CN115600749B - 地下水位预测方法、装置及电子设备 - Google Patents
地下水位预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115600749B CN115600749B CN202211307870.4A CN202211307870A CN115600749B CN 115600749 B CN115600749 B CN 115600749B CN 202211307870 A CN202211307870 A CN 202211307870A CN 115600749 B CN115600749 B CN 115600749B
- Authority
- CN
- China
- Prior art keywords
- value
- model
- groundwater
- preset
- residual error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地下水位预测方法、装置及电子设备,包括:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到;将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值;根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。该方法通过预设的剩余误差预测模型对剩余误差预测值进行预测,从而将建模过程中产生的系统误差和随机误差进行精确量化计算,提升了地下水位的预测精度。
Description
技术领域
本发明涉及水文地质技术领域,尤其是涉及一种地下水位预测方法、装置及电子设备。
背景技术
传统的地下水位预测方法通常包括下述步骤:首先,确定待预测区域。分析上述待预测区域的气象、地理、水文、水文地质等自然条件资料和灌溉、开采等人为活动数据,建立上述待预测区域水文地质概念模型。然后,基于预设的渗流连续性方程,将水文地质概念模型转化为地下水数学模型,设定边界条件、初始条件及水文地质参数。应用有限元、有限差分等数值方法,求解上述地下水数学模型,求得上述待预测区域地下水位值。
然而上述地下水数学模型在水位预测精度方面遇到了瓶颈,因建模过程中产生的系统误差和随机误差难以精确量化,导致现有的地下水位预测方法的预测精度较低。
发明内容
本发明的目的在于提供一种地下水位预测方法、装置及电子设备,以提升地下水位预测方法的预测精度。
第一方面,本发明实施例提供了一种地下水位预测方法,其中,包括:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到;将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值;根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,将上述地下水值特征以及上述物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值的步骤之前,上述方法还包括:获取待预测区域地下水位观测值和第二物理模型计算值;上述第二物理模型计算值基于预设的第二地下水值特征计算得到;计算上述地下水位观测值以及上述第二物理模型计算值的剩余误差值;上述剩余误差预测模型通过下述方式训练得到:获取预设的训练数据集和验证数据集;上述训练数据集和上述验证数据集均包括上述剩余误差值对应的上述第二地下水值特征以及第二地下水值衍生特征;其中,上述第二地下水值衍生特征基于预设的特征衍生软件对上述第二地下水值特征进行衍生得到;根据上述训练数据集训练预设的初始模型组,直至满足预设的训练结束条件,得到训练好的待验证模型组以及上述待验证模型组对应的训练误差;其中,上述初始模型组包括多个初始模型;上述多个初始模型中每个初始模型均基于不同类型的树模型构建;根据上述验证数据集验证上述待验证模型组,直至满足预设的验证结束条件,得到验证后的中间模型组以及上述中间模型组对应的验证误差;根据上述训练误差和上述验证误差,从上述中间模型组中确定剩余误差预测模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,计算上述地下水位观测值以及上述第二物理模型计算值的剩余误差值的步骤,包括:将上述第二物理模型计算值和上述地下水位观测值的差,确定为上述剩余误差值。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,上述多个初始模型的类型包括:XGBoost模型、LightGBM模型以及CatBoost模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,根据上述训练误差和上述验证误差,从上述中间模型组中确定剩余误差预测模型的步骤包括:在上述中间模型组中筛选上述训练误差和上述验证误差均满足预设要求的中间模型;根据上述满足预设要求的中间模型,确定剩余误差预测模型。
