利用代理井预测灌区井群地下水位的混合方法及系统

本发明涉及灌区地下水位预测，尤其涉及利用代理井预测灌区井群地下水位的混合方法及系统。

背景技术：

1、地下水是全球稳定的淡水水源，在维持区域生态平衡、生活用水、农业灌溉和工业发展中发挥着不可替代的作用。全球约25%的农业灌溉依赖地下水供给，这一比重在干旱与半干旱地区更大。然而，过去40年里，随着灌溉农业的迅猛发展以及缺乏科学的灌溉制度，全球多个粮食产区（如印度西北部、华北平原、美国中部及加利福尼亚等）地下水资源出现不同程度的衰竭和退化。因此，开展灌区地下水位的精确模拟与预测，对于制定区域水资源可持续开发策略，保障水-粮协调发展具有重要的科学价值。

2、当前，预测地下水的模型可以大致分为两类：面向过程模型和数据驱动模型。前者主要以modflow、feflow和getflows等模型为主，模型通过将地质结构进行概化和时空离散，构建一系列可以描述地下水动力过程的方程，最后通过解析或数值方法求解方程进而实现对地下水的模拟。然而，此类模型对高质量的水文地质参数、边界条件和初始状态具有较强的依赖性。在实际应用中，受限于数据的可获取性以及对复杂水文过程不可避免的简化，使得模型在实现复杂扰动条件下的地下水模拟方面面临着较大的挑战。与面向过程模型不同，数据驱动模型（统计模型、机器学习模型和深度学习模型）不依赖明确的物理机制以及精确的水文地质参数，而是通过对历史数据的学习，直接挖掘输入与输出之间的非线性映射关系，从而实现对地下水的模拟。尤其是近年来，随着计算机算力的提升以及深度学习技术的快速发展，数据驱动模型在地下水位预测中的精度与泛化能力显著增强，已逐渐成为该领域重要建模工具。

3、在众多数据驱动模型中，lstm因其独特的门控机制，能够有效缓解传统循环神经网络（rnn）在长序列建模中面临的梯度消失与爆炸问题，而被广泛的用于地下水位预测研究中，并取得了良好的效果。然而，随着研究的逐步深入，研究人员发现lstm对序列中远距离依赖信息的感知能力较为有限，难以充分挖掘多输入变量之间的全局关联，在预测驱动因素复杂、变化剧烈的地下水时性能表现一般。transformer，一种基于自注意力机制的深度学习架构，显著提升了对输入序列中远距离依赖关系及多变量耦合机制的建模效率与表达能力。为增强模型对长期依赖特征的捕捉能力，同时保留对时序动态变化的敏感性与刻画精度，研究人员将transformer和lstm进行结构性耦合，并已成功的用于河流水位、水质以及土壤水分的预测研究中，然而，其在地下水位的应用较少。

4、灌区地下水位变化是自然因素与人类活动共同作用的结果。因此，理论上在构建数据驱动模型时，输入变量应涵盖自然过程与人为扰动两个维度。前者应引入能够表征区域水循环特征的关键气象因子，如降水量、蒸散发等要素；后者应尽可能纳入反映灌溉强度的人类活动指标，如地下水抽水灌溉量以及外源引水灌溉量等变量。然而，灌溉数据获取受隐私保护、高成本监测设备的安装与维护以及农户在实际用水量计量与上报中存在瞒报、漏报或虚报行为等因素制约，导致现有的灌溉记录通常缺乏关于时间、数量、位置和来源的重要信息。此外，尽管一些机构或研究人员发布了灌溉用水数据集，如粮农组织的灌溉需水量(iwr)数据集（粮农组织，2021年）以及一些研究人员公开发表的基于遥感估算灌溉量，但这类数据集时间分辨率为多年或者每年，难以满足灌区地下水位在月、日或小时尺度下的预测需要。

