基于注意力机制LSTM神经网络的北方岩溶大泉水位预测研究

摘要

岩溶地下水是北方岩溶区重要供水水源，准确预测其水位动态对地下水资源科学管理和保护具有重要意义。但岩溶含水系统具有强烈的非均质性和各向异性，导致其水位动态往往体现出非平稳及非线性波动状态，造成进行地下水位预测时易产生较大误差。论文提出一种耦合注意力机制（Attention）和长短时记忆（LSTM,Long Short-Term Memory）神经网络的多变量趵突泉地下水位预测模型，利用泉域2013—2024年日降水（代表补给项）及水汽压、日气温和开采量（代表排泄项）进行模型训练和预测，结果表明：（1）采用BEAST（Bayesian Estimator of Abrupt Change, Seasonality, and Trend）算法对1958—2024年趵突泉水位时间序列进行分解，共识别出四个突变点并以此为依据将水位动态划分为四个阶段；（2）互相关分析揭示降雨和趵突泉水位动态变化之间存在2～3个月的时间滞后，表明两者之间动态变化较为一致；（3）所提出的预测模型以多种变量（降水量、水汽压、气温及开采量）作为模型输入，不同变量间的交互作用可相互验证，能有效提升预测精度；（4）采用正弦函数拟合日气温数据，可消除测量误差影响，能在一定程度上提高预测精度；（5）相较于单一LSTM神经网络和门控循环单元（GRU）神经网络，LSTM＿Attention神经网络由于引入注意力机制，能聚焦更重要特征的影响，从而显著提高预测精度，其水位预测RMSE和R²值分别为0.13 m和0.94。总体来说，本文所提出的LSTM＿Attention神经网络岩溶地下水位预测模型具有较强的准确性和稳定性，可为岩溶地下水位精确预测提供借鉴。

关键词

北方岩溶 / 水位预测 / 多变量模拟 / LSTM＿Attention神经网络