基于图神经网络与水文地质先验约束的地下水水位预测方法及系统与流程

本发明涉及数据处理技术，尤其涉及一种基于图神经网络与水文地质先验约束的地下水水位预测方法及系统。

背景技术：

1、地下水是维系生态平衡、保障城乡供水及支撑经济社会发展的重要战略资源，精准预测地下水水位动态变化，对于水资源优化配置、地下水超采防治及生态环境保护具有重要的意义。

2、目前，现有的地下水水位预测方法多采用数据驱动模型从历史水位序列中学习统计映射关系，但难以同时兼顾井间空间关联与水位时间演化规律。在空间维度上，现有方法通常对每口监测井独立建模，未显式利用监测井之间的空间水力联系，无法感知一口监测井的水位变化对邻近监测井的影响，在时间维度上，现有方法虽能通过循环神经网络刻画水位随时间演化的长期依赖关系，但多步预测时误差会随预测步数逐级累积，导致中长期预测精度明显下降，此外，当训练样本不足、监测井分布稀疏或外部水文条件发生变化时，若缺少对井间相对关系和时间演化平滑性的显式控制，预测结果可能出现相邻井变化不同步、井间相对水位偏离历史统计关系或短期剧烈波动等现象，影响预测结果的稳定性。

3、因此，如何在有限监测井数据条件下形成兼顾数据拟合与预测序列统计一致性的多步预测结果，提高地下水水位的预测准确性，成为亟需解决的问题。

技术实现思路

1、本发明提供一种基于图神经网络与水文地质先验约束的地下水水位预测方法及系统，可以在有限监测井数据条件下形成兼顾数据拟合与预测序列统计一致性的多步预测结果，提高地下水水位的预测准确性。

2、本发明的第一方面，提供一种基于图神经网络与水文地质先验约束的地下水水位预测方法，包括：

3、获取目标区域内各地下水监测井的地下水水位数据以及空间坐标数据，并对所述地下水水位数据进行预处理，得到多井时空序列数据；

4、根据所述空间坐标数据构建各所述地下水监测井之间的图邻接矩阵，并根据所述多井时空序列数据构建时序输入样本；

5、构建时空预测网络，将所述时序输入样本输入所述时空预测网络，得到各监测井在未来连续多个监测时刻的水位预测序列，所述时空预测网络包括空间特征提取层、时间特征提取层和多步输出层；

6、根据所述水位预测序列构建水文地质先验约束残差，所述水文地质先验约束残差包括第一约束项、第二约束项和第三约束项；

7、基于所述水位预测序列与多井水位预测目标之间的数据预测损失，以及所述水文地质先验约束残差，构建联合损失函数，基于所述联合损失函数对所述时空预测网络进行约束微调训练，得到训练完成的时空预测网络；

8、将目标区域内各监测井在连续多个历史监测时刻的地下水水位数据输入所述训练完成的时空预测网络，得到各监测井在未来连续多个监测时刻的地下水水位预测结果。

9、可选地，在第一方面的一种可能实现方式中，所述对所述地下水水位数据进行预处理，得到多井时空序列数据，包括：

10、对各地下水监测井的地下水水位数据进行缺失值剔除与插补处理，并根据统一高程基准将各监测井的水位数据换算为地下水水头数值或直接作为建模数据；

11、将各监测井的水位数据按预设时间粒度进行聚合，得到各监测井的时间序列数据，并将各监测井的时间序列数据按照监测时刻取交集合并，对合并后序列中的空缺位置进行插补，得到多井时空序列矩阵；

12、基于所述多井时空序列矩阵中训练时间区间内的水位数据确定归一化参数，根据所述归一化参数将所述多井时空序列矩阵中的水位数据映射至预设数值区间，得到多井时空序列数据。

13、可选地，在第一方面的一种可能实现方式中，所述根据所述空间坐标数据构建各所述地下水监测井之间的图邻接矩阵，包括：

14、将各所述地下水监测井的经纬度坐标投影至平面直角坐标，并基于投影后的平面直角坐标计算任意两个地下水监测井之间的空间距离；

15、基于各所述空间距离，采用k近邻方法确定各所述地下水监测井的邻近监测井，构建初始邻接矩阵，并基于全部空间距离的统计特征确定特征距离；

16、基于各所述空间距离与所述特征距离确定各所述地下水监测井与其邻近监测井之间的邻接权重，将各所述邻接权重填充至初始邻接矩阵中对应的邻接位置，为所述初始邻接矩阵添加自环，并对添加自环后的邻接矩阵进行对称化与归一化处理，得到图邻接矩阵。

