RBF神经网络在地下水动态预测中的应用

被引：11

作者：

曹文洁 ^{[1
,2
,3
]}

肖长来 ^{[1
,2
,3
]}

梁秀娟 ^{[1
,2
,3
]}

韩良跃 ^{[3
]}

胡冰 ^{[3
]}

机构：

[1] 吉林大学地下水资源与环境教育部重点实验室

[2] 油页岩地下原位转化与钻采技术国家地方联合工程实验室

[3] 吉林大学环境与资源学院

来源：

水利水电技术 | 2018年 / 49卷 / 02期

关键词：

地下水动态预测; RBF; BP; 神经网络;

D O I：

10.13928/j.cnki.wrahe.2018.02.007

中图分类号：

P641 [水文地质学（地下水水文学）];

学科分类号：

0818 ; 081803 ;

摘要：

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。

引用

页码：43 / 48

页数：6

共 15 条

[1] Stochastic simulation of time-series models combined with geostatistics to predict water-table scenarios in a Guarani Aquifer System outcrop area, Brazil [J].