CN114841402A - 一种基于多特征图网络的地下水位高度预测方法及*** - Google Patents

一种基于多特征图网络的地下水位高度预测方法及*** Download PDF

Info

Publication number
CN114841402A
CN114841402A CN202210300649.XA CN202210300649A CN114841402A CN 114841402 A CN114841402 A CN 114841402A CN 202210300649 A CN202210300649 A CN 202210300649A CN 114841402 A CN114841402 A CN 114841402A
Authority
CN
China
Prior art keywords
nodes
underground water
water level
graph
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210300649.XA
Other languages
English (en)
Inventor
阿孜古丽·吾拉木
李尊冕
张德政
栗辉
魏少华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210300649.XA priority Critical patent/CN114841402A/zh
Publication of CN114841402A publication Critical patent/CN114841402A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于多特征图网络的地下水位高度预测方法及***，该方法包括：选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，构建各节点的特征向量；基于特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；基于上述信息构建图结构数据集；对GCN进行改进，得到地下水位预测模型；并基于图结构数据集对地下水位预测模型进行训练；基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。本发明能够实现对未知位置的地下水位高效、精准的预测。

Description

一种基于多特征图网络的地下水位高度预测方法及***
技术领域
本发明涉及水文地理智能决策技术领域，特别涉及一种基于多特征图网络的地下水位高度预测方法及***。
背景技术
地表水和地下水资源是复杂生态水循环***中的重要组成部分。水资源***内的主要水源为大气水、地表水和地下水，以及从***外调入的水。各类水源一定条件下相互转化。如降雨入渗和灌溉可以补充土壤水，土壤水饱和后继续下渗形成地下水。其中，对于灌溉型农业区域，长期河道开口引水灌溉、大水漫灌排水不畅致使地下水位居高不下，加之灌溉型农业区地表蒸发通常较为强烈，导致土壤盐渍化程度加深，生态环境逐渐恶化。随着地表水资源逐渐稀缺，河道径流量大大减少，灌溉引水量也逐年减少，已经不能满足当前农业灌溉的需求，对农业发展受到很大程度的制约。
地表水与地下水之间的转化关系非常复杂，地下水位的变化既受地表灌溉量的影响，又与地形地貌情况相关。研究不同空间地理位置地表水与地下水的补排关系，能够有效的缓解水资源不合理利用引起的土壤盐渍化问题，为农业生产提供精准的指导。现有的研究主要采用水文地质专业知识来研究地表水与地下水之间的演化关系，通过建立传统水文地质模型与数学模型，来模拟***内水资源的调度过程。这种方法尽管有较强的理论依据，但是对于复杂的水资源***来说，不能从数据角度分析水资源精准演化。
因此，需要一种综合考虑数据特征和原理特征的智能化解决方案。
发明内容
本发明提供了一种基于多特征图网络的地下水位高度预测方法及***，以解决现有地表水与地下水动态演化过程中缺乏定量、精准性的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种基于多特征图网络的地下水位高度预测方法，所述基于多特征图网络的地下水位高度预测方法包括：
选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
对图卷积网络(Graph Convolutional Network，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集对所述地下水位预测模型进行训练；
基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
进一步地，所述特征信息包括地表水资源信息和地理空间信息；
所述地表水资源信息包括节点所在区域的预设周期内的灌溉量、排水量，以及降水总量；所述地理空间信息包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP，以及节点与支渠距离。
进一步地，基于所述特征信息分别构建各节点的特征向量，包括：
对所述特征信息进行向量化处理，得到各节点的特征向量；其中，对所述特征信息进行向量化处理的方式为one-hot编码与归一化，对于非量化信息先进行one-hot编码，再进行归一化处理，对于量化信息，则直接进行归一化处理。
