一种河流流域地下水超采区预测决策平台发明专利

专利名称：一种河流流域地下水超采区预测决策平台

专利类型：发明专利

专利申请号：CN202111147331.4

专利申请（专利权）人：水利部海河水利委员会水文局,天津市龙网科技发展有限公司
权利人地址：天津市河东区龙潭路15号

专利发明（设计）人：王哲,韩瑞光,于磊,朱静思,顾鎏,薛丽娟

专利摘要：本发明是一种河流流域地下水超采区预测决策平台，包括三维场景搭建模块、地质结构管理模块、地下水水位管理模块和地下水模拟预测模块。本发明采用先进的GIS、三维可视化以及数值模拟方法，对浅层地下水体及地质体空间结构进行多维描述，实现了地下水体及其赋存环境的三维空间可视化透视，以多维的方式集中展现地下水各类监测信息、模拟信息、预测决策信息等，并对所生成的三维地表环境、钻孔和地质体进行动态分析和评价，从多角度预测各种变化环境条件下地下水流场和降落漏斗的时空动态变化过程，最大限度地增强含水层空间分析和地下水资源评价的准确性，为地下水管理向动态管理、精细管理和可视化管理提供支撑。

主权利要求：
1.一种河流流域地下水超采区预测决策平台，其特征在于，包括三维场景搭建模块、地质结构管理模块、地下水水位管理模块和地下水模拟预测模块，三维场景搭建模块对超采区地形地貌三维场景数据进行搭建，地质结构管理模块、地下水水位管理模块和地下水模拟预测模块在垂向上分为三个层次，分别为表现层、业务逻辑层和数据层；
数据层，所述数据层为数据库，数据库按照开发模块可分为钻孔信息与地表层信息数据库、地下水监测数据库和地下水模型数据库；
业务逻辑层，所述业务逻辑层位于数据层之上，业务逻辑层为相应模块要表现的内容的业务服务，地质结构管理主要包括基础底图表现和水文地质结构模型表现；地下水水位管理主要为地下水监测数据的处理与分析；地下水模拟预测主要表现地下水统计模型和地下水流数值模型，并实现模型的运行及结果分析；
表现层，所述表现层位于业务逻辑层之上，表现层划分为：地质结构管理、地下水位管理和地下水模拟预测，其中，地质结构管理包括基础二三维操作、信息查询和空间分析；地下水位管理包括监测井查询、统计信息查询和流场管理；地下水模拟预测包括基础数据管理、模型库管理和成果展示分析。
2.根据权利要求1所述的河流流域地下水超采区预测决策平台，其特征在于，三维场景搭建模块搭建三维场景时的数据处理包括数据矫正、数据拼接、数据裁剪、数据叠加和标注渲染。
3.根据权利要求2所述的河流流域地下水超采区预测决策平台，其特征在于，三维场景搭建采用GIS软件、三维可视化以及数值模拟方法，对浅层地下水体及地质体空间结构进行多维描述，以仿真的形式从三维角度再现地下水含水介质的空间结构特征、地下水水位与降落漏斗的动态变化以及不同降雨条件和开采方案下的地下水流场趋势预测。
4.根据权利要求1所述的河流流域地下水超采区预测决策平台，其特征在于，地下水模拟预测模块以地下水水位动态监测数据为基础，融合超采区降雨量、开采量要素，通过确定地下水位动态变化影响因子，对地下水位动态进行模式分类及识别。
5.根据权利要求4所述的河流流域地下水超采区预测决策平台，其特征在于，地下水统计模型采用BP神经网络进行建模，实现地下水水位的预测。
6.根据权利要求4所述的河流流域地下水超采区预测决策平台，其特征在于，地下水统计模型采用时间序列ARMA模型进行建模，实现地下水水位的预测。
7.根据权利要求4所述的河流流域地下水超采区预测决策平台，其特征在于，地下水流数值模型通过Modflow软件进行建模，对已建地下水流数值模型进行拟合验证，利用长观孔和流场资料，通过地下水位过程线以及地下水流场拟合矫正，识别水文地质参数和反演源汇项。 说明书 : 一种河流流域地下水超采区预测决策平台技术领域[0001] 本发明涉及地下水超采区预测领域，尤其涉及一种河流流域地下水超采区预测决策平台。背景技术[0002] 地下水是河海流域水资源的重要组成部分。长期大量超采地下水会造成部分地区含水层疏干、地面沉降、海水入侵等生态与地质环境问题。以海河为例，上世纪70年代以来，3 3海河流域地下水开采量快速增加，由200亿m增加至2017年的363亿m，地下水累计亏空量达3 21800亿m 左右，超采面积达18万km ，形成多个地下水位降落漏斗，造成部分地区含水层疏干、地面沉降和海水入侵的问题。