[发明专利]基于支持向量机二元数据同化的地下水水位变化中长期预报方法

说明书

本发明公开一种基于支持向量机二元数据同化的地下水水位变化中长期预报方法，属于水文水资源学科地下水预报领域，步骤如下：选取研究区域，获取有效地下水水位和气象要素数据序列；采用支持向量机非线性回归方法，构建地下水水位变化预报模型；输入预报时刻驱动要素，预报该时刻地下水水位变化；当在预报时刻存在地下水水位观测数据时，同化校正驱动和输出要素集，构建一元数据同化模型；更新并输入预报时刻驱动要素，输出一元数据同化预报值；对一元数据同化预报值再次进行数据同化校正，获取二元数据同化预报值。该方法基于机器学习理论，采用数据同化技术融合大数据预报地下水水位变化，可直接应用于地下水水资源的中长期预报及优化配置。

技术领域

本发明属于水文水资源学科地下水预报领域，尤其涉及一种基于支持向量机二元数据同化的地下水水位变化中长期预报方法。

背景技术

地下水资源作为全球最大的淡水资源[Shiklomanov and Rodda,2003]，在全球水循环中占据着重要的位置[Taylor et al.,2013]。地下水作为生活饮用水的主要来源，维系着生态环境的可持续发展[IPCC,2014]。随着人口增加和气候变化，地下水的需求量急剧增加[Konikow,2011；Wada et al.,2011；Wada et al.,2012]。随着地下水的开采，地下水含水层面临着紧缩的危机[Sun,2013]。了解认知地下水的时空分布，对地下水进行中长期预报将有利于地下水资源的合理分配，为应对气候变化，保障水资源的可持续利用提供决策依据。

地下水水位动态研究和中长期预报在地下水水资源管理应用、环境污染检测管理等方面有着广泛的应用。由于地下水埋藏于地下，加上岩层结构的复杂和影响因素的多变，给地下水动态研究带来了困难。基于地下水运动的物理机理构建模型如水均衡模型，物理概念清晰，但有些参数在实际应用中包含有大量的物理参数，有些参数在实际应用中难以准确的获得。随着计算机技术的迅速发展，机器学习算法也开始用于地下水水位动态预报。与传统的物理模型相比，机器学习在预报的时候不需要研究区域的具体的地质结构等相关参数。支持向量机技术在水文水资源学科预报中应用较广[Gill and McKee,2007；Gill etal.,2006；D Liu et al.,2010；D Liu et al.,2016；Y Liu et al.,2012；Yoon et al.,2011；D Liu et al.,2017]。数据同化技术可以有效的提高模型的模拟效率。目前，基于支持向量机的二元数据同化技术在地下水水位变化的中长期预报中暂无相关研究。

发明内容

发明目的：为预报地下水水位动态变化，解决现有技术的不足，本发明首次将基于支持向量机的二元数据同化技术应用于地下水水位变化的中长期预报中，提出一种基于支持向量机二元数据同化的地下水水位变化中长期预报方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于支持向量机二元数据同化的地下水水位变化中长期预报方法，包括如下步骤：

步骤1，获取N个时刻研究区域有效地下水水位和气象要素观测数据集，根据地下水水位变化与气象要素的相关性选取支持向量机的气象驱动要素；

步骤2，采用支持向量机非线性回归方法，构建地下水水位变化预报模型；模型的输入为某一时刻的驱动要素，输出为该时刻的地下水水位变化值；

步骤3，将数据集样本中前t时刻的驱动要素和地下水水位变化值作为训练集，训练预报模型，获得训练好的地下水水位变化预报模型；

步骤4，当预报时刻t+m存在地下水水位观测数据，更新训练集，采用数据同化技术同化校正该集合，采用校正的训练集重新训练预报模型，获取一元数据同化预报模型；

步骤5，将校正后的t+m时刻的驱动要素，输入至一元数据同化预报模型，获取该预报时刻的地下水水位变化一元数据同化预报值；