CN106250675A - 具有不同预见期的地下水分区预测模型的构建方法及应用 - Google Patents

Abstract

本发明涉及一种具有不同预见期的地下水分区预测模型的构建方法及应用，包括以下步骤：步骤1、对研究区进行分区；步骤2、以月为预测长度单位，构建近期预测模块；步骤3、以年为预测长度单位，构建中期预测模块；步骤4、以五年为预测长度单位，构建远期预测模块。本发明是基于已监测到的地下水位信息对未来地下水位动态变化的预测，有助于地下水资源合理开发与管理，为地下水超采区的压采措施提供依据。

Description

具有不同预见期的地下水分区预测模型的构建方法及应用

技术领域

本发明涉及地下水动态预测模型，尤其是涉及一种具有不同预见期的地下水分区预测模型的构建方法及应用。

背景技术

自上世纪70年代开始，我国开始大规模开采地下水，开采量每10年增加一倍。在大量开采地下水的同时，由于监管的缺乏、保护意识的薄弱，在全国已形成160多个地下水超采区，超采区面积达19万km²，严重超采城市近60个。由此引发了区域性地下水位下降、地面沉降、咸(海)水入侵、生态***退化等一系列环境地质问题，将严重影响和制约社会经济的可持续发展。对于地下水超采严重的地区，开发一套能够较为精确的具有不同预见期的地下水水位预测模型***显得尤为重要，利用已监测到的地下水位信息对未来地下水位动态变化进行预测，不仅有助于地下水资源合理开发与管理，也将为地下水超采区的压采措施提供依据。

目前，地下水动态预测方法可分为两大类：确定性模型法和随机模型法。两大类方法都各具优缺点。其中确定性模型的优点是能够对地下水运动的物理机制进行描述，具有较强的理论基础和相对成熟的求解方法；缺点是模型参数的获取与确定，需要大量的基础数据作为依据，而且模型假设条件较多，一定程度上无法真实细致的描述区域水文地质条件，导致地下水动态预测结果产生偏差。随机模型的优点是其在构建模型时只考虑对地下水水位产生影响的因素，利用概率统计理论寻找这些因素与地下水水位的关系，这对于资料相对匮乏，地下水***非常复杂的地区较为适用；缺点是缺少对地下水***动力学机制的描述，各要素间的物理关系或物理意义不明确。我国大部分地下水超采区的水文地质条件复杂，资料相对匮乏，随机模型更加适用。但目前还未形成一套具有不同预见期的地下水分区预测模型可供资料匮乏地区使用。

发明内容

本发明设计了一种具有不同预见期的地下水分区预测模型的构建方法及应用，其解决的技术问题是在资料相对匮乏的地区无法实现不同预见期地下水水位预测。

为了解决上述存在的技术问题，本发明采用了以下方案：

一种具有不同预见期的地下水分区预测模型的构建方法，包括以下步骤：

步骤1、对研究区进行分区；

步骤2、以月为预测长度单位，构建近期预测模块；

步骤3、以年为预测长度单位，构建中期预测模块；

步骤4、以五年为预测长度单位，构建远期预测模块。

进一步，所述步骤1中对研究区进行分区具体为：在水资源三级分区、行政分区和地质分区的基础上，考虑各地区的地下水资源禀赋以及水文地质条件，将研究区划分为多个水文地质单元，进行分区地下水预测。

进一步，所述步骤2中构建近期(月)预测模块具体如下：

地下水预测模型主要分为确定性模型和随机模型，步骤2中选择随机模型构建近期(月)预测模块；

所述步骤2中近期(月)预测模块的构建采用相关分析法；将该近期(月)预测模块的地下水预测方案分为两个部分：

①11～5月份预测方案：

每年的11～2月为农闲季节，地下水开采量较少，此时地下水位多处于上升期；3～5月进入农忙季节，地下水开采量增加，地下水位处于下降期；11～5月由于降水量稀少，地下水位的月变幅与降水量几乎没有关系，这个时间段的地下水变幅主要受开采量的影响；由于地下水的开采量统计数据精确度较差，另外这几个月地下水的历年变幅差别不是很大，因此采用各月历年区域地下水平均变化幅度预测，即：

公式1中：H_i+1代表下月末区域平均水位(m)；H_i代表本月末区域平均水位(m)；代表本月末～下月末历年区域平均水位变幅(m)；

②6～10月份预测方案：

通过分析6～10月份区域面平均降雨量与区域面平均月地下水位变幅，建立区域面平均降雨量与区域面平均月地下水位变幅的相关图，区域面平均月地下水位变幅采用当月某日区域面平均水位减去上月同日区域面平均水位。

上述步骤2中所述相关分析法是通过统计分析水文现象之间相关关系的规律性，建立函数关系，据此进行预测或控制的分析方法，为现有方法。以本发明中6～10月预测方案为例：通过统计分析，区域面平均降雨量与区域面平均月地下水位变幅之间存在相关关系，以历史资料建立区域面平均降雨量(x轴)与区域面平均月地下水位变幅(y轴)的相关关系图。在进行预测时，以当月面平均降雨量(x轴)可以查到当月到下月区域面平均月地下水位变幅(y轴)，将此水位变幅值加上当月地下水位值就得到下月地下水位预测值。

进一步，所述步骤3中构建中期(年)预测模块具体如下：

中期(年)预测模块采用随机模型中的多元线性回归的数学模型；地下水位动态变化不仅受降水影响，还与当地地下水开采量大小有着密切的关系，降水量大的年份，开采量较小，地下水位有所回升；降水量小的年份，开采量较大，地下水位相应呈下降趋势；以此构建的多元线性回归的数学模型为：

y＝b₀+b₁x₁+b₂x₂ 公式2；

公式2中x₁为降水量，x₂为地下水开采量，y为地下水位，b₀、b₁以及b₂为常数。

进一步，所述步骤4中构建远期(5年)预测模块融合了灰色GM(1,1)模型与BP神经网络，具体如下：

步骤4.1、BP神经网络的训练；

将连续n年的地下水水位观测数据序列作为灰色GM(1,1)模型中随时间变化的灰色过程，运用时间序列来确定灰色GM(1,1)模型中微分方程的参数，从而建立相应微分方程的模型，对第n+1年的地下水水位进行预测；再用第2年到第n+1年连续n年的观测数据预测第n+2年的地下水水位，依此类推，将得到第n+1年到第n+5年连续5年的地下水水位预测数据，将这5年的预测数据作为BP神经网络的输入，5年对应的实际观测数据作为输出，对BP神经网络进行训练；

步骤4.2、模块预测流程；

将连续n年的地下水水位观测数据序列作为灰色GM(1,1)模型的输入，得到第n+1年的地下水水位预测值，并将此值作为BP神经网络的输入，得到修正的第n+1年地下水水位预测值；再以第2年到第n年的地下水水位观测数据以及修正的第n+1年地下水水位预测值为灰色GM(1,1)模型的输入，得到第n+2年的地下水水位预测值，并将此值作为BP神经网络的输入，得到修正的第n+2年地下水水位预测值；依此类推，进行5次循环，从而得到远期(5年)的地下水位预测值。

一种具有不同预见期的地下水分区预测模型的构建方法的应用，其特征在于：对特定区域地下水水位进行近、中、远期预测，从而对超采区的地下水资源进行有效管理。

该具有不同预见期的地下水分区预测模型的构建方法及应用具有以下有益效果：

(1)本发明提供了一种对地下水水位进行近、中、远期预测的模型构建方法，有助于地下水资源合理开发与管理，为地下水超采区的压采措施提供依据。

(2)本发明将研究区分成了多个区域，实现分区预测。

(3)本发明利用相关分析法、多元线性回归的数学模型、灰色GM(1,1)模型以及BP神经网络分别构建了近期、中期、远期预测模块，建立了地下水位与主要影响因素的统计关系，所需基础资料少，操作性强；

(4)本发明远期(5)年预测模块利用新陈代谢模式，避免了灰色GM(1,1)模型以及BP神经网络预报年限较短的缺点，能够预测5年后的地下水水位，对管理部门制定下一个5年计划、超采区治理规划等工作提供数据支撑。

附图说明

图1：本发明具有不同预见期的地下水分区预测模型的构建流程图。

具体实施方式

下面结合图1，对本发明做进一步说明：

如图1所示，一种具有不同预见期的地下水分区预测模型***，

它包括下述步骤：

步骤1、对研究区进行分区；

步骤2、以月为预测长度单位，构建近期预测模块；

步骤3、以年为预测长度单位，构建中期预测模块；

步骤4、以五年为预测长度单位，构建远期预测模块。

步骤(1)中对研究区进行分区具体为：

在水资源三级分区、行政分区和地质分区的基础上，考虑各地区的地下水资源禀赋以及水文地质条件，将研究区划分为多个水文地质单元，进行分区地下水预测。

步骤(2)中构建近期(月)预测模块具体为：

该模块地下水预测方案分为两个部分：

①11～5月份预测方案

每年的11～2月为农闲季节，地下水开采量较少，此时地下水位多处于上升期；3～5月进入农忙季节，地下水开采量增加，地下水位处于下降期。11～5月由于降水量稀少，地下水位的月变幅与降水量几乎没有关系，这个时间段的地下水变幅主要受开采量的影响。由于地下水的开采量统计数据精确度较差，另外这几个月地下水的历年变幅差别不是很大，因此采用各月历年区域地下水平均变化幅度预测，即：

$H_{i+1}=H_i+\stackrel{\‾}{{\mathrm{\ΔH}}_{i+1}}---\left(1\right)$

式中：H_i+1代表下月末区域平均水位(m)；H_i代表本月末区域平均水位(m)；代表本月末～下月末历年区域平均水位变幅(m)。

②6～10月份预测方案

通过分析6～10月份区域面平均降雨量与区域面平均月地下水位变幅，建立区域面平均降雨量与区域面平均月地下水位变幅的相关图，区域面平均月地下水位变幅采用当月某日区域面平均水位减去上月同日区域面平均水位。

步骤(3)中构建中期(年)预测模块具体为：

中期(年)预测模块采用随机模型中的多元线性回归的数学模型；地下水位动态变化不仅受降水影响，还与当地地下水开采量大小有着密切的关系，降水量大的年份，开采量较小，地下水位有所回升；降水量小的年份，开采量较大，地下水位相应呈下降趋势；以此构建的多元线性回归的数学模型为：

y＝b₀+b₁x₁+b₂x₂ 公式2；

公式2中x₁为降水量，x₂为地下水开采量，y为地下水位，b₀、b₁以及b₂为常数。

步骤(4)中构建远期(5年)预测模块融合了灰色GM(1,1)模型与BP神经网络，具体如下：

步骤4.1、BP神经网络的训练；

将连续n年的地下水水位观测数据序列作为灰色GM(1,1)模型中随时间变化的灰色过程，运用时间序列来确定灰色GM(1,1)模型中微分方程的参数，从而建立相应微分方程的模型，对第n+1年的地下水水位进行预测；再用第2年到第n+1年连续n年的观测数据预测第n+2年的地下水水位，依此类推，将得到第n+1年到第n+5年连续5年的地下水水位预测数据，将这5年的预测数据作为BP神经网络的输入，5年对应的实际观测数据作为输出，对BP神经网络进行训练；

步骤4.2、模块预测流程；

将连续n年的地下水水位观测数据序列作为灰色GM(1,1)模型的输入，得到第n+1年的地下水水位预测值，并将此值作为BP神经网络的输入，得到修正的第n+1年地下水水位预测值；再以第2年到第n年的地下水水位观测数据以及修正的第n+1年地下水水位预测值为灰色GM(1,1)模型的输入，得到第n+2年的地下水水位预测值，并将此值作为BP神经网络的输入，得到修正的第n+2年地下水水位预测值；依此类推，进行5次循环，从而得到远期(5年)的地下水位预测值。

一种具有不同预见期的地下水分区预测模型构建方法及应用，提供了一种对地下水水位进行近、中、远期预测的模型构建方法，该方法是基于已监测到的地下水位信息对未来地下水位动态变化的预测，有助于地下水资源合理开发与管理，为地下水超采区的压采措施提供依据。

上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (6)

1.一种具有不同预见期的地下水分区预测模型的构建方法，包括以下步骤：

步骤1、对研究区进行分区；

步骤2、以月为预测长度单位，构建近期预测模块；

步骤3、以年为预测长度单位，构建中期预测模块；

步骤4、以五年为预测长度单位，构建远期预测模块。

2.根据权利要求1所述具有不同预见期的地下水分区预测模型的构建方法，其特征在于：所述步骤1中对研究区进行分区具体为：在水资源三级分区、行政分区和地质分区的基础上，考虑各地区的地下水资源禀赋以及水文地质条件，将研究区划分为多个水文地质单元，进行分区地下水预测。

3.根据权利要求1或2所述具有不同预见期的地下水分区预测模型的构建方法，其特征在于：所述步骤2中构建近期(月)预测模块具体如下：

地下水预测模型主要分为确定性模型和随机模型，步骤2中选择随机模型构建近期(月)预测模块；

所述步骤2中近期(月)预测模块的构建采用相关分析法；将该近期(月)预测模块的地下水预测方案分为两个部分：

①11～5月份预测方案：

每年的11～2月为农闲季节，地下水开采量较少，此时地下水位多处于上升期；3～5月进入农忙季节，地下水开采量增加，地下水位处于下降期；11～5月由于降水量稀少，地下水位的月变幅与降水量几乎没有关系，这个时间段的地下水变幅主要受开采量的影响；由于地下水的开采量统计数据精确度较差，另外这几个月地下水的历年变幅差别不是很大，因此采用各月历年区域地下水平均变化幅度预测，即：

公式1中：H_i+1代表下月末区域平均水位(m)；H_i代表本月末区域平均水位(m)；代表本月末～下月末历年区域平均水位变幅(m)；

②6～10月份预测方案：

通过分析6～10月份区域面平均降雨量与区域面平均月地下水位变幅，建立区域面平均降雨量与区域面平均月地下水位变幅的相关图，区域面平均月地下水位变幅采用当月某日区域面平均水位减去上月同日区域面平均水位。

4.根据权利要求1-3中任何一项所述具有不同预见期的地下水分区预测模型的构建方法，其特征在于：所述步骤3中构建中期(年)预测模块具体如下：

中期(年)预测模块采用随机模型中的多元线性回归的数学模型；地下水位动态变化不仅受降水影响，还与当地地下水开采量大小有着密切的关系，降水量大的年份，开采量较小，地下水位有所回升；降水量小的年份，开采量较大，地下水位相应呈下降趋势；以此构建的多元线性回归的数学模型为：

y＝b₀+b₁x₁+b₂x₂ 公式2；

公式2中x₁为降水量，x₂为地下水开采量，y为地下水位，b₀、b₁以及b₂为常数。

5.根据权利要求1-4中任何一项所述具有不同预见期的地下水分区预测模型的构建方法，其特征在于：所述步骤4中构建远期(5年)预测模块融合了灰色GM(1,1)模型与BP神经网络，具体如下：

步骤4.1、BP神经网络训练；

将连续n年的地下水水位观测数据序列作为灰色GM(1,1)模型中随时间变化的灰色过程，运用时间序列来确定灰色GM(1,1)模型中微分方程的参数，从而建立相应微分方程的模型，对第n+1年的地下水水位作出预测；再用第2年到第n+1年连续n年的观测数据预测第n+2年的地下水水位，依此类推，将得到第n+1年到第n+5年连续5年的地下水水位预测数据，将这5年的预测数据作为BP神经网络的输入，5年对应的实际观测数据作为输出，对BP神经网络进行训练；

步骤4.2、模块预测流程；

将连续n年的地下水水位观测数据序列作为灰色GM(1,1)模型的输入，得到第n+1年的地下水水位预测值，并将此值作为BP神经网络的输入，得到修正的第n+1年地下水水位预测值；再以第2年到第n年的地下水水位观测数据以及修正的第n+1年地下水水位预测值为灰色GM(1,1)模型的输入，得到第n+2年的地下水水位预测值，并将此值作为BP神经网络的输入，得到修正的第n+2年地下水水位预测值；依此类推，进行5次循环，从而得到远期(5年)的地下水位预测值。

6.一种权利要求1-5中任何一项所述构建方法的应用，其特征在于：对特定区域地下水水位进行近、中、远期预测，从而对超采区的地下水资源进行有效管理。