结合第一方面的第四种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,根据上述满足预设要求的中间模型,确定剩余误差预测模型的步骤,包括:基于预设的加权平均规则将上述中间模型进行加权处理,得到加权后的中间模型;根据上述加权后的中间模型,确定上述剩余误差预测模型。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,计算待预测区域地下水位的第一物理模型计算值的步骤,包括:将上述第一地下水值特征转化后输入预设的MODFLOW程序中,输出待预测区域地下水位的上述第一物理模型计算值。
结合第一方面,本发明实施例提供了第一方面的第七种可能的实施方式,其中,根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值的步骤,包括:将上述第一物理模型计算值和上述剩余误差预测值的和,确定为上述待预测区域的地下水位预测值。
第二方面,本发明实施例提供了一种地下水位预测装置,其中,包括:数据获取模块,用于获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到;剩余误差预测模块,用于将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值;地下水位计算模块,用于根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。
第三方面,本发明实施例提供了一种电子设备,其中,上述电子设备包括处理器和存储器,上述存储器存储有能够被上述处理器执行的机器可执行指令,上述处理器执行上述机器可执行指令以实现第一方面至第一方面的第七种可能的实施方式任一项的地下水位预测方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的地下水位预测方法、装置及电子设备,包括:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到;将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值;根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。该方法通过预设的剩余误差预测模型对剩余误差预测值进行预测,从而将建模过程中产生的系统误差和随机误差进行精确量化计算,提升了地下水位的预测精度。
本实施例公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种地下水位预测方法的流程示意图;
图2为本发明实施例提供的另一种地下水位预测方法流程示意图;
图3为本发明实施例提供的一种地下水位预测装置的结构示意图;
图4为本发明实施例提供的一种电子设备的结构示意图。
图标:31-数据获取模块;32-剩余误差预测模块;33-地下水位计算模块;41-存储器;42-处理器;43-总线;44-通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
传统的地下水位预测方法通常包括下述步骤:首先,确定待预测区域。分析上述待预测区域的气象、地理、水文、水文地质等自然条件资料和灌溉、开采等人为活动数据,建立上述待预测区域水文地质概念模型。然后,基于预设的渗流连续性方程,将水文地质概念模型转化为地下水数学模型,设定边界条件、初始条件及水文地质参数。应用有限元、有限差分等数值方法,求解上述地下水数学模型,求得上述待预测区域地下水位值。
然而上述地下水数学模型在水位预测精度方面遇到了瓶颈,因建模过程中产生的系统误差和随机误差难以精确量化,导致现有的地下水位预测方法的预测精度较低。
具体的,由于地下水系统固有的复杂性和非线性,传统的地下水数学模型基于对自然条件和人为活动的层层简化,这些简化存在于从建模到求解的整个过程,例如地质结构、边界条件、渗流过程等概念模型的简化;对参数尺度效应的忽略和水文地质环境非均质性的简化;数值法求解时必要的简化过程等。再者,建模过程通常依赖建模者对研究区的认识及经验,以反演的思路对参数进行估计和分配,而这种估计往往不稳定,容易受个人主观认知限制,因而难以完全合理。
进一步的,现有的地下水数学模型主要利用机器学习的方法学习上述地下水数学模型非线性特征,以避免人为简化而造成的预测误差。目前上述地下水数学模型中常用的机器学习方法主要包括以下三类:第一类,BP神经网络及上述BP神经网络的一些改进网络被引入到地下水位动态的预测中,例如小波变换、MAE或遗传算法的优化神经网络。第二类,长短期记忆神经网络(LSTM)。上述BP神经网络预测模型在处理时序数据时,并未考虑时序关系方面的特征,从而损失了一定的预测精度,LSTM模型可以克服该缺点。第三类,传统的机器学习方法、支撑向量机、高斯过程等方法都有学者进行过有益的尝试。目前,学者们正在研究如何通过模型集成策略进一步提高预测精度。但总的来说,上述三方面的研究都是单纯地应用经典的机器学习模型,但并未考虑物理规律的约束,在某个区域训练生成的模型无法直接应用到另一个新的区域,即泛化性能较差。
基于此,本发明实施例提供了一种地下水位预测方法、装置及电子设备,该技术可以缓解上述技术问题,该技术可以提升地下水位的预测精度。为便于对本发明实施例进行理解,首先对本发明实施例所公开的一种地下水位预测方法进行详细介绍。
实施例1
如图1为本发明实施例提供的一种地下水位预测方法的流程示意图。
如图1所见,该方法包括以下步骤:
