多变量LSTM神经网络模型在地下水位预测中的应用
Yellow River（2022）
摘要
准确进行地下水位预测对地下水管理具有重要意义.通过将代表补给项的降水量和代表排泄项的气温、水汽压及开采量作为输入变量,构建了基于多变量长短时记忆(LSTM)神经网络的地下水位预测模型.利用济南市2010—2018年月降水量、气温、水汽压和开采量及第四系含水层和岩溶含水层地下水位数据进行模型训练,并利用2019年数据进行验证,结果表明:①利用正弦函数信号拟合气温数据可以消除气温测量误差的影响,提高模型预测精度;②LSTM神经网络模型当神经元失活比率为20％时能够取得最佳的预测结果,其中对第四系含水层地下水位的均方根预测误差为0.84 m,对岩溶含水层地下水位的均方根预测误差为0.68 m;③总体上,LSTM神经网络模型能够较准确地模拟地下水位的动态特征,只在地下水位突变处误差较大.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要