一种基于深度学习的泉流量预测方法及系统

本发明涉及岩溶水文预测，特别是一种基于深度学习的泉流量预测方法及系统。

背景技术：

1、岩溶泉流量受降雨入渗、地下水位变化、河流渗漏及含水层储释过程共同影响，具有明显的时滞性与阶段性。现有泉流量预测通常采集气象、水文及泉口监测信息，采用循环神经网络、卷积神经网络及组合预测方法提取时间序列特征，并通过历史泉流量与补给因子之间的相关关系预测后续泉流量变化。部分研究还结合电导率、水温和浊度分析补给来源与泉口响应过程。

2、常规方法仍主要将水化学信息作为并列输入，难以利用泉流量与水化学变化之间的迟滞方向和恢复次序识别补给路径切换及新旧水交换状态；同时，不同补给阶段通常由统一预测结构连续处理，当偏差集中于某一响应阶段时，难以定位对应补给响应通道并实施定向修正，容易削弱多时段预测的稳定性。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于深度学习的泉流量预测方法解决补给路径切换识别不足及响应阶段偏差难以定向修正的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了一种基于深度学习的泉流量预测方法，其包括：

5、采集泉域补给区监测数据与泉口监测数据，建立空间关联范围并对补给区监测数据与泉口监测数据进行统一匹配，生成泉域实时监测关联表；

6、对泉域实时监测关联表中的补给端变化与泉口响应进行时间关联，识别补给响应过程并构建水化学迟滞关系；

7、基于水化学迟滞关系，判定各补给响应过程对应的补给路径和交换平衡状态，并结合无响应证据排除未成立的补给路径，形成补给路径状态约束表；

8、依据补给路径状态约束表确定深度学习预测通道的控制条件，结合补给路径状态与交换方向调节各补给响应通道，生成岩溶地质方向的泉流量多时段预测序列；

9、通过比较预测过程与实测过程在各响应阶段的变化差异，对岩溶地质方向的泉流量多时段预测序列进行偏差核验，并定向修正对应补给响应通道，生成岩溶地质方向的泉流量动态预测清单。

10、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中：所述泉域补给区监测数据包括降雨量、土壤含水状态、地下水位和河流渗漏变化数据；

11、所述泉口监测数据包括泉口流量、电导率、水温和浊度。

12、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述建立空间关联范围并对补给区监测数据与泉口监测数据进行统一匹配，生成泉域实时监测关联表，步骤如下：

13、根据泉域补给区监测数据，确定各泉域补给区与泉口之间的空间对应关系，并建立空间关联范围；

14、在空间关联范围内，按照采集时刻、监测位置和对应补给区，对泉域补给区与泉口监测数据进行统一匹配，生成泉域实时监测关联表。

15、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述对泉域实时监测关联表中的补给端变化与泉口响应进行时间关联，识别补给响应过程并构建水化学迟滞关系，步骤如下：

16、从泉域实时监测关联表中提取补给端变化起点、泉口响应起点和恢复节点，并以补给端变化起点为基准沿时间轴匹配对应的泉口响应起点和恢复节点，建立同一补给事件内的时间对应关系；

17、根据泉流量水化学联动轨迹计算水化学迟滞值，并结合水化学迟滞值的正负、绝对值及恢复顺序，构建表征补给路径切换及新旧水交换状态的水化学迟滞关系；

18、将各补给响应过程中的泉流量变化与电导率、水温及浊度变化进行时序配对，形成泉流量水化学联动轨迹；

19、根据泉流量水化学联动轨迹的旋转方向、闭合程度和恢复顺序，构建表征补给路径切换及新旧水交换状态的水化学迟滞关系。

20、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述，步骤如下：

21、将各补给响应过程对应的水化学迟滞关系与不同补给路径的响应判据进行匹配，根据匹配状态判定各补给响应过程对应的补给路径；

22、根据泉流量衰减过程与水化学恢复过程的先后变化，判断水量由基质向管道释放还是由管道向基质回灌，并将变化趋于一致的情况确定为交换状态。

23、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述结合无响应证据排除未成立的补给路径，形成补给路径状态约束表，步骤如下：