5、为了弥补灌溉数据不足可能对预测精度造成的不利影响，研究人员尝试引入一些其他变量来表征灌溉强度。如一些研究利用气温来表征抽水强度，其逻辑在于气温升高往往会引发用水量（如作物需水量、生活用水量等）的增加，进而可能诱发更强烈的地下水抽取行为。尽管将气温作为人类抽取地下水行为的代理变量具有一定合理性，且有成功预测人类活动影响下地下水位的案例。但该方法建立在“气温升高将导致灌溉强度增加”的隐含前提下，忽略了灌溉行为还会受水源可得性以及政策管控等因素影响。单一依赖气温变量可能难以全面表征大尺度差异化灌溉扰动过程。这就意味着，在大型灌区应用该方法时，模型仍可能会面临扰动信息缺失的问题，从而可能对其预测精度产生影响。此外，鉴于地下水系统具有显著的“记忆效应”，且前一时刻地下水位是历史自然过程与人类扰动（如抽水、回灌渗漏）的累积作用结果。因此，大量研究将其作为综合代理变量引入模型，并成功预测了全球不同区域的地下水位。尽管前一时刻地下水位在一定程度上已集成了历史气候过程与人类扰动等多源信息，但其本质上仍是对过去扰动结果的表征，并未包含当前时段内人类活动的扰动。因此，在预测下一时刻地下水位时，使用前期水位作为输入，模型并没有接收到当前实际发生的抽水、灌溉等信号，尤其在人类活动发生阶段性变化或强度突变的情形下，模型预测精度将会受到影响。如何在缺乏灌溉数据背景下实现对地下水位的精准预测，仍然是一个亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种利用代理井预测灌区井群地下水位的混合方法及系统，以解决目前现有技术中存在的在缺乏可靠灌溉数据条件下，难以实现灌区地下水位精准预测的技术问题。

2、本发明所解决的技术问题可以采取以下方案来实现：

3、本发明提供一种利用代理井预测灌区井群地下水位的混合方法，包括以下步骤：

4、特征筛选：对灌区观测井的历史气象数据与地下水位数据进行特征筛选，得到用于各目标井预测的输入特征子集；

5、观测井时空聚类：基于所述历史地下水位数据的时空变化模式，对观测井进行聚类，形成多个具有相似水位动态特征的井群簇；

6、代理井优选：为每个井群簇从其内部选定一口代理井，所述代理井通过评估其与同

7、簇内其他观测井的水位序列综合相似度予以确定；

8、混合模型构建与预测：构建并训练一个融合深度学习预测模型，对于任一目标井，将获得的该井对应的所述输入特征子集，以及其所属井群簇的代理井的水位数据，共同作为输入特征，预测该目标井的未来地下水位；