步骤S101:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到。
在其中的一种实施方式中,获取待预测区域预测期的第一物理模型计算值。
在本实施例中,在步骤S101之前,该方法还包括:将上述第一地下水值特征进行预先存储。然后,将上述第一地下水值特征转化后输入预设的MODFLOW程序中,输出待预测区域地下水位的上述第一物理模型计算值。
在其中的一种实施方式中,上述第一地下水值特征转化的步骤包括:将上述第一地下水值特征中的各水文地质参数、边界条件以及初始条件经过人为理解后转化为不同的输入参数。
这里,上述第一地下水值特征为预设的地下水位影响因素在各时空点的取值。为了便于理解,下述表格为本发明实施例提供的一种地下水位影响因素表。
步骤S102:将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值。
在本实施例中,通过预设的剩余误差预测模型对剩余误差预测值进行预测,从而将建模过程中产生的系统误差和随机误差进行精确量化计算。
步骤S103:根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。
在本实施例中,将上述第一物理模型计算值和上述剩余误差预测值的和,确定为上述待预测区域的地下水位预测值。
本发明实施例提供的地下水位预测方法,包括:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到;将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值;根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。该方法通过预设的剩余误差预测模型对剩余误差预测值进行预测,从而将建模过程中产生的系统误差和随机误差进行精确量化计算,提升了地下水位的预测精度。
实施例2
在图1的基础上,本实施例还提供了另一种地下水位预测方法。图2为本发明实施例提供的另一种地下水位预测方法流程示意图。由图2所见,该方法包括以下步骤:
步骤S201:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到。
步骤S202:获取待预测区域地下水位观测值和第二物理模型计算值;上述第二物理模型计算值基于预设的第二地下水值特征计算得到。
在其中的一种实施方式中,可以同时获取上述第一物理模型计算值和上述第二物理模型计算值,将预测期的时间起点为分界点之前的物理模型计算数据确定为上述第二物理模型计算值;将预测期的时间起点为分界点之后的物理模型计算数据确定为上述第一物理模型计算值。进一步的,可以同时获取上述第一地下水值特征和上述第二地下水值特征,将预测期的时间起点为分界点之前的地下水值特征数据确定为上述第二地下水值特征;将预测期的时间起点为分界点之后的地下水值特征数据确定为上述第一地下水值特征。
在本实施例中,上述第一地下水值特征、上述第二地下水值特征、上述第一物理模型计算值以及上述第二物理模型计算值以均携带有空间点位信息以及时间点位信息。
进一步的,在步骤S202之前,该方法还包括:将上述第二地下水值特征进行预先存储。然后,将上述第二地下水值特征中的水文地质参数、边界条件以及初始条件经过人为理解转化后,输入预设的MODFLOW程序中,输出待预测区域地下水位的上述第二物理模型计算值。
步骤S203:计算上述地下水位观测值以及上述第二物理模型计算值的剩余误差值。
这里,将各时空点上述地下水位观测值与相对应的上述第二物理模型计算值做差,即可得到上述剩余误差值。
步骤S204:获取预设的训练数据集和验证数据集;上述训练数据集和上述验证数据集均包括上述剩余误差值对应的上述第二地下水值特征以及第二地下水值衍生特征;其中,上述第二地下水值衍生特征基于预设的特征衍生软件对上述第二地下水值特征进行衍生得到。
在本实施例中,首先,运用特征衍生软件,将第二地下水值特征进行衍生,以得到更多有意义的特征。然后,将上述第二地下水值特征以及第二地下水值衍生特征按照预设比例,划分为上述训练数据集和上述验证数据集。这里,上述预设比例一般为8:2。
在其中的一种实施方式中,将上述第二地下水值特征和上述第二地下水值衍生特征,使用正则化的LASSO回归进行特征筛选后保存为预设的训练数据集和验证数据集。
步骤S205:根据上述训练数据集训练预设的初始模型组,直至满足预设的训练结束条件,得到训练好的待验证模型组以及上述待验证模型组对应的训练误差;其中,上述初始模型组包括多个初始模型;上述多个初始模型中每个初始模型均基于不同类型的树模型构建。
在本实施例中,上述多个初始模型的类型包括:XGBoost模型、LightGBM模型以及CatBoost模型。
步骤S206:根据上述验证数据集验证上述待验证模型组,直至满足预设的验证结束条件,得到验证后的中间模型组以及上述中间模型组对应的验证误差。
步骤S207:根据上述训练误差和上述验证误差,从上述中间模型组中确定剩余误差预测模型。
在本实施例中,首先,在上述中间模型组中筛选上述训练误差和上述验证误差均满足预设要求的中间模型。然后,根据上述满足预设要求的中间模型,确定剩余误差预测模型。