[0003] 目前很多地区地下水超采问题严重，地下水信息化建设还存在短板。发明内容[0004] 本发明旨在解决上述问题，而提供一种河流流域地下水超采区预测决策平台。[0005] 本发明为实现上述目的，采用以下技术方案：一种河流流域地下水超采区预测决策平台，包括三维场景搭建模块、地质结构管理模块、地下水水位管理模块和地下水模拟预测模块，三维场景搭建模块对超采区地形地貌三维场景数据进行搭建，地质结构管理模块、地下水水位管理模块和地下水模拟预测模块在垂向上分为三个层次，分别为表现层、业务逻辑层和数据层；[0006] 数据层，所述数据层为数据库，数据库按照开发模块可分为钻孔信息与地表层信息数据库、地下水监测数据库和地下水模型数据库；[0007] 业务逻辑层，所述业务逻辑层位于数据层之上，业务逻辑层为相应模块要表现的内容的业务服务，地质结构管理主要包括基础底图表现和水文地质结构模型表现；地下水水位管理主要为地下水监测数据的处理与分析；地下水模拟预测主要表现地下水统计模型和地下水流数值模型，并实现模型的运行及结果分析；[0008] 表现层，所述表现层位于业务逻辑层之上，表现层划分为：地质结构管理、地下水位管理和地下水模拟预测。其中，地质结构管理包括基础二三维操作、信息查询和空间分析；地下水位管理包括监测井查询、统计信息查询和流场管理；地下水模拟预测包括基础数据管理、模型库管理和成果展示分析。[0009] 三维场景搭建模块搭建三维场景时的数据处理包括数据矫正、数据拼接、数据裁剪、数据叠加和标注渲染。[0010] 三维场景搭建采用GIS软件、三维可视化以及数值模拟方法，对浅层地下水体及地质体空间结构进行多维描述，以仿真的形式从三维角度再现地下水含水介质的空间结构特征、地下水水位与降落漏斗的动态变化以及不同降雨条件和开采方案下的地下水流场趋势预测。[0011] 地下水模拟预测子以地下水水位动态监测数据为基础，融合超采区降雨量、开采量要素，通过确定地下水位动态变化影响因子，对地下水位动态进行模式分类及识别，运用数学统计的方法建立地下水位与影响因子之间的关系，利用BP神经网络和时时间序列ARMA模型预测分析地下水动态变化趋势，评价时间尺度地下水位与降雨量、开采量相关要素之间的联动关系，并辅助地下水数值模型的建立与验证。[0012] 地下水统计模型采用BP神经网络进行建模，实现地下水水位的预测。[0013] 地下水统计模型采用时间序列ARMA模型进行建模，实现地下水水位的预测。[0014] 地下水流数值模型通过Modflow软件进行建模，对已建地下水流数值模型进行拟合验证，利用长观孔和流场资料，通过地下水位过程线以及地下水流场拟合矫正，识别水文地质参数和反演源汇项。[0015] 地质结构管理模块的功能包括基础功能、钻孔信息查询、剖面信息查询和地层空间分析。[0016] 地层空间分析包括地质体的旋转查看、地层挖掘、提取和虚拟剖面和虚拟钻孔。[0017] 本发明的有益效果是：本发明充分利用国家地下水监测工程监测数据和已有数据的基础上，采用先进的GIS、三维可视化以及数值模拟方法，实现了地下水体及其赋存环境的三维空间可视化透视，以多维的方式集中展现地下水各类监测信息、模拟信息、预测决策信息等，并对所生成的三维地表环境、钻孔和地质体进行动态分析和评价，从多角度预测各种变化环境条件下地下水流场和降落漏斗的时空动态变化过程，最大限度地增强含水层空间分析和地下水资源评价的准确性，为地下水管理向动态管理、精细管理和可视化管理提供支撑。附图说明[0018] 图1为本发明的整体框架图；[0019] 图2为实施例的原理框图；[0020] 图3为MODFLOW与GIS整合思路图；[0021] 图4为地质结构管理子模块功能分析图；[0022] 图5为地下水位管理子模块功能分析图；[0023] 图6为地下水模拟预测子模块功能分析图；[0024] 图7为预测方案管理功能分析图；[0025] 图8为成果展示分析功能分析图；[0026] 图9为BP神经网络进行的求解流程图；[0027] 图10为涿州市2000‑2010年水位图；[0028] 图11为预测输出与期望输出的水位图；[0029] 图12为BP神经网络预测误差百分比图；[0030] 图13为趋势项拟合图；[0031] 图14为周期项拟合图；[0032] 图15为ARMA模型建模流程图；[0033] 图16为涿州市预测输出与期望输出的水位图；[0034] 图17为通州浅层预测输出与期望输出的水位图；[0035] 图18为通州深层预测输出与期望输出的水位图；[0036] 图19为无极县预测输出与期望输出的水位图；[0037] 以下将结合本发明的实施例参照附图进行详细叙述。具体实施方式[0038] 下面结合附图和实施例对本发明作进一步说明：[0039] 本实施例选择海河大清河淀西平原作为典型超采区，开展地下水精细化数值模拟预测研究和多源信息应用平台方法的研究，实现流域地下水水位、水量及影响因子等信息的动态跟踪评估和模拟预测，为流域地下水超采治理提供关键技术决策支撑。[0040] 如图1至图19所示，包括三维场景搭建模块、地质结构管理模块、地下水水位管理模块和地下水模拟预测模块，三维场景搭建模块对超采区地形地貌三维场景数据进行搭建，地质结构管理模块、地下水水位管理模块和地下水模拟预测模块在垂向上分为三个层次，分别为表现层、业务逻辑层和数据层；[0041] 数据层，所述数据层为数据库，数据库按照开发模块可分为钻孔信息与地表层信息数据库、地下水监测数据库和地下水模型数据库；[0042] 业务逻辑层，所述业务逻辑层位于数据层之上，业务逻辑层为相应模块要表现的内容的业务服务，地质结构管理主要包括基础底图表现和水文地质结构模型表现；地下水水位管理主要为地下水监测数据的处理与分析；地下水模拟预测主要表现地下水统计模型和地下水流数值模型，并实现模型的运行及结果分析；[0043] 表现层，所述表现层位于业务逻辑层之上，表现层划分为：地质结构管理、地下水位管理和地下水模拟预测。其中，地质结构管理包括基础二三维操作、信息查询和空间分析；地下水位管理包括监测井查询、统计信息查询和流场管理；地下水模拟预测包括基础数据管理、模型库管理和成果展示分析。[0044] 一、三维场景搭建模块的搭建过程如下：[0045] (一)源汇项的选取确定[0046] a、降水入渗补给[0047] 降水入渗补给量采用下列公式计算：[0048] Qik＝103αiPikFi[0049] 式中：Qik－第i分区第k个月降水入渗补给量(m3)；αi－第i区对应的降水入渗系k 2数；Pi－第i区第k个月降水量(mm)；Fi－第i区的计算区面积(km)。[0050] 降水入渗系数是指降水对地下含水层的补给量与降水量之比，其实质是降水对地下水补给在总降水量中所占的比例，此参数用于计算地下水的降水入渗补给量。其值的大小受降水特征、包气带厚度与岩性、地形、地貌及植被等因素的综合影响。[0051] b、潜水蒸发[0052] 潜水蒸发量受气象、地貌、植被、包气带厚度与结构等自然因素的影响。蒸发表面选择为地表，蒸发高程为地表高程。对于一个固定地点来说，它主要受包气带厚度、岩性和水面蒸发量控制。参照《华北平原(河北部分)地下水资源调查评价报告》中的潜水蒸发系数参数，确定本次典型超采区的模型模拟采用蒸发极限埋深为4m。[0053] c、山前侧向流入[0054] 典型超采区西侧边界选取的是100m等高线，为太行山山区与河北平原接触补给边界。受地形地貌、地层岩性以及构造特征控制，在不同的地段太行山山区与河北平原接触关系有所不同。可基本归纳为三种类型：第一类为各较大河流出山口地段以砾卵石、砂砾卵石层与山区河谷平原相接，地下水以潜流形式流入平原，此地段为透水边界或称为强径流补给边界；第二类为以第四系粘土、泥砾层、粉土与第三系红色泥岩及泥砾岩接触，这种类型普遍分布在河间地带，尤以大沙河以南为典型。山区地下水主要通过近山季节性溪流所形成的小规模冲洪积扇以侧向径流补给平原；第三类为平原与基岩接触，此类型大体分为两种情况：一是与二叠系上统砂岩夹薄层页岩、中上元古界白云岩、蚀变安山岩及太古界大理岩等接触的弱透水段，对平原地下水存在弱径流补给。二是与奥陶系中、下统灰岩、白云质灰岩，寒武系鲕状灰岩等接触地段，基岩富水性强，具有承压性，对平原第四系孔隙水有较强的补给，此种情况主要分布于邢台市西北和市区，上述三种接触关系详见山前水文地质剖面图。模型中使用的山前边界流量包.well包，是点状入渗包。将山前流量断面假设成一排注水井，进行边界流入补给。[0055] 所得到的单网格边界流量q与年降水量P，区域汇水面积A和边界网格数N有关，最后通过系数分配算得，公式如下：[0056][0057] 其中，q为单网格边界流量，m3/d；P为年降水量，mm；a为降雨量月分配系数，无量2纲；A为区域汇水面积，m；α为地下水径流系数；N为流量边界涉及的网格数。[0058] d、东侧侧向流出[0059] 天然条件下，典型超采区东侧边界处地下水向淀东平原径流；在人工干扰下，形成保定地下水降落漏斗，可能造成淀东平原地下水反向淀西平原径流的情况。因此此边界为淀西平原与淀东平原的流量交换边界，即为第三类边界条件，在本次模型模拟中概化为通用水头边界。[0060] e、地表水体渗漏[0061] (1)河流[0062] 河道渗漏量的减小主要是因为大规模的修建水库拦截径流，地表水的利用效率大大增加，与此同时，导致河川径流减小，以至河道断流到20世纪80年代，典型超采区主要河道几乎全部干涸。[0063] 据调查资料表明，1980年以来大清河水系中除北支系的拒马河常年有水之外，其它各河流断流天数均在300d以上。因此，在本次建模中未予考虑。[0064] (2)白洋淀[0065] 淀边区含水层为多结构含水岩系，1988年地下水埋深达8.7m。主要开采40‑150m的浅层水，1985年白洋淀干涸后，地下水位严重下降，淀南、寨里、三台一带形成漏斗。1988年重新蓄水后，淀周边地下水位明显上升，但由于淀南雁翎油田对深层地下水的大量开采，对地下水产生了一定影响。2008年淀区周边浅层地下水水位在‑5至‑10m左右[0066] 白洋淀蓄水水位整体高于淀区周边地下水位，因此，白洋淀的水通过渗漏向下补给含水层中的地下水。[0067] (二)结合地下水业务管理实际需求，对超采区地形地貌三维场景数据进行搭建；[0068] 地下水流数学模型如下：[0069][0070] 式中：Ω－渗流区域；h＝h(x，y，z)，含水层的水位标高(m)；hr－黄河及其它地表水体的水位标高(m)；Kx、Ky、Kz－分别为x、y、z方向的渗透系数(m/d)；Kn－边界面法向方向的渗透系数(m/d)；S—自由面以下含水层储水系数；μ－潜水含水层在潜水面上的重力给水度；σ－河流底部弱透水层的阻力系数(m/d)；ε－含水层的源汇项(1/d)；p－潜水面的蒸发和降水入渗强度等(m/d)；h0－含水层的初始水位分布(m)，h0＝h0(x，y，z)；Γ0—渗流区域的上边界，即地下水的自由表面；Γ1－渗流区域的二类边界；Γ2－渗流区域的三类边界；3 2－边界面的法线方向；q(x，y，z，t)－定义为二类边界的单位面积的流量(m/d.m)，流入为正，流出为负，隔水边界为0。[0071] 地下水流数学模型采用MODFLOW软件进行仿真建立模型，在Modflow基础上，相继开发了地下水质点运移模拟模块Modpath、地下水溶质运移模块MT3DMS、含水层参数识别模块PEST、地面沉降模块SUB、水文地质单元流模块HUF，大大丰富了地下水系统识别和模拟的内容。[0072] 利用GIS软件的空间分析功能，统一采用数据库管理模式存储随时间变化的大量数据，最后利用程序写入相对应的MODFLOW格式文件中。其中降雨入渗和灌溉入渗采用Recharge模块，对应数据存入.rch文件中；给定流量边界、开采量以及压缩释水量采用Well模块，对应数据存入.wel文件；蒸发采用Evapotranspiration模块，对应数据存入.evt文件；通用水头边界采用General‑Head模块，对应数据存入.ghb文件；给定水头边界采用Time‑vary‑specific‑head模块，对应数据存入.chb文件中，地下水流数值模型和GIS的应用平台进行了集成，如图3所示。[0073] 三维场景搭建采用先进的GIS、三维可视化以及数值模拟方法，对浅层地下水体及地质体空间结构进行多维描述，以仿真的形式从三维角度再现地下水含水介质的空间结构特征、地下水水位与降落漏斗的动态变化以及不同降雨条件和开采方案下的地下水流场趋势预测。[0074] 三维场景搭建模块搭建三维场景时的数据处理包括数据矫正、数据拼接、数据裁剪、数据叠加和标注渲染，具体内容如下：[0075] a、数据矫正[0076] 为消除由于数据源不同而出现的出现不一致问题，通过执行额外的工作以将新数据集与其余数据进行整合。通过空间变换、橡皮拉伸、边界匹配、属性传递方法，减少或消除数据会在几何上发生变形或旋转。[0077] 通过空间数据进行空间校正，达到确保数据质量，提高数据在表达空间位置、专题特征以及时间信息的准确性、一致性、完整性及三者之前的统一性程度。[0078] b、数据拼接[0079] 主要拼接数据为DOM和DEM数据，保证数据拼接后，在达到数据边界正确拼接后，通过数据嵌入及调整数据渲染方式，达到降低和消除由于拍摄时间及其它原因造成的图幅颜色的差异程度大的问题。[0080] c、数据裁剪[0081] 对收集的数据进行裁剪，包括基础数据中的基础地理数据和水利基础数据；遥感正射影像数据，数字高程模型数据。[0082] d、数据叠加[0083] 通过提取DEM高程数据，对DOM进行三维渲染，实现三维场景的可视化效果。[0084] e、标注渲染[0085] 标注信息主要集中在矢量图层中，为方便管理，将标注信息从矢量图层信息中提取出来，以单独的标注图层进行渲染。[0086] 二、地质结构管理模块[0087] 地质结构管理模块重现超采区浅层水含水层的地层、走向和地质体空间形态；通过地质结构三维可视化功能，将地质体形态构造直观形象地展现在决策者、管理人员面前，最大限度地展现地质分析的直观性和准确性，易于对复杂地质条件的理解和判别，减少对地下水含水层结构认识的盲目性和抽象性，更好地为地下水规划和管理服务；地质结构管理功能主要包括基础功能、钻孔信息查询、剖面信息查询和地层空间分析；[0088] 地层空间分析功能包括地质体的旋转查看、地层挖掘、提取和虚拟剖面和虚拟钻孔。地质结构管理子系统功能分析图如图4所示。[0089] 三、地下水水位管理模块[0090] 地下水水位管理模块实现的功能包括地下水监测井管理、地下水流场管理、地下水降落漏斗查询，基于三维地质结构，利用地下水位监测数据，实现超采区地下水监测井、地下水水位、降落漏斗的时空动态变化展示、属性查询功能，并将展示结果的图像通过屏幕展示并输出；[0091] 地下水监测井模块提供水利部海河水利委员会所掌握的历史地下水监测井数据的查询和展示，同时该模块实时调用部署在水利部海河水利委员会水利部海河水利委员会水文局的流域地下水实时监测数据库，并以多种方式提供对实时监测数据的查询、展示和统计分析功能，地下水位管理子系统功能分析图如图5所示。[0092] 四、地下水模拟预测模块[0093] 地下水模拟预测模块是在完成地下水统计模型和地下水数值模型建设并验证的基础上，根据未来降雨条件、区域取用水量以及模型边界条件的变化，实时更新地下水模型数据，根据指令实现预测数据文件的自动生成和预测模型的后台运算，预报不同方案条件下地下水状态变化趋势；地下水模拟预测模块功能分析图如图6所示。[0094] (一)地下水模拟预测主要表现地下水统计模型和地下水流数值模型，并实现模型的运行及结果分析；[0095] a地下水统计模型采用BP神经网络进行建模，地下水位与其影响因素之间存在非线性映射关系，把影响区域地下水位动态的2个主要因素(开采量、降雨量)作为网络输入量，地下水位本身作为网络输出向量。进行训练、测试、分析，统计水位动态变化规律，进而得到输出水位。因开采量和降雨量均为一个地区的平均值，所以BP神经网络用于面状预测。[0096] 利用BP神经网络进行的求解过程可以按照以下六个步骤来进行：(1)输入原始数据；(2)将原始数据归一化处理；(3)进行网络训练；(4)对原始数据进行仿真；(5)将仿真后得到的新数据与已知数据进行比较；(6)对得到的新数据再进行仿真。[0097] (1)BP神经网络结构设计[0098] 采用只含有一个隐含层的BP神经网络实现，由于BP神经网络的计算结果可能会受到输入层、隐含层以及输出层神经元个数以及输出层传递函数的影响。因此主要从隐含层神经元个数、输出层神经元个数和输出层传递函数等三个方面进行网络结构的设计和调整。[0099] 选择涿州市2000年‑2010年共计132个月份的地下水水位为样本，其中随机抽选120个月份为训练样本，剩下12个月份为测试样本。输入单元为开采量和降雨量，所以输入层神经元个数为2，输出单元为水位，所以输出层神经元的个数也为1，隐含层节点数对BP网络的性能有很大影响。一般较多的隐含层节点数可以带来更好的性能，但可能导致训练时间过长。目前并没有一个理想的解析式可以用来确定合理的神经元个数，这也是BP网络的一个缺陷。通常的做法是采用经验公式给出估计值，根据另一经验公式 其中m为输入层节点数，其值取为1，n为输出层节点数，其值取为1，α为1—10之间的整数，其值取为3。根据这一经验公式，代入相关数据，计算出的BP神经网络隐含层节点数为4个。[0100] 结合实际情况，将实际网络训练参数进行了以下设定：训练次数10000，训练目标0.00001，由于学习速率参数net.trainparam.lr不能选择的太大，如果选择的太大可能会使算法不收敛；同样学习速率参数net.trainparam.lr也不能选择的太小，如果选择的太小可能会使训练时间过长。而且学习速率参数一般选择0.01—0.1之间的值，结合具体要求，将学习速率选为0.01。[0101] (2)地下水水位预测[0102] BP神经网络的输入向量为2000年—2010年的132个月份，共132组原始数据中随机抽选120组数据作为训练样本代入已经训练好的模型，通过对原始数据进行仿真模拟和对原始数据进行归一化处理，可以得到剩下12个月份地下水水位的预测值共12组。(以涿州为例)图10为涿州市2000‑2010年水位图，图11为预测输出与期望输出的水位图。[0103] 表1涿州市2000年‑2010年降雨量(mm)[0104][0105][0106] 表2涿州市2000年‑2010年开采量(单位亿m3)[0107][0108] 表3涿州市实测值与预测值绝对误差表(单位m)[0109][0110][0111] 通过利用所设计的BP神经网络以降雨量和开采量作为输入因子，将地下水位作为输出因子，进行水位预测分析后(以涿州为例)，由上表和图12可知，预测值与真实值非常接近，而且预测值与真实值的变化趋势基本一致，因此，有理由认为，BP神经网络可以较好的预测出地下水水位变化及变化趋势。[0112] b地下水统计模型采用时间序列ARMA模型进行建模，时间序列是随时间顺序排列且相互关联及变化的数据序列。其主要模型有：AR模型、MA模型、ARMA模型。通常人们通过对历史数据的分析找出其变化规律并将其应用于预报等众多领域。主要通过对近十几年水位数据分析、建模、预测，从而对来年各方面决策提供有力参考价值，以历史水位数据作为输出，通过时间序列找出统计规律，得到输出水位。[0113] 将实测数据进行分析，分别提取地下水动态数据中的趋势项、周期项和随机项，对动态孔进行拟合，实现点状预测。由于篇幅原因，仅举涿州市、北京通州区浅层与深层、无极县为例。[0114] (1)趋势项[0115] 趋势项反应了地下水水位的总体变化趋势，在模拟及预测水位的过程中起到决定水位变动走向的作用，它在模拟中是最基本的也是很重要的一个部分。趋势项的拟合用二2次多项式进行拟合，通式为y＝ax+bx+c。以涿州市、通州深浅层、无极县水位为例，见图13。通过计算求得方程系数见表3。[0116] 表3多项式系数[0117] 系数 a b c涿州市 0.81e‑03 ‑0.1647 34.87通州浅层 ‑2e‑04 0.0504 25.5022通州深层 ‑e‑04 ‑0.0737 ‑10.5681无极县 2e‑04 ‑0.0945 24.0298[0118] (2)周期项[0119] 运用谐波法计算周期项，该方法是将连续的地下水位动态数据看成是由若干个波叠加而成，所以计算得到的周期项可能含有多个周期。根据实测的动态水位结合傅里叶级数计算出周期项，得出傅里叶系数。根据周期项模拟结果得出每个观测孔的水位变化周期，见表5。图14为周期项拟合图。[0120] 表4傅里叶级数系数一览表[0121]系数 a0 a1 a2 a3 b1 b2 b3涿州市 ‑0.0897 ‑1.702 2.172 ‑0.7037 1.278 通州浅层 0.09341 0.5049 ‑2.542 0.3851 0.728 ‑2.383 1.009通州深层 ‑2.8E‑03 0.4285 ‑0.0977 0.9935 ‑0.2077 无极县 ‑4.6e‑05 0.1812 ‑0.1412 ‑0.0176 0.2933 0.01582 ‑0.0206[0122] 表5观测孔水位动态周期单位：年[0123] 钻孔名称 周期1 周期2涿州市 1 4.16通州浅层 1 8.33通州深层 1 15.83无极县 1 5.83[0124] (3)随机项：此项是求和自回归滑动平均模型的最后一项，模型是用自回归系数法进行模拟的，其大小仅与自回归系数值和模拟前一点之前若干个水位值有关系，用ARMA模型预测要求序列必须是平稳的，也就是说，在研究的时间范围内研究对象受到的影响因素必须基本相同，若所给的序列并非稳定列，则必须对所给的序列做预处理，使其平稳化，然后用ARMA模型建模，其步骤如图15所示：[0125] 第一步列的预处理，判断该序列是否为平稳非纯随机序列若为非平稳序列，对该序列行处理使其符合ARMA模型建模的条件，即处理后的序列是平稳序列；第二步计算出观察值序列的样本自相关系数(ACF)和(ACPF)样本偏自相关系数的值；第三步根据样本自相关系数和偏自相关系数，选恰当的ARMA模型进行拟合；第四步估计模型中的未知参数；第五步检验模型的有效性，如果拟合模型通不过检验，转向第三步，重新选择模型再拟合；第六步模型优化，如果拟合模型通过检验，仍然转向第二步，充分考虑各种可能，建立多个拟合模型，从所有通过检验的模型中选择最优模型；第七步利用拟合的模型，预测序列的将来走势。[0126] 确定ARMA(p，q)模型阶数p,q时，有许多定阶准则,如AIC准则、Box‑Jenkins方法、BIC准则等。限于篇幅，本发明中所使用的AIC准则:即最小信息原则，同时给出ARMA模型阶2数和参数最佳估计。 其中S是模型的未知参数的总数，σ是方差，N为样本大小。根据计算所得模型阶数为ARMA(2,1)。最后ARMA模型的参数估计方法主要有Yulewalker估计、最小二乘估计(LS)最小平方和估计、极大似然估计(ML)。本申请采用最小二乘法估计模型的参数。[0127] 通过计算得到ARMAM模型的参数如表6所示。[0128] 表6ARMA参数[0129]参数 β1 β2 α1涿州市 ‑1.554 0.5552 ‑0.7407通州浅层 ‑1.557 0.5953 ‑0.2492通州深层 ‑1.548 0.58 ‑0.7978无极县 ‑1.366 0.4652 ‑0.3457[0130] (4)ARMA模型预测和检验[0131] 将模拟所得的趋势项，周期项，随机项加和到一起得到了模拟的水位。下面以涿州县和北京深浅层地下水位数据作为原始的时间序列，并用时间序列分析软件Matlab作为工具，按照ARMA建模流程对其进行分析。[0132] 地下水的波动幅度与含水层的补排来源与含水层自身的储水排水等自身性质多种因素相关，在岩性相近的情况下，影响地下水波动最大的是补排项；在补排项接近的情况下，越是深层的地下水位波动越大。地下水水位即存在年内的周期变化，也存在年际的周期变化，地下水埋深越大，其变动的周期越长。从图16‑19的对比中可以发现，浅层含水层动态变化较大，受季节和气候影响大，交替循环速度，深层水交替缓慢，没有明显的季节及多年变化，其地下水的水位变动周期长，水位整体呈下降趋势。[0133] 表7通州浅层地下水位预测误差(单位：m)[0134] 年限 实测水位 预测水位 绝对误差值2008年1月 22.26 22.15 0.112009年1月 23.61 23.32 0.292010年1月 22.41 21.72 0.692011年1月 21.37 21.48 0.112012年1月 21.92 21.70 0.222013年1月 23.67 23.09 0.582014年1月 25.41 25.29 0.122015年1月 23.11 23.09 0.02[0135] 图7表明，预测的趋势和实际发展趋势非常一致，在预测结果较好。从误差图中可以看出涿州县相对误差基本上都小于10％，而北京通州地区深浅层和无极县水位相对误差都小于6％，图中存在局部误差突增，这是由于某些实测的水位点连续性较差，出现突然跳跃导致的，在气候上表现为典型超采区遭遇暴雨及洪涝灾害，使得地下水补给量增加，地下水位抬高，所以在误差图中呈现该年份前后误差骤增的现象，如在2012年中国大部分地区遭遇暴雨，其中北京及其周边地区遭遇61年来最强暴雨及洪涝灾害，使得地下水补给量增加，地下水位抬高，所以在误差图中呈现该年份前后误差骤增的现象，综上所述，可以认为预测结果较准确，模型建立的较好，由此证实了ARMA模型是一种很好的时间序列的预测方法。[0136] cBP神经网络模型和ARMA时间序列模型有如下优缺点：[0137] (1)数据处理上BP神经网络为了降低网络训练难度，防止出现“过拟合”等问题，常采用归一化法对数据进行“标准化”处理。ARMA模型要求时间序列是平稳的，所以在建模时对数据集做差分，通过观察序列的自相关与偏自相关分析图及差分后的序列趋势，并进行单位根检验，得出序列已基本平稳，才可用于预测。[0138] (2)神经网络具有很强的非线性映射能力。能够完成高度复杂的输入、输出非线性映射，具有良好的非线性拟合能力，这是传统的基于最小二乘法的预测方法所无法比拟的。[0139] (3)在预测误差上，通过对比发现，BP神经网络整体预测误差偏大，而时间序列的预测误差整体较小于BP神经网络，所以在预测精度上时间序列的精确性[0140] (二)地下水模拟预测模块可实现的功能包括基础数据维护、预测方案管理和成果展示分析功能。[0141] a基础数据维护[0142] 基础数据维护主要为模拟预测提供数据准备和支持，包含气象数据、开采量数据、灌溉回渗数据、山前侧向入渗数据、白洋淀入渗量数据等。提供这些基础数据的增加、删除、修改、查询以及导入导出功能。[0143] 同时，基础数据维护模块提供对地下水建模相关原始数据(如：水文气象数据、开采数据、其他源汇项数据以及预测数据等)管理的基础上，实现其常规查询统计功能。在进行预测方案模拟时，系统将调用该模块的基础数据，按照系统定义的规则和指定方式对数据进行处理，并能自动按格式要求生成地下水模型输入文件。[0144] b预测方案管理[0145] 应用系统集成了统计模型和数值模型的主程序包、前处理程序和后处理程序，并对这些文件包和组件进行管理，方案设置、模型输入可视化和成果展示分析均调用不同模型的可视化组件实现。[0146] 预测方案管理通过设置模型输入参数、模拟目标等条件，实时调用地下水数值模型和统计模型，自动生成地下水模型所需的模型文件并进行后台模型运算，模拟不同情景下的预测方案，输出各方案的地下水水位以及水资源计算结果，实现方案存储、查询、浏览，为后续模拟结果展示、方案对比分析等提供数据支持，预测方案管理功能分析图如图7所示；[0147] c成果展示分析[0148] 模型完成计算分析后，其结果存储于模型输出文件中，并将输出文件自动保存在模型成果数据库中。通过对计算结果的提取，系统提供预测计算成果的展示和对比分析功能。成果展示分析主要包括水量分析和水位分析，水量信息主要为水均衡分析，水位信息包括水位等值线/面、水位过程线、剖面水位线、水位变幅、漏斗区计算，同时对各个分析项提供方案对比分析功能，成果展示分析功能分析图如图8所示；[0149] 本发明充分利用国家地下水监测工程监测数据和已有数据的基础上，采用先进的GIS、三维可视化以及数值模拟方法，对浅层地下水体及地质体空间结构进行多维描述，以仿真的形式从三维角度再现地下水含水介质的空间结构特征、地下水水位与降落漏斗的动态变化以及不同降雨条件和开采方案下的地下水流场趋势预测等，实现了地下水体及其赋存环境的三维空间可视化透视，以多维的方式集中展现地下水各类监测信息、模拟信息、预测决策信息等，并对所生成的三维地表环境、钻孔和地质体进行动态分析和评价，从多角度预测各种变化环境条件下地下水流场和降落漏斗的时空动态变化过程，最大限度地增强含水层空间分析和地下水资源评价的准确性，为地下水管理向动态管理、精细管理和可视化管理提供支撑。[0150] 上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

专利地区：天津

专利申请日期：2021-09-29

专利公开日期：2024-07-26

专利公告号：CN114004141B