刘 鑫,韩宇平,刘中培,黄会平
(1.华北水利水电大学 水利学院,河南 郑州450046;2.华北水利水电大学 测绘与地理信息学院,河南 郑州450046)
地下水埋深的变化受降雨、蒸发及开采量等多种因素的影响。地下水过度开采时,会产生地下水漏斗和地面沉降;当补给量超过开采量时,地下水埋深会变浅。因此,预测地下水埋深的变化情况对区域水资源管理至关重要。而机理模型建模预测地下水埋深容易受到物理环境的影响,存在较多不确定因素,建模时间较长。使用深度学习模型可以不依赖任何物理过程和假设,且深度学习模型具有很强的自组织及自适应能力,对于非线性分布的样本数据有很好的建模能力[1-2],被广泛应用于供水量预测[3]、空间插值[4-5]、降水预报[6-7]、污染源识别[8-9]及水质预测[10-11]等多个领域。
对于地下水埋深的预测是经典的二分类问题,人工神经网络(ANN)可以较好地解决此类问题[12-13],但是ANN学习能力及推广能力有限,容易出现过拟合[14-15],导致泛化能力差,不能很好地描述复杂特征的分布情况,更重要的是ANN没有记忆能力。而长短时记忆循环神经网络(LSTM)[16]控制有记忆单元且不需要大量参数,使预测结果更依赖于过去最近的记忆。LSTM在时间序列问题上的性能优于ANN,但是LSTM在测试集的泛化能力不够理想。LSTM和ANN不能很好地根据已知数据预测未知特征,原因是它们都是单向的(前向的)且都是全连接神经网络(FC)。单向网络只能学习到单侧的信息,而有时时序问题的信息不只是单向有用,双向的信息对预测结果也很关键。……