论文部分内容阅读
水位动态是地下水系统对外界各输入信息激励地下水系统的反应输出,也是地下水系统在自然和人为因素共同影响下力图维持其自身平衡的反应。 本文在掌握麦岭水源地多年的降水量、开采量、地下水位等多年动态资料的前提下,利用GM(1,1)、ARMA、BP神经网络等方法,采用MATLB7.0、SPSS及EVIEWS7.2等软件对水源地的浅层地下水位的动态变化规律进行分析,建立有关模型。 (1)根据2000~2015年收集的水位、降水及开采量资料,对麦岭水源地浅层地下水位动态进行分析,确定水源地地下水位动态变化的主要影响因素:开采量、降水量等。对地下水位多年逐月动态变化规律进行分析,得出襄20主要受降水和开采影响,襄3、襄14主要受降水影响。 (2)对水源地襄20、襄3、襄14的地下水位分别建立了GM(1,1)、ARMA(2,1)及BP神经网络模型。GM(1,1)模型平均相对误差分别为为0.74%、0.66%、0.51%,拟合效果一般。ARMA(2,1)模型的平均相对误差分别为0.49%、0.44%、0.39%,拟合效果较好。BP神经网络加入了影响地下水位的因素,平均相对误差分别为1.02%、1.37%、1.14%,精度一般,在三种模型中精度最低,这与BP神经网络的学习收敛速度慢、容易陷入局部极小值,无法得到全局最优解等缺点有关。 (3)对上述三种模型进行组合,发挥了每种模型的优势,建立 GM-ARMA-BP神经网络,弥补了单一模型的不足,最终得出的平均相对误差分别为0.19%、0.29%、0.24%,精度比三种单一模型均高。若只有地下水位样本序列的情况下,可以采用本文所用的ARMA模型对未来年份的地下水位进行预测;若有水源地降水量、开采量、地下水位等多组样本数据,那么可用GM-ARMA-BP神经网络组合模型来预测未来年份地下水位。 本文利用麦岭水源地浅层地下水位动态建立了四种不同的模型,可预测未来地下水位变化趋势,可用于水源地地下水资源评价,也为相关部门管理和决策提供科学依据。