基于深度学习的岩溶区地下水集中排泄点污染预测方法技术

本发明专利技术公开了基于深度学习的岩溶区地下水集中排泄点污染预测方法，其包括：S1、获取目标区域三个月以上时间内每小时降水量、排泄点流量及污染物浓度数据作为样本数据；S2、对采集的样本数据进行缺失值检查填充，然后对数据进行归一化处理；S3、将数据拆分为训练集和测试集；S4、搭建LSTM神经网络，使用Grid Search进行超参数调整；S5、对数据进行逆归一化，用测试集测试数据，以RMSE和MAE函数评估模型；S6、利用构建的LSTM模型，基于当前一时间范围的降雨量预测未来一时间范围的排泄点流量和污染物浓度。本方法可以实现岩溶污染区地下水集中排泄点污染指数的预测，能对地下水排泄点的时序数据进行有效预测。

【技术实现步骤摘要】

本专利技术涉及地下水污染管理预测，特别涉及地下水排泄点污染预测方法。

技术介绍

1、岩溶区存在大量的地下空洞区，其地下水系发达且结构复杂，地下水系连通地面的表征位置一般为地下水集中排泄点，集中排泄点的流量等参数受到降雨量和地质结构的影响，且变化性较高。当地下水发生污染时，地面表征为在排泄点可采集到污染水样，根据对排泄点的采样和检测，可得出地下水集中排泄点的污染指数(包括流量和污染物浓度)。但是，污染指数是动态化数据，采样和检测仅能够获得当前的污染指数数据，因采样、检测和数据传递需要耗费时间，因此管理者获得的数据具有滞后性，不利于进行预测式的污染管理。

2、相关现有技术中，有可用于预测地下水流量的数值模拟预测方案，但目前对于应用于排泄点流量预测和排泄点污染物浓度的预测较少，因此本专利技术聚焦于岩溶区的地下水集中排泄点的污染指数(包括流量和污染物浓度)，以能够为污染管理提供地下水集中排泄点污染预测数据。

技术实现思路

1、本专利技术的目的在于提供基于深度学习的岩溶区地下水集中排泄点污染预测方法，能够对本文档来自技高网...

【技术保护点】

1.基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，S2中，缺失的排泄点流量和污染物浓度以前一小时的值填充。

3.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，S2中，归一化处理采用Min-Max归一化方法，将数据缩放到[min，max]范围内，包括

4.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，S3中，使用python的split函数进行数据集拆分，拆分为训练集和测试集...

【技术特征摘要】

1.基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，s2中，缺失的排泄点流量和污染物浓度以前一小时的值填充。

3.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，s2中，归一化处理采用min-max归一化方法，将数据缩放到[min，max]范围内，包括

4.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，s3中，使用python的split函数进行数据集拆分，拆分为训练集和测试集，且训练集的数据量占数据总量的70％-80％。

5.根据权利要求1所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，s4中，基于训练集数据使用grid search进行超参数调整包括：

6.根据权利要求5所述的基于深度学习的岩溶区地下水集中排泄点污染预测方法，其特征在于，s4中，超参数包...

【专利技术属性】
技术研发人员：江峰，吴起鑫，李强，孙国涛，王若帆，周亚男，穆照猛，
申请(专利权)人：贵州大学，
类型：发明
国别省市：