进一步的,上述训练误差和上述验证误差的个数均为多个,首先应用预设的贝叶斯算法随机搜索来寻找上述中间模型组中每个中间模型各自的最优参数,通过多次训练和评估优化各自的超参数,考察每个中间模型的评估分值。然后,分析每个中间模型的训练误差和验证误差的下降曲线,进而调整中间模型组中模型参数及超参数,进而得到最优的中间模型。
在其中的一种实施方式中,根据上述满足预设要求的中间模型,确定剩余误差预测模型的步骤,包括:首先,基于预设的加权平均规则将上述中间模型进行加权处理,得到加权后的中间模型。然后,根据上述加权后的中间模型,确定上述剩余误差预测模型。
步骤S208:将上述第一地下水值特征以及上述第一物理模型计算值输入上述剩余误差预测模型中,输出剩余误差预测值。
步骤S209:根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。
本发明实施例提供的地下水位预测方法,包括:获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到;获取待预测区域地下水位观测值和第二物理模型计算值;上述第二物理模型计算值基于预设的第二地下水值特征计算得到;计算上述地下水位观测值以及上述第二物理模型计算值的剩余误差值;获取预设的训练数据集和验证数据集;上述训练数据集和上述验证数据集均包括上述剩余误差值对应的上述第二地下水值特征以及第二地下水值衍生特征;其中,上述第二地下水值衍生特征基于预设的特征衍生软件对上述第二地下水值特征进行衍生得到;根据上述训练数据集训练预设的初始模型组,直至满足预设的训练结束条件,得到训练好的待验证模型组以及上述待验证模型组对应的训练误差;其中,上述初始模型组包括多个初始模型;上述多个初始模型中每个初始模型均基于不同类型的树模型构建;根据上述验证数据集验证上述待验证模型组,直至满足预设的验证结束条件,得到验证后的中间模型组以及上述中间模型组对应的验证误差;根据上述训练误差和上述验证误差,从上述中间模型组中确定剩余误差预测模型;将上述第一地下水值特征以及上述第一物理模型计算值输入上述剩余误差预测模型中,输出剩余误差预测值;根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。该方法通过构建训练误差和验证误差最优的中间模型组,得到精度率高的剩余误差预测模型对剩余误差预测值进行预测,从而进一步将建模过程中产生的系统误差和随机误差进行精确量化计算,提升了地下水位的预测精度。
实施例3
本发明实施例还提供了一种地下水位预测装置。如图3所示,为本发明实施例提供的一种地下水位预测装置的结构示意图,该装置包括:
数据获取模块31,用于获取待预测区域的第一物理模型计算值;其中,上述第一物理模型计算值基于预设的第一地下水值特征计算得到。
剩余误差预测模块32,用于将上述第一地下水值特征以及上述第一物理模型计算值输入预先训练好的剩余误差预测模型中,输出剩余误差预测值。
地下水位计算模块33,用于根据上述第一物理模型计算值以及上述剩余误差预测值,确定上述待预测区域的地下水位预测值。
其中,上述数据获取模块31、上述剩余误差预测模块32以及上述地下水位计算模块33依次连接。
在其中的一种实施方式中,上述数据获取模块31还用于获取待预测区域地下水位观测值和第二物理模型计算值;上述第二物理模型计算值基于预设的第二地下水值特征计算得到。
在其中的一种实施方式中,上述剩余误差预测模块32还用于计算上述地下水位观测值以及上述第二物理模型计算值的剩余误差值;上述剩余误差预测模型通过下述方式训练得到:获取预设的训练数据集和验证数据集;上述训练数据集和上述验证数据集均包括上述剩余误差值对应的上述第二地下水值特征以及第二地下水值衍生特征;其中,上述第二地下水值衍生特征基于预设的特征衍生软件对上述第二地下水值特征进行衍生得到;根据上述训练数据集训练预设的初始模型组,直至满足预设的训练结束条件,得到训练好的待验证模型组以及上述待验证模型组对应的训练误差;其中,上述初始模型组包括多个初始模型;上述多个初始模型中每个初始模型均基于不同类型的树模型构建;根据上述验证数据集验证上述待验证模型组,直至满足预设的验证结束条件,得到验证后的中间模型组以及上述中间模型组对应的验证误差;根据上述训练误差和上述验证误差,从上述中间模型组中确定剩余误差预测模型。
在其中的一种实施方式中,上述剩余误差预测模块32还用于将上述第二物理模型计算值和上述地下水位观测值的差,确定为上述剩余误差值。
在其中的一种实施方式中,上述剩余误差预测模块32还用于在上述中间模型组中筛选上述训练误差和上述验证误差均满足预设要求的中间模型;根据上述满足预设要求的中间模型,确定剩余误差预测模型。
在其中的一种实施方式中,上述剩余误差预测模块32还用于基于预设的加权平均规则将上述中间模型进行加权处理,得到加权后的中间模型;根据上述加权后的中间模型,确定上述剩余误差预测模型。
在其中的一种实施方式中,上述数据获取模块31还用于将上述第一地下水值特征转化后输入预设的MODFLOW程序中,输出待预测区域地下水位的上述第一物理模型计算值。
在其中的一种实施方式中,上述地下水位计算模块33还用于将上述第一物理模型计算值和上述剩余误差预测值的和,确定为上述待预测区域的地下水位预测值。
本发明实施例提供的确定地下水位预测装置,与上述实施例提供的地下水位预测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施例4