进一步地，基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，包括：
计算所有节点的特征向量之间的余弦相似度、皮尔森相关系数和欧氏距离；
构建所有节点单向连通关系图，保留满足预设条件的连通边，将不满足预设条件的连通边对应的节点视为无联通关系；其中，所述预设条件为同时满足特征向量间的余弦相似度大于0.7，皮尔森相关系数大于0.8，欧氏距离小于1；
统计筛选后保留的连通关系，得到用于描述节点连通性的边结构信息。
进一步地，深度区间类别包括0-1m、1-2m、2-3m、3-4m、4-5m及5m以上。
进一步地，对GCN进行改进，包括：
在GCN网络的第一层和最后一层图卷积操作中加入权重矩阵，具体实现为：空间节点在聚合邻居节点特征阶段引入边连接权重作为聚合系数。
进一步地，对GCN进行改进，还包括：
在GCN网络的第一个图卷积层之后加入图注意力卷积模块，所述图注意力卷积模块的输入特征为第一层图卷积操作聚合邻居节点后输出的特征，所述图注意力卷积模块的输出特征为自动学习并更新节点与其邻居节点权重后的聚合特征；在获得所述图注意力卷积模块的特征输出后，与第一个图卷积层的输出特征进行融合，将融合后的特征输入最后一个图卷积层。
进一步地，在实现对空间位置的地下水位的预测之后，所述方法还包括：
对地下水位预测模型的预测结果进行有效性评估。
进一步地，所述对地下水位预测模型的预测结果进行有效性评估，包括：
比较预测结果与真实结果的类别，通过预测准确率来评估模型的有效性。
另一方面，本发明还提供了一种基于多特征图网络的地下水位高度预测***，所述基于多特征图网络的地下水位高度预测***包括：
图结构数据集构建模块，用于：
选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
地下水高度预测模型构建及训练模块，用于对图卷积网络(Graph ConvolutionalNetwork，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集构建模块构建的图结构数据集对所述地下水位预测模型进行训练；
地下水高度预测模块，用于基于所述地下水高度预测模型构建及训练模块训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明提供的地下水位高度预测方法是一种通过地表水资源与地理空间属性来预测地下水位高度的方法。以空间位置节点为单位构建图结构数据集，加入节点间距离权重，引入注意力机制、特征融合机制，使得该方法可获得节点更好的特征表达，同时，该方法可以在部分节点地下水位未知的情况下，通过半监督学习方式训练模型，从而实现空间位置地下水位高度的精准预测。本发明通过数据导向的人工智能技术来研究地表水与地下水的演化关系，解决了复杂条件下现有地表水与地下水演化方法存在的无法定量和精确度不足的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于多特征图网络的地下水位高度预测方法的执行流程示意图；
图2是本发明实施例提供的空间节点特征描述符示意图；
图3是本发明实施例提供的注意力因子计算流程图；
图4是本发明实施例提供的改进的GCN网络结构示意图；
图5是本发明实施例提供的测试集空间节点的预测结果混淆矩阵示意图；
图6是本发明实施例提供的基于多特征图网络的地下水位高度预测***的结构示意图；
图7是应用本发明方法的电子设备的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种基于多特征图网络的地下水位高度预测方法，该方法可以由电子设备实现，该电子设备可以是终端或者服务器。该基于多特征图网络的地下水位高度预测方法的执行流程如图1所示，包括以下步骤：
S1，选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于特征信息分别构建各节点的特征向量；
S2，基于特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
S3，以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
S4，对图卷积网络(Graph Convolutional Network，GCN)进行改进，得到地下水位预测模型；并基于图结构数据集对地下水位预测模型进行训练；
S5，基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
其中，S1中的特征信息包括地表水资源信息和地理空间信息；地表水资源信息包括节点所在区域的预设周期内的灌溉量、排水量，以及降水总量；地理空间信息包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP，以及节点与支渠距离。基于此，S1的实现过程如下：
获取空间中多个位置的地表灌排、气象数据以及地理属性信息，基于获取的信息构建用于描述空间位置节点地表信息的特征向量；其中，地表灌排数据为流量统计，气象数据为高度统计，地理属性数据为文字信息；通过建立地下水监测点与地表空间位置节点映射来生成空间节点的特征，包括：对灌排数据、气象数据进行地表水量标准化计算并分配到节点所在栅格单元，将地理属性信息进行特征编码，融合得到节点特征向量。其具体实现过程包括以下步骤：
