張 薔
(長治市水文水資源勘測站,山西 長治 046000)
隨著水資源供需矛盾的日益突顯,部分地區(qū)地下水超采引起了地面沉降、巖溶塌陷、地下水體污染等一系列生態(tài)地質問題。隨著國家最嚴格水資源管理制度的不斷推進實施,水利管理單位需要定量考核用水總量,實施用水單位取水總量控制。因此,有必要依據(jù)當?shù)氐叵滤_發(fā)利用現(xiàn)狀及經(jīng)濟發(fā)展用水需求,建立地下水位預測模型,可以定量進行指標控制性管理。
伴隨計算機技術的快速發(fā)展,神經(jīng)網(wǎng)絡也逐漸被引進到地下水位預測中,從而替代了傳統(tǒng)方法[1]。在眾多的神經(jīng)網(wǎng)絡模型中,BP神經(jīng)網(wǎng)絡憑借其成熟的預測方法而被廣泛采用[2]。BP神經(jīng)網(wǎng)絡模型能夠更準確的反映地下水系統(tǒng)的非線性關系,其穩(wěn)定性較好,精度較高[3]。目前,采用BP神經(jīng)網(wǎng)絡建立地下水水位預報模型成為了主流方法。本文選用BP神經(jīng)網(wǎng)絡模型,建立地下水水位變幅預測模型,模型精度較高,從而達到預測地下水位的目的。
長治盆地位于山西省東南部,太行山西麓,北與文王山毗連,東與太行山接壤,西與太岳山為鄰,南與羊頭山搭界,盆地中北部為潞州區(qū),東北部為潞城區(qū),南部為上黨區(qū),西南部為長子縣,西北部為屯留區(qū),面積為1169km2。長治盆地屬季風氣候區(qū),多年平均降水量為574.7mm,平均蒸發(fā)量為1028.2mm。屬海河流域漳衛(wèi)南運河水系,濁漳河南源是盆地的主要河流,支流主要有絳河、嵐水河、陶清河、石子河、碧頭河。
長治盆地由黃土丘陵和低山組成,海拔在883.3~981.0m之間,該盆地為新生界早期形成的斷陷盆地,廣泛分布著第四系的松散堆積物,其厚度由西北向東南逐漸增大,總厚度0~330m,富水性強。新生界松散堆積物的孔隙水主要靠大氣降水補給,又接受基巖裂隙水的補給,此外水庫、河流及農田灌溉對地下水也有一定的補給作用。
根據(jù)多年的地下水動態(tài)監(jiān)測資料以及用水調查統(tǒng)計資料顯示,盆地淺層地下水資源開采量逐年增加。供水對象為農業(yè)灌溉、農村人畜飲水以及部分工業(yè)供水。依據(jù)地下水開發(fā)利用程度評判指標,長治盆地屬于地下水采補平衡區(qū)。
隨著供水需求得不斷增加,集中開采導致部分地區(qū)地下水水位下降,引發(fā)了以采煤為中心的孔隙含水層被疏干,水井枯竭、水質變差等一系列問題。
地下水位影響因素較為復雜,收集長治盆地2018-2020年降水量、補給量、淺層地下水水位、實際開采量等資料,并進行分析,降雨量和開采量作為影響長治盆地淺層地下水水位的主要氣候因子。長治盆地內代表雨量站共5個,分別為南呈、五里后、西河北、漳澤水庫、長子雨量站,采用泰森多邊形法,得到盆地平均降雨量。長治盆地分為邊坡山區(qū)、傾斜平原區(qū)和沖洪積平原區(qū),各分區(qū)代表監(jiān)測井共6個,分別為東關、東大關、南關、南呈、北關街和黃南監(jiān)測井,采用算數(shù)平均法得到盆地淺層地下水位。本文采用相關系數(shù)法進行分析。
相關系數(shù)是衡量兩個隨機變量之間的線性相關程度的指標,其計算公式為:
式中:r——相關系數(shù);
xt,yt——分別為x和y的實測值,t為年次;
n——資料年限,t=1,2…n。
采用以上公式,分別計算變量間的相關系數(shù)。選定因子為前期降水(其中前期降雨為上一年降雨總量)、本年度降水量、年開采量、上年水位,分別分析這些因子與本年水位以及年水位變幅間的相關性,具體見表1。
表1 因子間的相關性分析表
通過相關性分析,可以得到本年度降水與水位變幅相關系數(shù)為0.926,兩者間有較高的相關性。本文選擇建立兩個模型,其中模型一作為對比模型。
模型一:建立前期降水、本年降水、年開采量、上年水位與本年水位間的關系模型。
模型二:建立前期降水、本年降水、年開采量與年水位變幅的關系模型。
BP神經(jīng)網(wǎng)絡的結構,主要分為三層輸入層、隱含層和輸出層。神經(jīng)網(wǎng)絡為自適應的模擬黑箱子模型,輸入因子的選擇影響著輸出結果的精度。通過影響因子分析,選擇相關性較好的因子建立模型。本文選擇三層網(wǎng)絡結構進行模擬。
式中:xi——輸入層,即(i=1,2,……,R);
yi——隱含層神經(jīng)元的輸入信號(j=1,2,……,m);
wji——輸入層到隱含層的連接權值;
m——隱含層神經(jīng)元個數(shù);
αj——隱含層神經(jīng)元的閾值;
wkj——隱含層到輸出層的連接權值;
hj——隱含層的輸入;
yj——隱含層的輸出;
f1——隱含層的激活函數(shù);
k——輸出層神經(jīng)元的個數(shù);
θk——輸出層神經(jīng)元的閾值;
uk——輸出層的輸入;
f2——隱含層激活函數(shù);
zk——網(wǎng)絡輸出。
dk——期望輸出。
BP神經(jīng)網(wǎng)絡學習算法是基于梯度下降法,通過不斷地調整閾值和權值,使神經(jīng)網(wǎng)絡的輸出值與所期望的實際值的均方誤差達到極小值。
確定BP網(wǎng)絡的結構,主要是對輸入層、隱含層和輸出層的設計,包括網(wǎng)絡層數(shù)的確定、各層神經(jīng)元數(shù)的確定、各層激活函數(shù)的選取、學習率的確定以及最大訓練次數(shù)的確定。BP神經(jīng)網(wǎng)絡中較為重要的參數(shù)設置為:隱含層神經(jīng)元數(shù)和激活函數(shù)。
(1)隱含層神經(jīng)元數(shù)是比較難確定的,可能會出現(xiàn)“過擬合”的現(xiàn)象,因此本文參考經(jīng)驗公式確定隱含層神經(jīng)元數(shù)的范圍,然后再從該范圍中找到最優(yōu)參數(shù),公式如下:
式中:h——隱含層節(jié)點數(shù);
m——輸入層節(jié)點數(shù);
p——輸出層節(jié)點數(shù);
α——從0~10之間的任意常數(shù)。
(2)激活函數(shù)的選擇激活函數(shù)較為常見的包括:線性函數(shù)、階躍型函數(shù)以及S形函數(shù)。本文選用正切S型函數(shù),它具有任意階導數(shù)都可以由自身某種形式來表達,并且具有很好的光滑性以及魯棒性。S型函數(shù)公式為:
BP神經(jīng)網(wǎng)絡是高度非線性動力系統(tǒng),系統(tǒng)采用S型激活函數(shù),為了有效避開S型函數(shù)的飽和區(qū),提高訓練的速度,需要對輸入的數(shù)據(jù)進行歸一化處理。將輸入的數(shù)據(jù)處理在[0,1]之間,同時也縮小了樣本數(shù)據(jù)不同量綱的差別,一般常用的歸一化方法有線性轉換函數(shù)、對數(shù)轉換函數(shù)以及反余切轉換函數(shù)。本文選擇線性轉換函數(shù),其計算公式如下:
式中:x——樣本數(shù)據(jù)轉換前的值;
y——樣本數(shù)據(jù)轉換后的值;
MaxValue——輸入數(shù)據(jù)的最大值;
MinValue——輸入數(shù)據(jù)的最小值。
3.4.1 模型一
通過因子分析,可以建立本年水位與上年降水、上年水位、本年水位、年開采量間的關系。前期降水與本年水位的相關系數(shù)為0.437,本年降水與本年水位相關系數(shù)為0.524,可以看出降水是影響長治盆地淺層地下水的重要因子。采用BP神經(jīng)網(wǎng)絡模型預測本年水位,計算結果詳見圖2。
圖2 三層BP神經(jīng)網(wǎng)絡結構圖
圖2 實測水位與模擬水位對比圖
3.4.2 模型二
通過因子分子,本年降水與年水位變幅相關系數(shù)達到0.926,兩者之間的相關性更強,兩者關系詳見圖3。因此建立降水與水位變幅間的關系,預報水位變幅值,從而間接得到水位控制指標。
圖3 年降水與水位變幅關系圖
采用BP神經(jīng)網(wǎng)絡模型預測年水位變幅,計算結果詳見圖4。
圖4 實測水位變幅與模擬水位變幅對比圖
為了驗證水位變幅預測模型的有效性,采用本年末水位預報模型(模型一)作為參照對比方案。采用確定性系數(shù)、誤差均方根及誤差均值指標,來衡量水位變幅預測模型的預報精度。
式中:N——樣本的個數(shù);
yi——實測值;
y^i——模型模擬值。
從表2中可以得到,模型二的確定性系數(shù)達到0.98,相對于模型一有了進一步提高,誤差均方根和誤差均值分別為0.119、0.033均小于模型一,這說明模型二相對于模型一誤差降低。因此,相對于之前的水位預報模型,水位變幅預報模型更加穩(wěn)定,模型精度更高。
表2 模型誤差分析表
本文首先對影響淺層地下水因子進行分析,年降雨與年水位變幅的相關系數(shù)達到0.926。通過分析降雨時影響淺層地下水數(shù)位變幅的重要影響因子,采用BP神經(jīng)網(wǎng)絡方法建立了水位變幅預測模型,相對于之前的水位預測模型,模型計算誤差降低,確定性系數(shù)達到0.98,模型的精度得到了進一步的提高。因此,在實際應用中,采用水位變幅預測模型能夠很好地進行預報,可為控制淺層地下水開采提供技術服務。