一种基于多特征图网络的地下水位高度预测方法及系统技术方案

本发明专利技术公开了一种基于多特征图网络的地下水位高度预测方法及系统，该方法包括：选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，构建各节点的特征向量；基于特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；基于上述信息构建图结构数据集；对GCN进行改进，得到地下水位预测模型；并基于图结构数据集对地下水位预测模型进行训练；基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。本发明专利技术能够实现对未知位置的地下水位高效、精准的预测。测。测。

【技术实现步骤摘要】
一种基于多特征图网络的地下水位高度预测方法及系统


[0001]本专利技术涉及水文地理智能决策
，特别涉及一种基于多特征图网络的地下水位高度预测方法及系统。

技术介绍

[0002]地表水和地下水资源是复杂生态水循环系统中的重要组成部分。水资源系统内的主要水源为大气水、地表水和地下水，以及从系统外调入的水。各类水源一定条件下相互转化。如降雨入渗和灌溉可以补充土壤水，土壤水饱和后继续下渗形成地下水。其中，对于灌溉型农业区域，长期河道开口引水灌溉、大水漫灌排水不畅致使地下水位居高不下，加之灌溉型农业区地表蒸发通常较为强烈，导致土壤盐渍化程度加深，生态环境逐渐恶化。随着地表水资源逐渐稀缺，河道径流量大大减少，灌溉引水量也逐年减少，已经不能满足当前农业灌溉的需求，对农业发展受到很大程度的制约。
[0003]地表水与地下水之间的转化关系非常复杂，地下水位的变化既受地表灌溉量的影响，又与地形地貌情况相关。研究不同空间地理位置地表水与地下水的补排关系，能够有效的缓解水资源不合理利用引起的土壤盐渍化问题，为农业生产提供精准的指导。现有的研究主要采用水文地质专业知识来研究地表水与地下水之间的演化关系，通过建立传统水文地质模型与数学模型，来模拟系统内水资源的调度过程。这种方法尽管有较强的理论依据，但是对于复杂的水资源系统来说，不能从数据角度分析水资源精准演化。
[0004]因此，需要一种综合考虑数据特征和原理特征的智能化解决方案。

技术实现思路

[0005]本专利技术提供了一种基于多特征图网络的地下水位高度预测方法及系统，以解决现有地表水与地下水动态演化过程中缺乏定量、精准性的技术问题。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：
[0007]一方面，本专利技术提供了一种基于多特征图网络的地下水位高度预测方法，所述基于多特征图网络的地下水位高度预测方法包括：
[0008]选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
[0009]基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
[0010]以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
[0011]对图卷积网络(Graph Convolutional Network，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集对所述地下水位预测模型进行训练；
[0012]基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
[0013]进一步地，所述特征信息包括地表水资源信息和地理空间信息；
[0014]所述地表水资源信息包括节点所在区域的预设周期内的灌溉量、排水量，以及降水总量；所述地理空间信息包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP，以及节点与支渠距离。
[0015]进一步地，基于所述特征信息分别构建各节点的特征向量，包括：
[0016]对所述特征信息进行向量化处理，得到各节点的特征向量；其中，对所述特征信息进行向量化处理的方式为one
‑
hot编码与归一化，对于非量化信息先进行one
‑
hot编码，再进行归一化处理，对于量化信息，则直接进行归一化处理。
[0017]进一步地，基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，包括：
[0018]计算所有节点的特征向量之间的余弦相似度、皮尔森相关系数和欧氏距离；
[0019]构建所有节点单向连通关系图，保留满足预设条件的连通边，将不满足预设条件的连通边对应的节点视为无联通关系；其中，所述预设条件为同时满足特征向量间的余弦相似度大于0.7，皮尔森相关系数大于0.8，欧氏距离小于1；
[0020]统计筛选后保留的连通关系，得到用于描述节点连通性的边结构信息。
[0021]进一步地，深度区间类别包括0
‑
1m、1
‑
2m、2
‑
3m、3
‑
4m、4
‑
5m及5m以上。
[0022]进一步地，对GCN进行改进，包括：
[0023]在GCN网络的第一层和最后一层图卷积操作中加入权重矩阵，具体实现为：空间节点在聚合邻居节点特征阶段引入边连接权重作为聚合系数。
[0024]进一步地，对GCN进行改进，还包括：
[0025]在GCN网络的第一个图卷积层之后加入图注意力卷积模块，所述图注意力卷积模块的输入特征为第一层图卷积操作聚合邻居节点后输出的特征，所述图注意力卷积模块的输出特征为自动学习并更新节点与其邻居节点权重后的聚合特征；在获得所述图注意力卷积模块的特征输出后，与第一个图卷积层的输出特征进行融合，将融合后的特征输入最后一个图卷积层。
[0026]进一步地，在实现对空间位置的地下水位的预测之后，所述方法还包括：
[0027]对地下水位预测模型的预测结果进行有效性评估。
[0028]进一步地，所述对地下水位预测模型的预测结果进行有效性评估，包括：
[0029]比较预测结果与真实结果的类别，通过预测准确率来评估模型的有效性。
[0030]另一方面，本专利技术还提供了一种基于多特征图网络的地下水位高度预测系统，所述基于多特征图网络的地下水位高度预测系统包括：
[0031]图结构数据集构建模块，用于：
[0032]选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
[0033]基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
[0034]以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
[0035]地下水高度预测模型构建及训练模块，用于对图卷积网络(Graph Convolutional Network，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集构建模块构建
的图结构数据集对所述地下水位预测模型进行训练；
[0036]地下水高度预测模块，用于基于所述地下水高度预测模型构建及训练模块训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
[0037]再一方面，本专利技术还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0038]又一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征图网络的地下水位高度预测方法，其特征在于，包括：选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；对图卷积网络(Graph Convolutional Network，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集对所述地下水位预测模型进行训练；基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。2.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，所述特征信息包括地表水资源信息和地理空间信息；所述地表水资源信息包括节点所在区域的预设周期内的灌溉量、排水量，以及降水总量；所述地理空间信息包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP，以及节点与支渠距离。3.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，基于所述特征信息分别构建各节点的特征向量，包括：对所述特征信息进行向量化处理，得到各节点的特征向量；其中，对所述特征信息进行向量化处理的方式为one
‑
hot编码与归一化，对于非量化信息先进行one
‑
hot编码，再进行归一化处理，对于量化信息，则直接进行归一化处理。4.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，包括：计算所有节点的特征向量之间的余弦相似度、皮尔森相关系数和欧氏距离；构建所有节点单向连通关系图，保留满足预设条件的连通边，将不满足预设条件的连通边对应的节点视为无联通关系；其中，所述预设条件为同时满足特征向量间的余弦相似度大于0.7，皮尔森相关系数大于0.8，欧氏距离小于1；统计筛选后保留的连通关系，得到用于描述节点连通性的边结构信息。5.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，所述深度区间类别包括0
‑
1m、1
‑
2m、2
‑
3m、...

【专利技术属性】
技术研发人员：阿孜古丽，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：