根据灌溉渠系将灌溉区划分成若干个子流域，每个灌区子流域都有明确的引水来源和引水数据统计，排水源将整个农业灌溉区作为一个整体考虑，并且根据相应的子流域灌溉面积权重进行排水数据分配。
将子流域划分成100m*100m的栅格单元，将划分的栅格单元与上述引排水子流域进行空间叠加，建立栅格单元与引排水单元的拓扑关系，明确每个栅格单元所在的引水域、排水域，栅格单元水资源特征计算方式如下：
Figure BDA0003565336950000051
日灌排量＝日均灌排流量×24×60×60
日降水蒸发量＝日降水蒸发高度×子流域面积×666.7×10-4
将地下水监测点与地表栅格单元建立映射关系形成空间节点。根据空间节点坐标位置统计其地理空间属性，包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP、节点与支渠距离。其中包气带岩性不同渗透性取值包括砂、粘砂土、层间水分布区、上部粘性土下部砂性土等；地貌类型种类包括风积沙丘、河湖积平原、冲洪积平原、近代洪积扇、山前洪积斜平原、丘陵台地等；渗透性K1分区取值范围有1-3、3-5、5-10、10-20对应不同的渗透性；地类名称包括玉米、小麦、葡萄、枸杞、水稻、村庄、大地蔬菜、城市、撂荒地等。地理空间属性通过ArcGis空间连接功能进行采集，对于面类型图层选择节点落入其中的面，对于点类型以及线类型图层则选择与节点距离最近的点或线。采集完成后将地理空间属性与水资源特征融合，构建节点特征描述符，空间节点特征描述符如图2所示。
在得到各空间节点的特征描述符(特征信息)后，对空间节点描述符进行向量化处理，具体向量化方式为：one-hot编码与归一化，对于非量化列先编码再归一化，量化列则进行归一化，从而得到每个空间节点的特征向量。
进一步地，在本实施例中，空间节点的特征矩阵通过二维矩阵形式表示，其中行索引表示空间节点数量及索引，列索引表示节点的属性特征，包括地表灌排、气象数据以及多维度地形地貌属性数据。
进一步地，在本实施例中，上述S2中，边结构信息通过计算特征向量的特定指标来构建，包括余弦相似度、皮尔森相关系数、欧氏距离三个指标。余弦相似度通过计算两个向量夹角的余弦值来评估他们的相似度，判断两个向量是否大致指向相同的方向，余弦值越接近1，相似度越高。计算公式如下：
Figure BDA0003565336950000061
皮尔森相关系数是用来衡量两个向量是否在一条线上面，用来衡量定距变量间的线性相关关系，通过计算两个样本之间的协方差和标准差来得到，相关系数的绝对值越接近1，线性相关性越强。计算公式如下：
Figure BDA0003565336950000062
欧式距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，用来求两个向量间的距离，取值范围为0到正无穷，显然，如果两个向量空间的距离较小，那么向量也肯定更为相似，计算公式如下：
Figure BDA0003565336950000063
具体地，上述空间节点连通性边结构的构建过程如下：
Figure BDA0003565336950000071
得到连通性边结构信息后，根据索引对应到地理空间中，并获取空间节点的地理坐标，通过地理坐标分别计算连通节点的地理距离，并取距离的倒数作为空间节点在网络模型中的边连接权重，输出到n×n稀疏矩阵中，不具有边连接的节点对应距离权重为0。在图卷积过程中，使得距离较近的邻居节点能够聚合更多的信息，距离较远的邻居节点贡献较少的特征信息。
进一步地，在本实施例中，各相关性评价指标以及连通边权重均通过二维矩阵表示，行列值表示空间节点索引，矩阵元素为节点间的相关性评价指标以及距离倒数的计算结果；连通边结构信息通过n*2矩阵表示，矩阵每一行为两个空间节点索引，表示两个节点间具备连通性。
进一步地，在本实施例中，上述S3中的深度区间类别包括0-1m、1-2m、2-3m、3-4m、4-5m及5m以上，对应不同区间类别；图结构数据集被划分为训练集、验证集和测试集；其中，训练集用于训练地下水位高度预测模型，验证集用于训练过程中验证模型准确率，测试集用于对训练完成的模型进行评估。另外一种半监督学习方式通过已知类别标签的节点训练模型，来对未知类别标签的空间节点进行预测。具体地，上述S3的实现过程如下：
在农业灌溉区内选取200个地下水位监测点作为本方法构建图数据集的空间节点，根据地下水位监测点与地表空间栅格的映射关系，组织空间节点的特征描述符进而构建特征向量，用于描述空间节点特征的属性包括地表水资源属性与地理空间属性。地表水资源属性包括空间栅格月灌溉、排水与降水总量，地理空间属性包括包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP、节点与支渠距离。地下水监测点的地下水位埋深则作为空间节点的类别标签，其每个类别包含一定地下水位埋深范围。如0-1m、1-2m、2-3m、3-4m、4-5m以及5m以上的埋深，分别对应不同的类别。
在本实施例中，所述图数据集属性数据通过二维矩阵来表示，维度为200×12，第一列为空间节点的索引，最后一列为空间节点地下水位埋深对应的类别标签。中间10列为每个空间节点的特征向量。图数据集边连接数据表示为二维矩阵，维度为2315×2，表示200个空间节点拥有2315条连通边，每一行表示相互连通的两个节点索引。
