基于SSA-RBF神经网络模型在岩溶地下水位预测中的研究

以武汉地区岩溶地下水位精准预测为研究对象,建立了基于奇异谱分析方法(SSA)改进的RBF神经网络时间序列预测模型:首先利用SSA对地下水位实时监测数据进行去噪处理提取水位变化趋势,再利用径向基(RBF)神经网络时间序列模型对去噪后的数据进行预测。选取2020-2021年武汉地区的岩溶水位数据进行处理分析,结果表明:①基于SSA改进的RBF神经网络模型较单独使用RBF神经网络模型预测精度提高了50%;②SSA-RBF神经网络预测模型在岩溶地下水位的预测方面表现良好,对未来24小时岩溶地下水位的预测误差最大不大于0.2 m,预测精度达到99%以上。

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解(EMD)将趵突泉岩溶地下水水位分解为5个分量(4个本征模函数项和1个残余项),以此消除水位数据的非平稳波动性;同时构建长短期记忆(LSTM)神经网络模型,并将与地下水水位动态变化密切相关的降水量(表征含水层补给项)和月平均气温值、月最高气温值、月最低气温值、水汽压值(表征含水层排泄项)作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明:EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。