果可为岩溶水域的实时地下水位预测提供借鉴。展开更多
文摘为解决因地下水相关因素未考虑充分而导致的模型对地下水位预测不准确的问题,提出观测井的空间位置距离聚类方法、水文地质属性聚类方法和距离-属性混合聚类方法,验证观测井间连通性在地下水位预测中的重要性。设计4种模型并分别对济南岩溶水域的地下水位进行模拟和预测并与实际观测值对比。预测结果表明:考虑岩溶含水层连通性特征的联合模型ConvLSTM(convolution-long short term memory)要优于传统的长短期记忆网络模型(long short term memory, LSTM)。其中考虑距离-属性混合聚类结果的同类别井(连通性强)的模型(mix-multivariate-convolution-long short term memory, M-MV-ConvLSTM)预测结果精度最高、误差最小,其平均均方根误差约为0.457,纳什效率系数约为0.216,预测准确度高于传统的LSTM预测模型。研究成果可为岩溶水域的实时地下水位预测提供借鉴。