本实施例提供了一种电子设备,包括处理器和存储器,该存储器存储有能够被该处理器执行的计算机可执行指令,该处理器执行该计算机可执行指令以实现确定地下水位预测方法的步骤。
参见图4所示的一种电子设备的结构示意图,该电子设备包括:存储器41、处理器42,存储器中存储有可在处理器42上运行的计算机程序,处理器执行计算机程序时实现上述地下水位预测方法提供的步骤。
如图4所示,该设备还包括:总线43和通信接口44,处理器42、通信接口44和存储器41通过总线43连接;处理器42用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,处理器42在接收到执行指令后,执行程序,前述本发明任一实施例揭示确定地下水位预测装置所执行的方法可以应用于处理器42中,或者由处理器42实现。处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器42读取存储器41中的信息,结合其硬件完成上述方法的步骤。
进一步地,本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器42调用和执行时,机器可执行指令促使处理器42实现上述确定地下水位预测方法。
本发明实施例提供的确定地下水位预测方法和地下水位预测装置具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
Claims (9)
1.一种地下水位预测方法,其特征在于,包括:
获取待预测区域的第一物理模型计算值;其中,所述第一物理模型计算值基于预设的第一地下水值特征计算得到;所述第一地下水值特征为预设的地下水位影响因素在各时空点的取值;所述地下水位影响因素包括:地貌类型、工业产值、农业产值、服务业产值、地区总产值、农作物类型、降水量、气温、蒸发量、蒸发系数、蒸发极限深度、植物蒸腾量、开采量、灌溉量、人口数量、地下水温、包气带岩性、包气带厚度、侧向补给量、开采层含水层岩性、开采层含水层厚度、开采层上一层地层岩性、开采层上一层地层厚度、开采层下一层地层厚度、给水度、孔隙度、有效孔隙率、开采井坐标、开采井滤网埋深、第一开采井距离最近的第二开采井之间的距离、开采井每天持续工作的时间、渗透系数、降水入渗系数、地表水性质、地表水水位、地表水水深、地表水水面宽度、地表水断面流量、地表水体下垫面岩性、地表水体下垫面渗透系数、地表水体流速和地表水体更新周期;
获取待预测区域的地下水位观测值和第二物理模型计算值;所述第二物理模型计算值基于预设的第二地下水值特征计算得到;
计算所述地下水位观测值以及所述第二物理模型计算值的剩余误差值;
获取预设的训练数据集和验证数据集;所述训练数据集和所述验证数据集均包括所述剩余误差值对应的所述第二地下水值特征以及第二地下水值衍生特征;其中,所述第二地下水值衍生特征基于预设的特征衍生软件对所述第二地下水值特征进行衍生得到;
根据所述训练数据集训练预设的初始模型组,直至满足预设的训练结束条件,得到训练好的待验证模型组以及所述待验证模型组对应的训练误差;其中,所述初始模型组包括多个初始模型;所述多个初始模型中每个初始模型均基于不同类型的树模型构建;
根据所述验证数据集验证所述待验证模型组,直至满足预设的验证结束条件,得到验证后的中间模型组以及所述中间模型组对应的验证误差;
根据所述训练误差和所述验证误差,从所述中间模型组中确定剩余误差预测模型;
将所述第一地下水值特征以及所述第一物理模型计算值输入所述剩余误差预测模型中,输出剩余误差预测值;
根据所述第一物理模型计算值以及所述剩余误差预测值,确定所述待预测区域的地下水位预测值。
2.根据权利要求1所述的地下水位预测方法,其特征在于,计算所述地下水位观测值以及所述第二物理模型计算值的剩余误差值的步骤,包括:
将所述第二物理模型计算值和所述地下水位观测值的差,确定为所述剩余误差值。
3.根据权利要求1所述的地下水位预测方法,其特征在于,所述多个初始模型的类型包括:XGBoost模型、LightGBM模型以及CatBoost模型。
4.根据权利要求1所述的地下水位预测方法,其特征在于,根据所述训练误差和所述验证误差,从所述中间模型组中确定剩余误差预测模型的步骤包括:
在所述中间模型组中筛选所述训练误差和所述验证误差均满足预设要求的中间模型;
根据所述满足预设要求的中间模型,确定剩余误差预测模型。
5.根据权利要求4所述的地下水位预测方法,其特征在于,根据所述满足预设要求的中间模型,确定剩余误差预测模型的步骤,包括:
基于预设的加权平均规则将所述中间模型进行加权处理,得到加权后的中间模型;
根据所述加权后的中间模型,确定所述剩余误差预测模型。
6.根据权利要求1所述的地下水位预测方法,其特征在于,计算待预测区域地下水位的第一物理模型计算值的步骤,包括:
将所述第一地下水值特征转化后输入预设的MODFLOW程序中,输出待预测区域地下水位的所述第一物理模型计算值。
7.根据权利要求1所述的地下水位预测方法,其特征在于,根据所述第一物理模型计算值以及所述剩余误差预测值,确定所述待预测区域的地下水位预测值的步骤,包括:
将所述第一物理模型计算值和所述剩余误差预测值的和,确定为所述待预测区域的地下水位预测值。
8.一种地下水位预测装置,其特征在于,包括:
数据获取模块,用于获取待预测区域的第一物理模型计算值;其中,所述第一物理模型计算值基于预设的第一地下水值特征计算得到;所述第一地下水值特征为预设的地下水位影响因素在各时空点的取值;所述地下水位影响因素包括:地貌类型、工业产值、农业产值、服务业产值、地区总产值、农作物类型、降水量、气温、蒸发量、蒸发系数、蒸发极限深度、植物蒸腾量、开采量、灌溉量、人口数量、地下水温、包气带岩性、包气带厚度、侧向补给量、开采层含水层岩性、开采层含水层厚度、开采层上一层地层岩性、开采层上一层地层厚度、开采层下一层地层厚度、给水度、孔隙度、有效孔隙率、开采井坐标、开采井滤网埋深、第一开采井距离最近的第二开采井之间的距离、开采井每天持续工作的时间、渗透系数、降水入渗系数、地表水性质、地表水水位、地表水水深、地表水水面宽度、地表水断面流量、地表水体下垫面岩性、地表水体下垫面渗透系数、地表水体流速和地表水体更新周期;
剩余误差预测模块,用于获取待预测区域的地下水位观测值和第二物理模型计算值;所述第二物理模型计算值基于预设的第二地下水值特征计算得到;计算所述地下水位观测值以及所述第二物理模型计算值的剩余误差值;获取预设的训练数据集和验证数据集;所述训练数据集和所述验证数据集均包括所述剩余误差值对应的所述第二地下水值特征以及第二地下水值衍生特征;其中,所述第二地下水值衍生特征基于预设的特征衍生软件对所述第二地下水值特征进行衍生得到;根据所述训练数据集训练预设的初始模型组,直至满足预设的训练结束条件,得到训练好的待验证模型组以及所述待验证模型组对应的训练误差;其中,所述初始模型组包括多个初始模型;所述多个初始模型中每个初始模型均基于不同类型的树模型构建;根据所述验证数据集验证所述待验证模型组,直至满足预设的验证结束条件,得到验证后的中间模型组以及所述中间模型组对应的验证误差;根据所述训练误差和所述验证误差,从所述中间模型组中确定剩余误差预测模型;将所述第一地下水值特征以及所述第一物理模型计算值输入所述剩余误差预测模型中,输出剩余误差预测值;
地下水位计算模块,用于根据所述第一物理模型计算值以及所述剩余误差预测值,确定所述待预测区域的地下水位预测值。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的地下水位预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211307870.4A CN115600749B (zh) | 2022-10-24 | 2022-10-24 | 地下水位预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211307870.4A CN115600749B (zh) | 2022-10-24 | 2022-10-24 | 地下水位预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600749A CN115600749A (zh) | 2023-01-13 |
CN115600749B true CN115600749B (zh) | 2023-07-18 |
Family
ID=84848220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211307870.4A Active CN115600749B (zh) | 2022-10-24 | 2022-10-24 | 地下水位预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600749B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401666B (zh) * | 2020-04-28 | 2021-07-27 | 中国水利水电科学研究院 | 一种利用预报误差开展上游水库群影响下径流预报的方法 |
CN112686481A (zh) * | 2021-03-22 | 2021-04-20 | 国能大渡河流域水电开发有限公司 | 一种径流量预报方法、处理器 |
-
2022
- 2022-10-24 CN CN202211307870.4A patent/CN115600749B/zh active Active
Non-Patent Citations (1)
Title |
---|
Water table depth forecasting in cranberry fields using two decision-treemodeling approaches;Jhemson Brédy et al.;《Elsevier》(第233期);第1-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115600749A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Data assimilation for distributed hydrological catchment modeling via ensemble Kalman filter | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
CN105825230B (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