17、可选地，在第一方面的一种可能实现方式中，所述根据所述多井时空序列数据构建时序输入样本，包括：

18、从所述多井时空序列数据中，截取连续第一预设数量个监测时刻对应的多井水位数据，作为一个子输入样本，将所述第一预设数量个监测时刻之后连续第二预设数量个监测时刻对应的多井水位数据，确定为所述子输入样本对应的多井水位预测目标；

19、按照监测时刻先后顺序，将所述多井时空序列数据对应的原始监测时间区间划分为训练时间区间、验证时间区间和测试时间区间；

20、分别在所述训练时间区间、验证时间区间和测试时间区间内构建子输入样本，沿所述多井时空序列数据的监测时刻先后顺序，逐次向后推移一个监测时刻，重复执行所述子输入样本的截取与所述多井水位预测目标的确定操作，得到多组子输入样本及其对应的多井水位预测目标；

21、基于多组相对应的子输入样本与多井水位预测目标构成时序输入样本。

22、可选地，在第一方面的一种可能实现方式中，所述构建时空预测网络，将所述时序输入样本输入所述时空预测网络，得到各监测井在未来连续多个监测时刻的水位预测序列，包括：

23、基于所述空间特征提取层、所述图邻接矩阵以及注意力机制确定聚合权重，对各监测时刻对应的各监测井的水位数据进行邻域聚合，得到多井空间特征；

24、基于所述时间特征提取层对各监测井对应的所述多井空间特征按监测时刻先后顺序进行时序建模，得到各监测井的时序特征信息；

25、基于所述多步输出层、各监测井的所述时序特征信息输出各监测井在未来连续第二预设数量个监测时刻的水位预测序列。

26、可选地，在第一方面的一种可能实现方式中，所述基于所述空间特征提取层、所述图邻接矩阵以及注意力机制确定聚合权重，对各监测时刻对应的各监测井的水位数据进行邻域聚合，得到多井空间特征，包括：

27、对各监测时刻各监测井的水位数据依次进行线性变换、基于所述图邻接矩阵及注意力机制确定聚合权重后进行邻域特征聚合、残差连接以及非线性激活处理，得到各监测时刻对应的多井空间特征；

28、所述基于所述时间特征提取层对各监测井对应的所述多井空间特征按监测时刻先后顺序进行时序建模，得到各监测井的时序特征信息，包括：

29、将各监测井在连续第一预设数量个监测时刻对应的多井空间特征，按监测时刻先后顺序输入循环网络，基于所述循环网络输出各监测井在最后一个历史监测时刻的时序特征信息；

30、所述基于所述多步输出层、各监测井的所述时序特征信息输出各监测井在未来连续第二预设数量个监测时刻的水位预测序列，包括：

31、将各监测井在最后一个历史监测时刻的时序特征信息输入线性映射单元，直接输出各监测井在未来连续第二预设数量个监测时刻的水位变化量；

32、以所述时序输入样本中最后一个历史监测时刻对应的已知水位为基准，将所述已知水位与所述水位变化量叠加，得到各监测井在未来连续第二预设数量个监测时刻的水位预测序列。

33、可选地，在第一方面的一种可能实现方式中，所述根据所述水位预测序列构建水文地质先验约束残差，所述水文地质先验约束残差包括第一约束项、第二约束项和第三约束项，包括：

34、将所述水位预测序列与所述时序输入样本中最后一个历史监测时刻对应的水位数据拼接，得到各监测井的连续水位预测序列，并将所述连续水位预测序列还原为物理量纲的水位序列；

35、根据各监测井在相邻监测时刻的水位差值以及各监测井训练时间区间内的水位取值范围，确定各监测井的归一化水位变化量，基于各监测井在各监测时刻的归一化水位变化量与该监测时刻全部监测井归一化水位变化量平均值之间的偏离程度，并以各监测井归一化水位变化量的整体变化幅度进行归一化，构建所述第一约束项；

36、根据训练时间区间内各监测井的水位均值之差，确定各监测井对之间的井间相对差值基准，基于各监测井对在所述连续水位预测序列中的水位差值与该监测井对对应的井间相对差值基准之间的偏差，构建所述第二约束项；

37、基于所述连续水位预测序列中各监测井相邻监测时刻数值的差分结果，构建所述第三约束项；

38、根据训练时间区间内的水位数据确定所述第一约束项、所述第二约束项和所述第三约束项对应的参考尺度，将所述第一约束项、所述第二约束项和所述第三约束项分别除以各自对应的参考尺度，按照预设的约束权重对参考尺度归一化后的所述第一约束项、所述第二约束项和所述第三约束项进行加权求和，得到水文地质先验约束残差。

39、可选地，在第一方面的一种可能实现方式中，所述基于所述水位预测序列与多井水位预测目标之间的数据预测损失，以及所述水文地质先验约束残差，构建联合损失函数，基于所述联合损失函数对所述时空预测网络进行约束微调训练，得到训练完成的时空预测网络，包括：