9、误差动态修正：基于所述融合深度学习预测模型的预测误差序列，构建动态误差修正模型，对得到的初步预测结果进行修正，输出最终的地下水位预测值。

10、进一步的：所述代理井优选步骤具体包括：

11、综合相似度计算：计算井群簇内每一口候选观测井与该簇内所有其他观测井之间的水位序列综合相似度，所述水位序列综合相似度通过结合时序相似度与空间约束权重获得；

12、代理井确定：根据计算得到的各候选观测井的综合相似度评估结果，从所述井群簇中确定一口代理井。

13、进一步的：所述代理井优选步骤具体包括：

14、时序相似度计算：对于所述井群簇内任意两口观测井，采用动态时间规整算法计算其水位时间序列在不同滞后期下的序列距离，将最小序列距离转化为时序相似度；

15、空间约束权重计算：根据所述两口观测井之间的空间距离，通过指数衰减函数计算空间约束权重；

16、综合相似度计算：将所述时序相似度与所述空间约束权重相乘，得到所述两口观测井之间的水位序列综合相似度；

17、信息覆盖度计算：对于井群簇内每一口候选观测井，计算其与簇内所有其他观测井之间的水位序列综合相似度之和，作为该候选观测井的信息覆盖度；

18、代理井确定：选择所述信息覆盖度最大的候选观测井作为所述井群簇的代理井。

19、进一步的：所述时序相似度计算步骤具体包括：

20、对于井群簇内任意两口观测井和，通过动态时间规整算法计算其水位时间序列在不同滞后期下的序列距离，并从中确定最小序列距离

21、，

22、其中，和分别为井和井的水位时间序列，表示将序列平移个时间步；

23、基于所述最小序列距离，通过指数映射函数计算得到所述两口观测井之间的时序相似度，其中为尺度参数。

24、进一步的：所述空间约束权重计算步骤具体包括：

25、对于井群簇内任意两口观测井和，获取其空间距离；

26、基于所述空间距离，通过指数衰减函数计算得到所述两口观测井之间的空间约束权重，其中为控制距离衰减强度的参数，且。

27、进一步的：所述特征筛选步骤具体包括：

28、获取每一口观测井的候选输入变量库，所述候选输入变量库包含不同滞后期的历史气象变量和历史地下水位变量；

29、基于偏互信息算法，从所述候选输入变量库中筛选出与目标井地下水位预测相关性最高的特征子集，作为用于预测的输入特征子集。

30、进一步的：所述观测井时空聚类步骤具体包括：

31、采用迭代自组织聚类数据分析算法，根据所述观测井的历史地下水位时间序列的波动形态相似性，将观测井划分为多个具有相似水位动态特征的井群簇。

32、进一步的：所述混合模型构建与预测步骤具体包括：

33、构建一个串联结构的深度学习预测模型，所述模型包括前置的transformer编码器模块和后置的长短期记忆网络解码器模块；

34、对于每一个井群簇中的每一口目标井，将获得的该目标井对应的所述输入特征子集，以及其所属井群簇的代理井的水位序列，组合为输入特征向量；

35、以所述目标井的未来地下水位作为训练目标，对所述深度学习预测模型进行训练，并通过训练完成的模型进行水位预测。

36、进一步的：所述误差动态修正步骤具体包括：

37、基于所述融合深度学习预测模型在训练过程中产生的预测残差序列，构建并训练一个马尔可夫切换自回归模型；

38、利用训练完成的所述马尔可夫切换自回归模型，对所述融合深度学习预测模型输出的初步水位预测值进行动态残差修正，得到最终校正后的地下水位预测值。

39、本发明还提供一种利用代理井预测灌区井群地下水位的混合系统，包括：

40、特征筛选模块：用于对灌区观测井的历史地下水位数据与气象数据进行特征筛选，得到用于各目标井预测的输入特征子集；

41、观测井时空聚类模块：用于基于所述历史地下水位数据的时空变化模式，对观测井进行聚类，形成多个井群簇；

42、代理井优选模块：用于为每个井群簇从其内部选定一口代理井，所述代理井通过评估其与同簇内其他观测井水位序列的综合相似度予以确定；

43、混合模型构建与预测模块：用于构建并训练一个融合深度学习预测模型，对于任一目标井，将获得的该井对应的所述输入特征子集，以及其所属井群簇的代理井的水位数据，共同作为输入特征，预测该目标井的未来地下水位；

44、误差动态修正模块：用于基于所述融合深度学习预测模型的预测误差序列，构建动态误差修正模型，对得到的初步预测结果进行修正，输出最终的地下水位预测值。

45、与现有技术相比，本发明的有益效果是：

46、1.构建系统化的灌区地下水位预测方法，有效解决灌溉数据缺失下的预测难题。本发明通过整合特征筛选、时空聚类、代理井优选、混合深度学习建模与动态误差修正五个步骤，形成系统的灌区地下水位预测方法。它首先通过特征筛选优化输入信息，降低数据噪声；然后通过时空聚类识别相似动态的井群，并从中优选出能够代表其他观测井水位变化动态特征的代理井，创造性地利用代理井水位作为区域灌溉扰动信号的替代，有效弥补了直接灌溉数据的缺失。随后通过深度学习模型进行融合预测，并通过误差修正对残余误差进行动态校准。该方法能够在不依赖任何直接灌溉活动观测数据的条件下，实现对复杂人类活动干扰下灌区地下水位的全面、精准预测。

47、2.提出科学可靠的代理井优选方法，确保区域扰动信号的高质量输入。本发明提出的考虑地下水连通性与空间约束的代理井优选方法，首先通过动态时间规整算法（dtw）度量时序相似性，量化井群簇内任意一对观测井之间在不同滞后期下的水位波动形态的相似性。随后引入空间距离指数衰减约束，避免因远距离波动形态偶然相似而产生的误选。将时序相似度与空间权重相乘得到综合相似度，并计算每口井对簇内其他井的综合相似度之和作为信息覆盖度。通过选择信息覆盖度最大的井作为代理井，确保所选井能够最大程度地代表所在井群的整体动态特征，为模型提供高质量、高代表性的区域灌溉扰动输入信号。

48、3.预测性能优异，在多种灌溉模式下均达到可靠标准。将本发明的深度学习混合方法及系统应用于多种灌溉方式并存灌区的目标井群地下水位预测，结果表明，在黄灌子区、井灌子区及混灌子区均取得了可靠的预测精度，平均纳什-萨特克利夫效率系数（nse）分别达到0.90、0.91和0.89，均方根误差（rmse）均值分别为0.12m、0.19m和0.22m。所有指标均显著优于仅使用历史气象与水位数据的基准模型，并在各灌溉子区均满足了nse>0.8的可靠预测标准，证明了其广泛的适用性与可靠性。