Gan et al. | A systematic assessment and reduction of parametric uncertainties for a distributed hydrological model | |
CN114324780A (zh) | 大气污染物排放通量处理方法、存储介质以及计算机终端 | |
CN110852473B (zh) | 一种基于神经网络算法的陆地水储量预测方法及设备 | |
Kwon et al. | A spatial downscaling of soil moisture from rainfall, temperature, and AMSR2 using a Gaussian-mixture nonstationary hidden Markov model | |
KR101947753B1 (ko) | L-thia acn-wq 모델을 이용한 유역 오염부하량 평가 장치 및 그 방법 | |
Manfreda et al. | Exploiting the use of physical information for the calibration of a lumped hydrological model | |
CN115327662A (zh) | 一种基于统计学习的区域电离层tec预测方法 | |
Jamal et al. | Inflation method based on confidence intervals for data assimilation in soil hydrology using the ensemble Kalman filter | |
Varouchakis | Modeling of temporal groundwater level variations based on a Kalman filter adaptation algorithm with exogenous inputs | |
CN115600749B (zh) | 地下水位预测方法、装置及电子设备 | |
Ji et al. | Simulating and assessing the evolution of collapsing gullies based on cellular automata-Markov and landscape pattern metrics: a case study in Southern China | |
Leopold et al. | Accounting for change of support in spatial accuracy assessment of modelled soil mineral phosphorous concentration | |
KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
Yousuf et al. | Development and evaluation of GIS-based runoff and sediment yield watershed scale model | |
Zhou et al. | Regional assimilation of in situ observed soil moisture into the VIC model considering spatial variability | |
Lei et al. | Development of an AutoWEP distributed hydrological model and its application to the upstream catchment of the Miyun Reservoir | |
Gull et al. | Hydrological modeling for streamflow and sediment yield simulation using the SWAT model in a forest-dominated watershed of north-eastern Himalayas of Kashmir Valley, India | |
Haghnegahdar | An improved framework for watershed discretization and model calibration: Application to the Great Lakes Basin | |
Saranya et al. | A comparative evaluation of streamflow prediction using the SWAT and NNAR models in the Meenachil River Basin of Central Kerala, India | |
CN104331836A (zh) | 农作物决策支持方法和装置 | |
CN110837913B (zh) | 一种基于极端梯度算法的陆地水储量预测方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |