一种地下水开采过度预警方法与系统

摘要

本发明提供了一种地下水开采过度预警方法与系统，本发明通过选取地下水水位相关的多个影响因子，并通过LSTM神经网络模型进行训练，通过LSTM模型的遗忘门、输入门以及输出门对训练过程中的参数权重进行控制，根据确定后的参数权重获得预测数据集，从而对地下水水位进行预测，当预测值达到地下水水位报警阈值时进行报警，从而实现地下水开采过度预警，本发明由于选取多影响因子，相比传统单变量预测，可大大提高预警精度。

说明书

技术领域

本发明涉及地下水技术领域，特别是涉及一种地下水开采过度预警方法与系统。

背景技术

地下水位作为地下水资源管理的重要依据，对地下水资源的合理开发以及可持续利用有着重要意义，但由于一系列的自然条件与人为活动的影响，地下水水位在时间线上呈现高度的滞后性。传统的地下水开采的预警方法往往采用简单的线性函数描述其动态变化特征，单纯采用地下水水位进行模型构建，忽略了外部条件的影响，结果往往不尽如人意。

发明内容

本发明的目的是提供一种地下水开采过度预警方法与系统，旨在解决现有技术中地下水开采预警模型局限于单一影响因子的问题，实现通过多个影响因素对地下水开采进行预警，提高预警精度。

为达到上述技术目的，本发明提供了一种地下水开采过度预警方法，所述方法包括以下操作：

选取地下水相关的多影响因子数据，进行标准化处理；

将标准化数据划分训练集与预测集，对训练集进行分割并输入隐含层，通过LSTM神经网络模型进行训练，并获取理论输出与实际输出结果；

根据隐含层的理论输出与实际输出确定参数权重，获得预测时序集；

根据预测时序集中的值与提前设置的地下水水位报警阈值进行比较，当达到阈值时进行地下水开采过度预警。

优选地，所述多影响因子数据包括地下水水位观测数据、开采量数据、降雨量、蒸发量、气温、日照气象数据。

优选地，所述标准化处理具体为：

式中，x

优选地，所述根据隐含层的理论输出与实际输出确定参数权重具体为：

式中，y

本发明还提供了一种地下水开采过度预警系统，所述系统包括：

数据选取模块，用于选取地下水相关的多影响因子数据，进行标准化处理；

隐含层输出模块，用于将标准化数据划分训练集与预测集，对训练集进行分割并输入隐含层，通过LSTM神经网络模型进行训练，并获取理论输出与实际输出结果；

预测集获取模块，用于根据隐含层的理论输出与实际输出确定参数权重，获得预测时序集；

阈值比对模块，用于根据预测时序集中的值与提前设置的地下水水位报警阈值进行比较，当达到阈值时进行地下水开采过度预警。

优选地，所述多影响因子数据包括地下水水位观测数据、开采量数据、降雨量、蒸发量、气温、日照气象数据。

优选地，所述标准化处理具体为：

式中，x

优选地，所述根据隐含层的理论输出与实际输出确定参数权重具体为：

式中，y

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

与现有技术相比，本发明通过选取地下水水位相关的多个影响因子，并通过LSTM神经网络模型进行训练，通过LSTM模型的遗忘门、输入门以及输出门对训练过程中的参数权重进行控制，根据确定后的参数权重获得预测数据集，从而对地下水水位进行预测，当预测值达到地下水水位报警阈值时进行报警，从而实现地下水开采过度预警，本发明由于选取多影响因子，相比传统单变量预测，可大大提高预警精度。