进一步地，在本实施例中，上述S4中对GCN进行改进为：对GCN网络进行改进，加入距离权重和注意力机制，使其能够更好地利用周围邻居特征来学习节点自身特征；包括：在第一层和最后一层图卷积操作中加入权重矩阵，具体实现为空间节点在聚合邻居节点特征阶段引入距离因子作为聚合系数。在第一个图卷积层之后加入图注意力卷积模块，该模块输入特征为第一层图卷积操作聚合邻居节点后输出的特征，该模块输出特征为自动学习并更新节点与其邻居节点权重后的聚合特征。在获得图注意力卷积模块特征输出后，与第一个图卷积层的输出特征进行融合，将融合后的特征输入最后一个图卷积层。
具体地，在本实施例中，对GCN进行改进的实现过程如下：
首先，需要说明的是，GCN的提出是为了解决非规则化数据在卷积时无法共享卷积核问题，传统卷积采用局部感知区域、共享权值，能够很好的提取图像的空间特征。图结构不具备图片的平移不变性，因此传统的卷积方式不适用于图结构。GCN是谱图卷积的一阶局部近似，通过卷积层来聚合邻域信息，通过叠加若干卷积层可以实现多阶邻域的信息传递，每一层通过邻接矩阵A和特征矩阵H相乘得到每个顶点邻居特征的汇总，再乘上一个可训练的参数矩阵W，邻接矩阵通过度矩阵进行归一化，防止一些度数高的顶点和度数低的顶点在特征分布上产生较大的差异。
基于上述，本实施例的第一个改进就是在图卷积过程中加入边连接权重，权重通过地理空间距离的倒数来表示，其作用是每个节点在聚合邻居节点信息时不仅要考虑邻居节点的度数，还要考虑邻居节点与本节点的距离，可以实现距离较远的邻居节点对本节点有较小的贡献度，距离较近的邻居节点对本节点有较大贡献度。加入距离权重后的GCN计算过程如下，其中H(l+1)表示中心节点在经过一次卷积后的特征表示，
Figure BDA0003565336950000091
由节点邻接矩阵与单位矩阵I求和所得，
Figure BDA0003565336950000092
表示根据
Figure BDA0003565336950000093
按行求和所得的度矩阵，W(l)表示可训练的参数矩阵，Dist为引入的距离权重矩阵，由于Dist对角线元素都为0，因此需要与单位矩阵I求和来保证在聚合邻居节点特征的过程中将中心节点自身的特征也考虑进去。
Figure BDA0003565336950000094
本实施例对GCN做的第二个改进是加入图注意力模块，注意力模块中注意力因子的计算方式如图3所示。网络输入为上述构建的图结构数据集，Graph表示构建的图结构数据，X表示图节点对应的邻接矩阵，实心点表示对应的节点存在边连接关系，空心点表示节点间不存在边连接关系；在第一个图卷积层之后，加入注意力模块，再将注意力模块输出特征与图卷积层输出特征进行融合，此改进能够使空间节点更加准确地利用周围邻居节点的信息，提升预测精确率，改进的GCN模型网络的整体结构如图4所示。
具体地，在本实施例中，空间节点特征及其边连接信息输入第一个图卷积层之后，图节点结构不发生变化，每个节点生成长度为32的特征表示，此过程中参数矩阵W的维度为10×32，分别对应输入特征维度与输出特征维度。第一个图卷积层输出的特征经过ReLU激活函数处理，可以加速模型训练，克服梯度消失问题，再通过dropout处理防止模型过拟合。
将第一个图卷积层经过dropout处理后的节点特征输入图注意力模块，由于GCN不能根据邻居节点的重要性分配不同的权重，尽管在第一个卷积层中加入了空间距离倒数作为不同节点的权重，但是网络训练过程中不能对权重信息进行学习更新，而图注意力层可以通过训练自主学习并更新节点的权重系数，能够更好的学习到全局特征之间的依赖关系。注意力因子的计算方式如下，其中
Figure BDA0003565336950000095
表示一个前馈神经网络，可通过训练更新参数，W表示参数矩阵，
Figure BDA0003565336950000096
表示节点的特征表示，
Figure BDA0003565336950000097
表示中心节点的邻居节点总数，特征相乘并拼接后通过LeakyReLU非线性化，经过Softmax归一化得到注意力系数。
Figure BDA0003565336950000101
图注意力层每个节点通过注意力因子聚合周围邻居节点特征后，同样生成维度为32的节点特征表示，在本实施例中，将图注意力模块输出的特征与第一个图卷积层输出特征进行融合，融合后的特征维度为n×64，n表示空间节点数量，该方法可以得到空间节点特征的增强表示。将融合后的增强特征再输入到一个图卷积层，输出结果通过log_softmax归一化指数函数，将输出映射到0-1范围内，再通过NLLLoss计算模型训练过程中的损失，通过反向传播算法来纠正网络模型参数。
训练地下水位高度预测模型时，需要先将空间节点特征矩阵、边连接矩阵读入内存，对节点类别进行one-hot编码，构建边的邻接矩阵与度矩阵，并将邻接矩阵与其转置矩阵求和，将有向图转为无向图，对特征矩阵和度矩阵进行归一化操作。划分训练集、验证集与测试集时，将空间节点随机打乱，按3：1：2的比例进行划分，将训练集输入模型进行训练，并在每个训练epoch中通过验证集验证模型的有效性，测试集用于所有训练epoch结束后，测试模型的预测精度，计算训练集的损失通过反向传播算法更新模型参数。验证集与测试集的损失不用于模型的优化。具体地，上述地下水位高度预测模型的训练过程如下：
Figure BDA0003565336950000102
Figure BDA0003565336950000111
重复上述步骤训练改进的GCN网络，直至损失稳定不再降低，模型收敛，得到最佳训练参数。
进一步地，在本实施例中，上述S5的实现过程如下：
Figure BDA0003565336950000112
进一步地，在实现对空间位置的地下水位的预测之后，所述方法还包括：
对地下水位预测模型的预测结果进行有效性评估。具体地，在本实施例中，地下水位高度预测模型的有效性评估指标为准确率，准确率(Accuracy)是指预测正确的空间节点类别占测试集节点总数的比重，准确率计算方式如下：
Figure BDA0003565336950000113
在本实施例中分别构建了丰水期和枯水期两个具有不同地表水特征和地下水位埋设的数据集，并根据上述评价指标对地下水位高度预测模型进行评估，评估结果如表1所示。为了探究模型的性能，采用不同的训练批次以及学习率大小对模型的有效性进行评估。
表1地下水位高度预测模型评估结果
Figure BDA0003565336950000114
Figure BDA0003565336950000121
在上述表1中，Epoch为使用训练集训练模型时迭代的次数，不同的训练迭代次数对模型的预测有效性产生影响。Learning rate表示训练过程中误差反向传播时对参数变化的影响幅度，学习率的大小同样会影响模型的预测效果。由上表可知，在迭代次数为1500，学习率为0.005条件下，地下水位高度预测模型在丰水期和枯水期均有较好的表现。空间节点的预测结果混淆矩阵如图5所示。
综上，本实施例提供了一种通过地表水资源与地理空间属性来预测地下水位高度的方法。通过以空间位置节点为单位构建图结构数据集，加入节点间距离权重，引入注意力机制、特征融合机制，使得方法能够获得节点更好的特征表达，同时，本实施例的方法可以在部分节点地下水位未知的情况下，通过半监督学习方式训练模型，从而实现空间位置地下水位高度的精准预测，解决了现有地表水与地下水演化方法存在的无法定量和精确度不足的问题。
第二实施例
本实施例提供了一种基于多特征图网络的地下水位高度预测***，该基于多特征图网络的地下水位高度预测***结构如图6所示，包括以下模块：
图结构数据集构建模块，用于：
选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
地下水高度预测模型构建及训练模块，用于对图卷积网络(Graph ConvolutionalNetwork，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集构建模块构建的图结构数据集对所述地下水位预测模型进行训练；
地下水高度预测模块，用于基于所述地下水高度预测模型构建及训练模块训练好的地下水位预测模型，实现对空间位置的地下水位的预测；
模型评估模块，用于对地下水位预测模型的预测结果进行有效性评估。
本实施例的基于多特征图网络的地下水位高度预测***与上述第一实施例的基于多特征图网络的地下水位高度预测方法相对应；其中，该基于多特征图网络的地下水位高度预测***中的各功能模块所实现的功能与上述基于多特征图网络的地下水位高度预测方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
具体地，如图7所示，该电子设备可以包括处理器(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器还可以包括用于缓存用途的板载存储器。
此外，该设备还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。且还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种基于多特征图网络的地下水位高度预测方法，其特征在于，包括：
选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
对图卷积网络(Graph Convolutional Network，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集对所述地下水位预测模型进行训练；
基于训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
2.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，所述特征信息包括地表水资源信息和地理空间信息；
所述地表水资源信息包括节点所在区域的预设周期内的灌溉量、排水量，以及降水总量；所述地理空间信息包括：包气带岩性、地貌类型、渗透性K1分区、地类名称、溶解性总固体、渗透系数KCP，以及节点与支渠距离。
3.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，基于所述特征信息分别构建各节点的特征向量，包括：
对所述特征信息进行向量化处理，得到各节点的特征向量；其中，对所述特征信息进行向量化处理的方式为one-hot编码与归一化，对于非量化信息先进行one-hot编码，再进行归一化处理，对于量化信息，则直接进行归一化处理。
4.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，包括：
计算所有节点的特征向量之间的余弦相似度、皮尔森相关系数和欧氏距离；
构建所有节点单向连通关系图，保留满足预设条件的连通边，将不满足预设条件的连通边对应的节点视为无联通关系；其中，所述预设条件为同时满足特征向量间的余弦相似度大于0.7，皮尔森相关系数大于0.8，欧氏距离小于1；
统计筛选后保留的连通关系，得到用于描述节点连通性的边结构信息。
5.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，所述深度区间类别包括0-1m、1-2m、2-3m、3-4m、4-5m以及5m以上。
6.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，对图卷积网络(Graph Convolutional Network，GCN)进行改进，包括：
在GCN网络的第一层和最后一层图卷积操作中加入权重矩阵，具体实现为：空间节点在聚合邻居节点特征阶段引入边连接权重作为聚合系数。
7.如权利要求6所述的基于多特征图网络的地下水位高度预测方法，其特征在于，对图卷积网络(Graph Convolutional Network，GCN)进行改进，还包括：
在GCN网络的第一个图卷积层之后加入图注意力卷积模块，所述图注意力卷积模块的输入特征为第一层图卷积操作聚合邻居节点后输出的特征，所述图注意力卷积模块的输出特征为自动学习并更新节点与其邻居节点权重后的聚合特征；在获得所述图注意力卷积模块的特征输出后，与第一个图卷积层的输出特征进行融合，将融合后的特征输入最后一个图卷积层。
8.如权利要求1所述的基于多特征图网络的地下水位高度预测方法，其特征在于，在实现对空间位置的地下水位的预测之后，所述方法还包括：
对地下水位预测模型的预测结果进行有效性评估。
9.如权利要求8所述的基于多特征图网络的地下水位高度预测方法，其特征在于，所述对地下水位预测模型的预测结果进行有效性评估，包括：
比较预测结果与真实结果的类别，通过预测准确率来评估模型的有效性。
10.一种基于多特征图网络的地下水位高度预测***，其特征在于，包括：
图结构数据集构建模块，用于：
选取多个不同位置的地下水位监测点作为构建图结构数据集的空间节点，获取每一节点的特征信息，并基于所述特征信息分别构建各节点的特征向量；
基于所述特征向量权衡两个节点间的相关性关系，构建用于描述节点连通性的边结构信息，并以两连通节点间的地理距离的倒数作为节点的边连接权重；
以节点的特征信息和边结构信息作为样本特征，以节点对应的地下水位埋深所属的深度区间类别作为样本标签，构建图结构数据集；
地下水高度预测模型构建及训练模块，用于对图卷积网络(GraphConvolutionalNetwork，GCN)进行改进，得到地下水位预测模型；并基于所述图结构数据集构建模块构建的图结构数据集对所述地下水位预测模型进行训练；
地下水高度预测模块，用于基于所述地下水高度预测模型构建及训练模块训练好的地下水位预测模型，实现对空间位置的地下水位的预测。
CN202210300649.XA 2022-03-25 2022-03-25 一种基于多特征图网络的地下水位高度预测方法及*** Pending CN114841402A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300649.XA CN114841402A (zh) 2022-03-25 2022-03-25 一种基于多特征图网络的地下水位高度预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300649.XA CN114841402A (zh) 2022-03-25 2022-03-25 一种基于多特征图网络的地下水位高度预测方法及***

Publications (1)

Publication Number Publication Date
CN114841402A true CN114841402A (zh) 2022-08-02

Family

ID=82562803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300649.XA Pending CN114841402A (zh) 2022-03-25 2022-03-25 一种基于多特征图网络的地下水位高度预测方法及***

Country Status (1)

Country Link
CN (1) CN114841402A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689368A (zh) * 2022-11-10 2023-02-03 华能西藏雅鲁藏布江水电开发投资有限公司 一种基于全寿命周期的径流预报模型评价方法
CN117576099A (zh) * 2024-01-16 2024-02-20 季华实验室 液体隔瓶检测方法、装置及计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689368A (zh) * 2022-11-10 2023-02-03 华能西藏雅鲁藏布江水电开发投资有限公司 一种基于全寿命周期的径流预报模型评价方法
CN117576099A (zh) * 2024-01-16 2024-02-20 季华实验室 液体隔瓶检测方法、装置及计算机可读存储介质
CN117576099B (zh) * 2024-01-16 2024-05-10 季华实验室 液体隔瓶检测方法、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