24、对补给端已经发生变化但泉口流量与水化学在允许响应时段内未形成连续变化的监测片段进行关联核验，生成无响应证据；

25、将无响应证据与已判定的补给路径进行对应比对，排除缺少实际响应支撑的补给路径，并保留成立的补给路径及交换状态，形成补给路径状态约束表。

26、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述

27、读取补给路径状态约束表中的补给路径状态与交换方向，确定各深度学习预测通道的启用条件、输入范围和传递方向并作为控制条件，依据控制条件启用与各补给响应过程相匹配的管道快速响应通道、裂隙过渡响应通道和基质慢速释放通道；

28、根据各补给响应通道的启用状态，将对应补给响应过程中的短时变化、中期传递变化和长期释放变化分别写入对应补给响应通道，生成分通道补给响应数据；

29、将分通道补给响应数据输入对应的深度学习预测通道，结合交换方向约束各补给响应通道的变化传递方向和持续时段，生成分通道泉流量预测序列；

30、对分通道泉流量预测序列进行时间对齐，依据各补给响应通道的启用状态筛选有效预测片段，并处理不同通道在重叠时段内的衔接关系，生成岩溶地质方向的泉流量多时段预测序列。

31、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述通过比较预测过程与实测过程在各响应阶段的变化差异，对岩溶地质方向的泉流量多时段预测序列进行偏差核验，步骤如下：

32、对岩溶地质方向的泉流量多时段预测序列与对应实测过程进行时间对齐，并按照补给响应的起始、增强、衰减和恢复过程划分偏差核验区段；

33、比较各偏差核验区段内预测变化与实测变化的发生时刻、变化方向和持续状态，生成响应阶段偏差记录；

34、将响应阶段偏差记录与各深度学习预测通道对应的预测时段及控制条件进行匹配，确定产生偏差的补给响应通道。

35、作为本发明所述基于深度学习的泉流量预测方法的一种优选方案，其中，所述定向修正对应补给响应通道，生成岩溶地质方向的泉流量动态预测清单，步骤如下：

36、根据偏差所在响应阶段及变化方向，对对应补给响应通道的响应时序和变化传递关系进行定向修正，生成补给响应通道修正记录；

37、利用补给响应通道修正记录更新岩溶地质方向的泉流量多时段预测序列，并整理各预测时段的泉流量变化及通道修正状态，生成岩溶地质方向的泉流量动态预测清单。

38、第二方面，本发明提供了一种基于深度学习的泉流量预测系统，包括：

39、泉域监测关联模块，采集泉域补给区监测数据与泉口监测数据，建立空间关联范围并对补给区监测数据与泉口监测数据进行统一匹配，生成泉域实时监测关联表；

40、迟滞关系构建模块，对泉域实时监测关联表中的补给端变化与泉口响应进行时间关联，识别补给响应过程并构建水化学迟滞关系；

41、路径状态判定模块，基于水化学迟滞关系，判定各补给响应过程对应的补给路径和交换平衡状态，并结合无响应证据排除未成立的补给路径，形成补给路径状态约束表；

42、预测通道控制模块，依据补给路径状态约束表确定深度学习预测通道的控制条件，结合补给路径状态与交换方向调节各补给响应通道，生成岩溶地质方向的泉流量多时段预测序列；

43、动态偏差修正模块，通过比较预测过程与实测过程在各响应阶段的变化差异，对岩溶地质方向的泉流量多时段预测序列进行偏差核验，并定向修正对应补给响应通道，生成岩溶地质方向的泉流量动态预测清单。

44、本发明有益效果为：通过构建水化学迟滞关系，将泉流量水化学联动轨迹中的旋转方向、闭合程度和恢复顺序转化为补给路径切换及新旧水交换状态，为补给路径判定和无响应证据核验提供岩溶水文依据；通过依据补给路径状态约束表控制管道快速响应通道、裂隙过渡响应通道和基质慢速释放通道，并结合响应阶段偏差记录定向修正对应补给响应通道，使各响应阶段得到针对性预测与更新，提升了岩溶地质方向的泉流量多时段预测序列的连续性和稳定性。