基于增强型数据集和GRU网络的地下水位模拟预测方法技术

本发明专利技术提供了一种基于增强型数据集和GRU网络的地下水位模拟预测方法，包括：构建全局迁移学习的GRU模型；判断全局迁移学习的GRU模型是否达到第一精度要求，若否，则对全局迁移学习的GRU模型进行优化调参，直至全局迁移学习的GRU模型达到第一精度要求；利用全局迁移学习的GRU模型对待测区域进行全局地下水位预测；构建模型包括：构建增强型数据集；基于增强型数据集构建局部学习的GRU模型；判断局部学习的GRU模型是否满足第二精度要求，若否，则对局部学习的GRU模型进行调整，直至模型达到第二精度要求；基于局部学习的GRU模型，利用迁移学习方法构建全局迁移学习的GRU模型。本发明专利技术解决了现有技术中对大区域地下水模拟预测困难，预测精度低下的问题。预测精度低下的问题。预测精度低下的问题。

【技术实现步骤摘要】
基于增强型数据集和GRU网络的地下水位模拟预测方法


[0001]本专利技术涉及地下水位预测
，特别是涉及一种基于增强型数据集和GRU网络的地下水位模拟预测方法。

技术介绍

[0002]目前对地下水位变化信息的获取主要来源为监测井长期观测数据和模型模拟预测数据。监测井网的建立和维护成本高，且受地区实际工程和水文地质条件的限制。而模拟方法可以更加灵活有效的对地下水位进行研究分析。传统的模拟方法是根据地下水动力学原理建立地下水流系统的数值模型，该方法首先需要建模人员具有较强的专业背景，且对资料的完整程度依赖性较大。此外，数值模型的计算能力相对有限，处理高维高精度问题时难以快速收敛。上述问题导致数值模型在水文地质条件复杂地区和数据稀疏的大区域尺度上计算误差偏大。
[0003]近年来，水文地质研究中尤其对复杂含水层和大区域尺度地下水位预测分析的需求不断增加，因此利用数值模型通过概化方式精确预测计算地下水位的技术成本和时间成本越来越高，实现困难程度不断提升。随着计算机计算能力的增强和大数据算法的不断优化，数据驱动的机器学习方法逐渐进入水文地质研究领域。从单一学习器的逻辑回归、支持向量机和神经网络模型，发展至以随机森林为代表的集成学习模型，至今深度学习模型也已得到应用。机器学习模型能够充分挖掘数据间的信息，减少人为概念化影响。目前机器学习模型用于大区域地下水为模拟预测时最大的问题在于使用小样本数据的无法提取深层次数据特征和对时序特征的充分抽取利用，最终将无法保证模型的模拟精度。综上，现有技术存在对大区域地下水模拟预测困难，预测精度低下。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术的目的是提供一种基于增强型数据集和GRU网络的地下水位模拟预测方法。本专利技术解决了现有技术中对大区域地下水模拟预测困难，预测精度低下的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于增强型数据集和GRU网络的地下水位模拟预测方法，包括：
[0007]构建全局迁移学习的GRU模型；
[0008]判断所述全局迁移学习的GRU模型是否达到第一精度要求，若否，则对所述全局迁移学习的GRU模型进行优化调参，直至所述全局迁移学习的GRU模型达到第一精度要求；
[0009]利用所述全局迁移学习的GRU模型对待测区域进行全局地下水位预测；
[0010]所述构建全局迁移学习的GRU模型包括：
[0011]构建增强型数据集；
[0012]基于所述增强型数据集构建局部学习的GRU模型；
[0013]判断所述局部学习的GRU模型是否满足第二精度要求，若否，则对所述局部学习的
GRU模型进行调整，直至所述局部学习的GRU模型达到第二精度要求；
[0014]基于所述局部学习的GRU模型，利用迁移学习方法构建全局迁移学习的GRU模型。
[0015]优选地，所述构建增强型数据集包括：
[0016]获取实测数据样本；
[0017]构建局部地下水流动力学模型；
[0018]判断所述局部地下水流动力学模型是否满足第三精度要求，若否，则对所述局部地下水流动力学模型进行调整，直至所述局部地下水流动力学模型满足所述第三精度要求；
[0019]基于所述实测数据样本，利用所述局部地下水流动力学模型获得地下水位模拟数据和离散型特征数据；
[0020]根据所述实测数据样本、地下水位模拟数据和离散型特征数据构建所述增强型数据集。
[0021]优选地，所述获取实测数据样本包括：
[0022]获取多源数据，并对所述多源数据进行清洗和筛选，其中，所述获取多源数据包括：研究区的气象数据、人类活动数据、水文地质条件数据和地下水位数据；
[0023]对筛选后的数据进行标准化处理得到规范化数据；
[0024]基于特征重要度分析特征变量与地下水水位之间的关系，利用随机森林模型对所述规范化数据进行数据规约处理，得到实测数据样本。
[0025]优选地，对筛选后的数据进行标准化处理表达式为：
[0026]其中，X
i
为某一用于地下水位预测的特征变量，为标准化处理后的特征变量，E(X)为该特征变量的期望，SD(X)为该特征变量的标准差。