40、基于所述水位预测序列与多井水位预测目标之间的均方误差，得到数据预测损失，将所述数据预测损失与预设的先验约束权重和所述水文地质先验约束残差的乘积进行求和，得到联合损失函数；

41、基于所述数据预测损失对所述时空预测网络进行迭代训练，直至满足预设的预训练收敛条件，得到预训练网络参数；

42、将所述时空预测网络的网络参数初始化为所述预训练网络参数，并在训练迭代过程中按照预设预热轮数使所述先验约束权重由初始权重值逐步增大至预设的目标权重值；

43、基于所述联合损失函数对所述时空预测网络的网络参数进行迭代更新，直至满足预设的微调收敛条件，得到训练完成的时空预测网络。

44、可选地，在第一方面的一种可能实现方式中，所述得到各监测井在未来连续多个监测时刻的地下水水位预测结果之后，还包括：

45、将各监测井的地下水水位预测结果还原为物理量纲的水位数值，并按照预设的多个预测时域分别确定各监测井在各预测时域对应的水位预测值；

46、基于各监测井在各预测时域对应的水位预测值与对应的水位真实值，计算各监测井的均方根误差和决定系数，并对全部监测井的均方根误差和决定系数分别取宏平均，得到各预测时域对应的宏平均指标；

47、以第三预设数量个预测时域对应宏平均指标的算术平均值，作为多步预测的整体评价指标，以对所述时空预测网络的预测精度进行评价。

48、本发明的第二方面，提供一种基于图神经网络与水文地质先验约束的地下水水位预测系统，包括：

49、处理模块，用于获取目标区域内各地下水监测井的地下水水位数据以及空间坐标数据，并对所述地下水水位数据进行预处理，得到多井时空序列数据；

50、构建模块，用于根据所述空间坐标数据构建各所述地下水监测井之间的图邻接矩阵，并根据所述多井时空序列数据构建时序输入样本；

51、预测模块，用于通过时空预测网络对所述时序输入样本进行处理，得到各监测井在未来连续多个监测时刻的水位预测序列；所述时空预测网络包括空间特征提取层、时间特征提取层和多步输出层；

52、约束模块，用于根据所述水位预测序列构建水文地质先验约束残差，所述水文地质先验约束残差包括第一约束项、第二约束项和第三约束项；

53、训练模块，用于基于所述水位预测序列与多井水位预测目标之间的数据预测损失，以及所述水文地质先验约束残差，构建联合损失函数，先基于所述数据预测损失对所述时空预测网络进行预训练，得到预训练网络参数，再以所述预训练网络参数为初始参数，基于所述联合损失函数对所述时空预测网络进行约束微调训练，得到训练完成的时空预测网络；

54、输出模块，用于将目标区域内各监测井在连续多个历史监测时刻的地下水水位数据输入所述训练完成的时空预测网络，得到各监测井在未来连续多个监测时刻的地下水水位预测结果。

55、本发明的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的基于图神经网络与水文地质先验约束的地下水水位预测方法。

56、本发明的有益效果如下：

57、1、本发明将图结构的空间建模、循环网络的时间建模与由训练期监测数据确定的统计先验约束相结合，并采用以最后已知水位为基准的增量输出方式，其中空间特征提取层在k近邻图限定的邻接范围内通过注意力机制根据监测井特征自适应确定聚合权重，时间特征提取层对各监测井的空间特征进行时序建模，多步输出层输出各监测井未来连续多个监测时刻的水位变化量并与最后一个历史监测时刻的已知水位叠加得到水位预测序列，使预测结果锚定最新观测，从而在稀疏监测井条件下同时利用了井间空间关联信息和水位时序演化信息，提升了中长期水位预测的精度和稳定性。

58、2、本发明在具有统一高程基准时以地下水水头为建模变量，并基于训练时间区间内的监测数据构建水位变化一致性约束项、井间水头差稳定性约束项和时序平滑约束项，三项约束以训练时间区间内计算的参考尺度进行归一化，分别从多井变化一致性、井间相对关系和时间演化平滑性三个角度对预测序列施加统计先验正则化，从而在训练数据不充分或水文条件变化时，约束预测结果不出现各井水位变化剧烈相反、井间水位差明显偏离历史水平、水位演化趋势反复振荡等不合理现象，提升了预测结果的水文地质合理性与可信度。

59、3、本发明采用先预训练再约束微调的两阶段训练方式，并设置先验约束权重预热机制，在预训练阶段仅基于数据预测损失训练网络，使网络先充分学习数据中的水位变化规律，在微调阶段以预训练网络参数为初始参数，使先验约束权重由初始权重值按预设预热轮数逐步增大至预设值，并基于验证集联合损失确定最优网络参数，从而使网络同时具备良好的预测精度和水文地质一致性。