人工神经网络在地下水资源预测中的应用研究

1、一、简介二、ANN模型研究进展及原理三、地下水资源系统ANN模型的建立四、结论和建议 地下水资源系统各部分之间具有复杂的非线性关系，因此不可能用简单的线性函数加以确定性描述;同事，由于含水系统的空间变异，实际研究过程中会出现数据多变性、所需数据的不完整性以及系统参数的不确定性，一些精确的研究方法在描述地下水系统非线性关系时常会陷入多种困境中。 地下水资源数值方法，能够描述形状不规则的区域及含水层非均质、各向异性和复杂的边界条件，可以处理河流入渗、大气降水补给、各种抽水、排水、溶质交换和蒸发在时空分布上的变化，从而解决其他计算方法不易解决的复杂问题，具有较强的优势，随着计算机的普及，数值法已经成

2、为地下水资源评价中的主要方法之一。 但是，作为分布参数模型的数值法对数据资料在数量和精度上都有较高的要求，以对研究区含水层系统进行准确合理的概化和建模、计算和评价。鉴于地下水系统影响因素如此复杂，有时对某些研究区域的研究程度不能满足分布参数模型的计算要求，而更适于从系统的观点出发，将它们看做一个整体，应用系统理论建立集中参数模型，从整体上加以分析，研究和解决问题，Artificial Neural Network（ANN）模型就是其中一种。 ANN模型产生于1943年，其独特的结构和信息处理方法，在许多专业实际应用领域取中取得了显著成效，并被证明运算速度和精度在一定程度上优于同类其他方法，同时

3、具有适应能力强等优点，是一种行之有效的数据处理和分析方法。进入80年代已去得了一系列突破性的进展，它的最大优点在意并不需要对所研究对象了如指掌，在对已有数据合理分析的基础之上，对输入数据进行快速并行处理。 具有很强的自适应、自学习、容错和抗干扰能力，善于联想、概括和推理，找出事物之间隐藏的复杂规律。 采用误差反向传播算法的BP神经网络模型是最常用的ANN模型，它由一个输入层X，n个隐层，一个输出层Y组成，相邻层节点由权值连接，层间激励函数一般取为西格蒙德函数，信息由X向Y层流动，期望输出与实际输出之间的误差按照梯度下降原理由输出层向输入层反向传播，调整权值，满足误差精度要求得到的最终权值矩阵即

4、可作为评价因子 对系统进行识别、分析。理论已经证明，以西格蒙德函数作为激励函数的三层BP神经网络可以对任意多元函数进行逼近，实现任意有界多元函数的映射关系。一、地下水水位动态ANN模拟模型 建立研究区内地下水水位动态7个主要影响因子与区内25个观测孔丰水期水位年变幅之间的3层BPANN模型，通过模型学习，进行系统参数识别。这些观测孔尽量沿漏斗轴向选取，同时考虑全区，以便控制整个流场。二、降水量、蒸发量预测ANN模型 在进行地下水资源预报之前，首先需要生成区内未来年份的气象系列-降水量P和蒸发量E时间序列，传统的时间序列分析采用AR(p)、MA(q)、或ARMA(p、q)建立动态模型进行预测。如

5、AR(p)模型一般为常系数线性自回归模型，由下式表达：其中kC(k=1,2,p) 为常系数，体现了变量相互之间量的关系。 由于三层BP网络具有逼近任何复杂非线性函数的能力，因此，采用ANN来进行降水量和蒸发量的模拟和与预测，也就是据已有的观测数据，合理选择样本，将一定量相邻的M个值映射为后继的N个值，建立非线性自回归模型。气象因素一般具有11年左右的周期性，预测中，采用12对1（单步预测）的输入与输出映射关系，以包含整个的时间段，从而实现在不对时间序列进行任何成分提取的情况下，建立数据之间的内在联系，并能够预测未来。 蒸发量和降水量的模拟预测模型相同，在此仅以降水量为例，其模型结构为：其中是输

6、入降水量序列，为自变量的非线性函数，由网络权值和阀值来表示。附：计算流程图三、地下水位开采现状动态ANN预测模型 保持地下水开采现状，预测研究区1993-2002年流场变化。根据已建水位动态模型，依据模拟模型识别因子和由时间序列BPANN模型得到的预测年份气象变量，在现状开采条件下，从1993年开始预测10年，对预测年输入量作正演计算。到2002年，区内地下水水位年均下降0.10.6m/a不等，西部漏斗中心水位下降35m；东部漏斗区水位埋深由1990年的2023.5m下降至2527.5m。四、开采量调配ANN决策模型 保持区域水位降深在一定范围内，预测评价研究区19932002年可采地下水资源

7、量，实现市政水源、工业自备井开采量的宏观优化。为缓解区域降落漏斗扩展的趋势，在满足市政供水的情况下，建立以压缩工业自备井开采量为出发点的开采模式调整模型。选取漏斗区观测点作为调整年水位缓慢回升点，其他点为水位基本稳定点，以1992年水位值为水位降深上线，合理调整3Q(Qs Qn Q1)的值，计算出调配开采量，根据经济增长需求情况下各部门需水量，推算计划需水量及宏观缺水量。附：开采量调整示意图 通过建模方法的研究，尝试了ANN技术在水资源系统中进行时序预测、动态模拟、预测方面的应用，同时对市政开采和工业自备井开采量进行宏观优化，取得满意效果，为水资源后续评价、管理及井网调整提供了有意义的参考。人工神经网络的良好非线性映射功能、信息大规模并行处理及自学能力已经为建立地下水系统非线性预测和管理模型提供了一条新的途径，将具有较好的发展前景。在实际模型的研制和调制过程中也遇到一些问题，有待进一步探讨。首先是如何运用先验知识问题。从模型运行精度上来看，虽然结果达到基本要求，但并没有达到ANN理论预期的高精度，这说明ANN模型并不完全是含水层非线性系统的真实描述，如何改进算法，将系统先验特征与人工神经网络方法有机地结合起来，使黑箱模型灰化，从而改善模型特性，有待于进一步研究。 其次是网络结构的合理选择与算法优化