[0027]优选地，所述实测数据包括：
[0028]降水量、蒸发强度、开采强度、河水位或流量、给水度、渗透系数、地表高程、坡度和地下水位。
[0029]优选地，所述对所述多源数据进行清洗和筛选包括：
[0030]利用袋外数据误差对多源数据集进行筛选。
[0031]优选地，所述利用所述局部地下水流动力学模型获得地下水位模拟数据和离散型特征数据包括：
[0032]根据研究区局部地质和水文地质条件建立地下水流系统的概念模型；
[0033]将建立的概念模型和实测数据进行时空离散后代入局部地下水流动力学模型，进行迭代计算，得到地下水位模拟数据和离散型特征数据。
[0034]优选地，所述局部地下水流动力学模型的表达式为：
[0035][0036]其中，Ω为渗流区域；h为地下水系统的水位标高；K为含水介质的水平渗透系数；K
z
为含水介质垂向渗透系数；ε为含水层的源汇项；h0为系统的初始水位分布；S为自由面以下含水层储水率；Γ0为渗流区域的上边界，即地下水的自由表面；μ为潜水含水层在潜水面上的重力给水度；p为潜水面的蒸发和降水入渗强度等；Γ1为已知水位边界；h1为已知边界水位值；Γ2为渗流区域的流量边界；K
n
为边界面法线方向的渗透系数，n为边界面的法线方向；q为Γ2边界的单位面积上的流量，流入为正，流出为负，隔水边界为0。。
[0037]优选地，所述增强型数据集的表达式为：
[0038]其中，为增强型数据样本，为标准化处理后的实测数据样本集合，为地下水流动力学模型模型模拟数据。
[0039]优选地，所述基于所述局部学习的GRU模型，利用迁移学习方法构建全局迁移学习的GRU模型包括：
[0040]保留局部GRU神经网络模型全连接层前的结构，将全连接层进行替换；
[0041]用随机权重初始化局部GRU神经网络模型权，得到第一GRU神经网络模型；
[0042]基于迁移学习方法，对所述第一GRU神经网络模型进行训练，得到全局迁移学习的GRU模型。
[0043]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0044]本专利技术提供了一种基于增强型数据集和GRU网络的地下水位模拟预测方法，本专利技术基于构建增强型数据集，利用增强型数据集构建全局迁移学习的GRU模型，本专利技术在保证精度的前提下扩充了实测样本数据，提高了对时序特征信息的挖掘能力且在提升效率的同时能够保证对大尺度复杂水文地质条件的地下水位的模拟预测精度。
附图说明
[0045]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增强型数据集和GRU网络的地下水位模拟预测方法，其特征在于，包括：构建全局迁移学习的GRU模型；判断所述全局迁移学习的GRU模型是否达到第一精度要求，若否，则对所述全局迁移学习的GRU模型进行优化调参，直至所述全局迁移学习的GRU模型达到第一精度要求；利用所述全局迁移学习的GRU模型对待测区域进行全局地下水位预测；所述构建全局迁移学习的GRU模型包括：构建增强型数据集；基于所述增强型数据集构建局部学习的GRU模型；判断所述局部学习的GRU模型是否满足第二精度要求，若否，则对所述局部学习的GRU模型进行调整，直至所述局部学习的GRU模型达到第二精度要求；基于所述局部学习的GRU模型，利用迁移学习方法构建全局迁移学习的GRU模型。2.根据权利要求1所述的一种基于增强型数据集和GRU网络的地下水位模拟预测方法，其特征在于，所述构建增强型数据集包括：获取实测数据样本；构建局部地下水流动力学模型；判断所述局部地下水流动力学模型是否满足第三精度要求，若否，则对所述局部地下水流动力学模型进行调整，直至所述局部地下水流动力学模型满足所述第三精度要求；基于所述实测数据样本，利用所述局部地下水流动力学模型获得地下水位模拟数据和离散型特征数据；根据所述实测数据样本、地下水位模拟数据和离散型特征数据构建所述增强型数据集。3.根据权利要求2所述的一种基于增强型数据集和GRU网络的地下水位模拟预测方法，其特征在于，所述获取实测数据样本包括：获取多源数据，并对所述多源数据进行清洗和筛选，其中，所述获取多源数据包括：研究区的气象数据、人类活动数据、水文地质条件数据和地下水位数据；对筛选后的数据进行标准化处理得到规范化数据；基于特征重要度分析特征变量与地下水水位之间的关系，利用随机森林模型对所述规范化数据进行数据规约处理，得到实测数据样本。4.根据权利要求3所述的一种基于增强型数据集和GRU网络的地下水位模拟预测方法，其特征在于，对筛选后的数据进行标准化处理表达式为：其中，X
i
为某一用于地下水位预测的特征变量，为标准化处理后的特征变量，E(X)为该特征变量的期望，SD(X)为该特征变量的标准差。5.根据权利要求3所述的一种基于增强型数据集和GRU网络的地下水位模拟预测方法，其特征在于，...

【专利技术属性】
技术研发人员：曹文庚，南天，潘登，王哲，高媛媛，付宇，
申请(专利权)人：河南省自然资源监测和国土整治院，
类型：发明
国别省市：