Zhang et al. Systematic comparison of five machine-learning models in classification and interpolation of soil particle size fractions using different transformed data
Jasiewicz et al. A new GRASS GIS toolkit for Hortonian analysis of drainage networks
Shu et al. Monthly streamflow forecasting using convolutional neural network
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
Abdollahi et al. Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN114841402A (zh) 一种基于多特征图网络的地下水位高度预测方法及***
CN103093114A (zh) 一种基于地形和土壤特性的分布式流域缺水量测算方法
Barnes et al. Computing water flow through complex landscapes–Part 2: Finding hierarchies in depressions and morphological segmentations
Ditthakit et al. Comparative study of machine learning methods and GR2M model for monthly runoff prediction
Barnes et al. Computing water flow through complex landscapes, Part 3: Fill-Spill-Merge: Flow routing in depression hierarchies
Haag et al. Development of a data model to facilitate rapid watershed delineation
Ahmadi et al. Streamflow prediction using a hybrid methodology based on variational mode decomposition (VMD) and machine learning approaches
CN113282572B (zh) 一种耕地网格化划分的方法、***及终端设备
CN114399103A (zh) 一种基于cnn的陆水一体化河流水质时空连续预测方法
Santra et al. Delineation of hydrologically similar units in a watershed based on fuzzy classification of soil hydraulic properties
Gao et al. A framework for automatic calibration of SWMM considering input uncertainty
Chen et al. Urban inundation rapid prediction method based on multi-machine learning algorithm and rain pattern analysis
Kumar et al. GIUH based Clark and Nash models for runoff estimation for an ungauged basin and their uncertainty analysis
Saghafian et al. Backcasting long-term climate data: evaluation of hypothesis
Ma et al. A high-precision hydrodynamic model coupled with the hydrological habitat suitability model to reveal estuarine vegetation distribution
Jiang et al. A modified HASM algorithm and its application in DEM construction
Chen et al. A new DEM generalization method based on watershed and tree structure
Lowe et al. Flood-risk analysis on terrains
Dehghani et al. Evaluation of statistical models and modern hybrid artificial intelligence in the simulation of precipitation runoff process

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination