【文献情报】|Journal of Hydrology|基于混合深度学习模型的高级地下水位预测！

R语言与水文生态环境 · 公众号 · · 2025-03-03 00:02

正文

点击蓝色字体关注我们

（一）基本信息

期刊： Journal of Hydrology
中科院分区： 1区地球科学
影响因子（IF）：5.9

（二）作者信息

第一作者：Yu-Wen Chang
通讯作者：Li-Chiu Chang，Fi-John Chang
第一作者单位：Department of Bioenvironmental Systems Engineering, National Taiwan University, Taipei 10617, Taiwan
原位连接：https://doi.org/10.1016/j.jhydrol.2025.132887

（三）文章亮点

（1）创新混合深度学习模型( CNN-BP )预测区域地下水位；
（2）与BPNN相比，CNN - BP提高了( R2 > 0.94 , RMSE降低29 %)的预测精度；
（3）CNN - BP在捕捉水文时空变化方面表现优异，与BPNN互为补充；
（4）随机森林通过特征重要性对雨量站进行因子筛选；对地下水位预测偏差与岩性的关系进行了分析。

（四）摘要

地下水对粮食安全和经济发展至关重要，但其面临的过度开采和极端天气事件的威胁也越来越大。台湾最大的浊水溪冲积扇长期作为重点水源地。然而，近年来的气候变化和工业扩张显著影响了地下水的补给和水质，导致了地面沉降。准确的地下水位预测对保证该地区的环境可持续性至关重要。本研究提出了一种新的混合深度学习模型CNN - BP，该模型集成了卷积神经网络( CNN )和反向传播神经网络( BPNN )，以提前3天预测浊水溪冲积扇上25个监测站的地下水位。将CNN - BP模型与独立的BPNN模型进行了比较。两个模型均在2000 - 2019年7 291个水文-地质-气象日值数据集上进行训练，包括地下水位、降雨量、径流量、温度、蒸发量和岩性。该研究强调综合输入选择、特征提取和超参数调优，利用随机森林对20个雨量站的输入因子进行筛选，从而提高预测精度和可靠性。CNN - BP模型明显优于BPNN模型，各站点的R2值在0.94 ~ 0.98之间，有效地缓解了时滞问题。研究还探讨了预测误差与扇体岩性特征之间的关系，为土地利用规划和地下水管理提供了有价值的见解。在台风"海棠"和"玛利亚"期间的验证进一步证明了该模型在强降雨条件下预测地下水补给的能力。通过整合干旱频率、人口密度和补给潜力等环境和社会因素，本研究强调了有针对性的水管理策略的必要性。研究结果为未来地下水管理的区域方法提供了重要的见解，促进了跨流域的可持续实践。最终，本研究为土地利用规划和水资源管理的知情决策提供了宝贵资源，促进了浊水溪冲洪积扇地下水的可持续利用。

（五）图文赏析

Fig. 1. Study Area and Long-Term Hydrological Data Variations.

Fig. 2. CNN-BP model structure

Fig. 3. Random Forest results of factor screening. (a) Feature importance of 20 rainfall stations. (b) Spatial distribution of 14 chosen and 6 unchosen rainfall stations.

Fig. 4. Radar charts of R 2 values associated with CNN-BP and BPNN models at T + 1 and T + 3 for 25 groundwater monitoring stations.

Fig. 5. Time delays ( T delay ) in forecasts of BPNN and CNN-BP models at testing stages for individual groundwater monitoring station (G1 – G25) based on CCF.

Fig. 6. Performance comparison between CNN-BP and MLR models during testing stages for groundwater level forecasting at stations G3, G16 and G20.

Fig. 7. Forecast biases of the CNN-BP model in regional groundwater levels across four seasons at the testing stage. STD stands for standard deviation.

Fig. 8. Analysis between regional average lithology (Tr) and groundwater level forecast biases of the CNN-BP model at the testing stage. (a) Log(Tr). (b) Forecast biases.

Fig. 9. Regression of CNN-BP ’ s forecast bias (m) and the logarithm of transmissivity (Log(Tr)).

Fig. 10. Spatial interpolation maps for Typhoons Haitang and Maria. “ Potential Recharge ” is defined as the differences in groundwater level before and after the typhoon period. (a) & (d) Accumulated rainfall. (b) & (e) Observed groundwater “ Potential Recharge ” . (c) & (f) Forecasted groundwater “ Potential Recharge ” obtained from the CNN-BP model at T + 3.

Fig. 11. Analysis between CNN-BP ’ s groundwater forecasts and their social impact. (a) Population density of Zhuoshui River basin. (b) Number of months with SPI≤

【文献情报】|Journal of Hydrology|基于混合深度学习模型的高级地下水位预测！

正文

请到「今天看啥」查看全文