通过混合深度学习模型提高地下水位预测,在中国济南市

科学领域:

• 水文地质学和环境科学
• 深度学习在地质科学中的应用
• 水资源管理 水资源管理

背景情况:

• 准确地预测地下水位 (GWL) 对可持续的水资源管理至关重要.
• 水文地质和水文气象因素之间的复杂非线性相互作用给GWL预测带来了重大挑战.
• 深度学习模型正在成为解决水文地质学中这些复杂性的强大工具.

研究的目的:

• 开发一种新的混合深度学习模型,用于准确地空间时间预测地下水位.
• 为了捕捉监测井和多尺度时间依赖之间的水文连接.
• 为可持续的地下水管理和春季保护提供可靠的决策支持工具.

主要方法:

• 开发了一种混合深度学习模型,即空间时间图形预测模型 (STGPM),集成图形神经网络 (GNN) 和循环神经网络 (RNN).
• GNNs被用来捕捉井间的空间关系和水文连接.
• 运用RNN来建模水文气象数据中的时间动态和模式.

主要成果:

• 与基准模型相比,STGPM模型表现优越,预测误差低 (MAE = 0.039,RMSE = 0.052) 和确定系数高 (R2 = 0.988).
• 该模型表现出强大的概括能力,保持高准确度 (MAE = 0.062,RMSE = 0.087,R2 = 0.980) 预测GWL在未监测的位置.
• 该模型有效地学习了地下水位波动中固有的复杂的时空模式.

结论:

• 拟议的STGPM为地下水位预测提供了一个强大而准确的方法,其性能优于传统的时间序列模型.
• 该模型能够将其推广到未被监测的位置,使其成为区域地下水管理的宝贵工具.
• 该方法框架为涉及空间异质性的环境预测问题提供了可转移的解决方案.