附图说明

图1为本发明实施例中所提供的一种地下水开采过度预警方法流程图；

图2为本发明实施例中所提供的一种地下水开采过度预警系统框图。

具体实施方式

为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

下面结合附图对本发明实施例所提供的一种地下水开采过度预警方法与系统进行详细说明。

如图1所示，本发明实施例公开了一种地下水开采过度预警方法，所述方法包括以下操作：

选取地下水相关的多影响因子数据，进行标准化处理；

将标准化数据划分训练集与预测集，对训练集进行分割并输入隐含层，通过LSTM神经网络模型进行训练，并获取理论输出与实际输出结果；

根据隐含层的理论输出与实际输出确定参数权重，获得预测时序集；

根据预测时序集中的值与提前设置的地下水水位报警阈值进行比较，当达到阈值时进行地下水开采过度预警。

本发明实施例采用神经网络模型对地下水开采进行预警，选取地下水相关的多影响因子，同时对多影响因子进行组合调整，确保预警精度。

选取近年一段时间内地下水相关的多影响因子数据，包括地下水水位观测数据、开采量数据、降雨量、蒸发量、气温、日照等气象数据，用数据集表示为：

F

式中，x

为提高预警精度，加快神经网络模型的收敛速度，对原始时序变量进行标准化处理，如下：

式中，x

对于标准化处理后的数据，通过多影响因子神经网络模型进行训练。在输入层对原始数据集进行分割处理，隐含层通过LSTM单元结构进行权重更新，在输出层输出预测结果以及反标准化处理，验证误差。

对标准化处理后的数据划分训练集与测试集，分别表示如下：

F

F

对训练集进行分割，设置分割窗口长度L，则输入隐含层的数据集为：

X＝{X

X

式中，X为输入到隐含层L个单元的数据集。

隐含层的理论输出为：

Y＝{Y

Y

隐含层的实际输出为：

P＝{P

P

式中，c

训练过程中将均方误差作为损失计算公式，如下：

式中，y

设定预测次数s，在输入LSTM网络模型进行训练后输出结果：

将n+1时刻的变量输入模型中，得到P

P

对P

设置地下水水位预警阈值，当预测值达到预警阈值时，进行地下水开发过度报警。

本发明实施例通过选取地下水水位相关的多个影响因子，并通过LSTM神经网络模型进行训练，通过LSTM模型的遗忘门、输入门以及输出门对训练过程中的参数权重进行控制，根据确定后的参数权重获得预测数据集，从而对地下水水位进行预测，当预测值达到地下水水位报警阈值时进行报警，从而实现地下水开采过度预警，本发明由于选取多影响因子，相比传统单变量预测，可大大提高预警精度。

如图2所示，本发明实施例还公开了一种地下水开采过度预警系统，所述系统包括：

数据选取模块，用于选取地下水相关的多影响因子数据，进行标准化处理；

隐含层输出模块，用于将标准化数据划分训练集与预测集，对训练集进行分割并输入隐含层，通过LSTM神经网络模型进行训练，并获取理论输出与实际输出结果；

预测集获取模块，用于根据隐含层的理论输出与实际输出确定参数权重，获得预测时序集；

阈值比对模块，用于根据预测时序集中的值与提前设置的地下水水位报警阈值进行比较，当达到阈值时进行地下水开采过度预警。

选取近年一段时间内地下水相关的多影响因子数据，包括地下水水位观测数据、开采量数据、降雨量、蒸发量、气温、日照等气象数据，用数据集表示为：

F

式中，x

为提高预警精度，加快神经网络模型的收敛速度，对原始时序变量进行标准化处理，如下：

式中，x

对于标准化处理后的数据，通过多影响因子神经网络模型进行训练。在输入层对原始数据集进行分割处理，隐含层通过LSTM单元结构进行权重更新，在输出层输出预测结果以及反标准化处理，验证误差。

对标准化处理后的数据划分训练集与测试集，分别表示如下：

F

F

对训练集进行分割，设置分割窗口长度L，则输入隐含层的数据集为：

X＝{X

X

式中，X为输入到隐含层L个单元的数据集。

隐含层的理论输出为：

Y＝{Y

Y

隐含层的实际输出为：

P＝{P

P

式中，c

训练过程中将均方误差作为损失计算公式，如下：

式中，y

设定预测次数s，在输入LSTM网络模型进行训练后输出结果：

将n+1时刻的变量输入模型中，得到P

P

对P

设置地下水水位预警阈值，当预测值达到预警阈值时，进行地下水开发过度报警。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。