文献类型：期刊文章

作　　者：闫佰忠[1,2,3] 孙剑[1,2,3] 王昕洲[4] 韩娜[1,2,3] 刘博[5]

Yan Baizhong;Sun Jian;Wang Xinzhou;Han Na;Liu Bo(School of Water Resources&Environment,Hebei GEO University,Shijiazhuang050031,China;Key Laboratory of Sustained Utilization&Development of Water Resources,Hebei Province,Shijiazhuang050031,China;Collaborative Innovation Center for Sustainable Utilization of Water Resources and Optimization of Industrial Structure,Hebei Province,Shijiazhuang050031,China;Key Laboratory of Geological Resources and Environment Monitoring and Protection,Hebei Province,Shijiazhuang050031,China;Shenyang Academy of Environmental Sciences,Shenyang110167,China)

机构地区：[1]河北地质大学水资源与环境学院,石家庄050031 [2]河北省水资源可持续利用与开发重点实验室,石家庄050031 [3]河北省水资源可持续利用与产业结构化协同创新中心,石家庄050031 [4]河北省地质资源环境监测与保护重点实验室(筹),石家庄050031 [5]沈阳环境科学研究院,沈阳110167

出　　处：《吉林大学学报（地球科学版）》

基　　金：中国博士后基金面上项目(2018M631874);河北省自然科学基金项目(D2018403040);河北省高等学校科学技术研究项目(ZD2019082);河北地质大学博士科研启动基金项目(BQ2017011);河北省水利科技计划项目(2017-59);河北省地质资源环境监测与保护重点实验室开放基金项目(JCYKT201901);河北省地矿局科研项目(454-0601-YBN-U1MR).

年　　份：2020

卷　　号：50

期　　号：1

起止页码：208-216

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、GEOREFPREVIEWDATABASE、IC、JST、PA、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、ZR、核心刊

摘　　要：为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆(LSTM)神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001—2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015—2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播(BP)神经网络进行对比。研究结果表明:以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.3993;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.1022;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.9191。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。

关 键 词：地下水位预测 LSTM  多变量

分 类 号：P641.7]