基于BP-STARMA模型的孔隙地下水位时空变化预测研究

摘要

时空建模是指根据给定的时空数据寻求一种方法，对未观测时空位置的属性进行预测的过程。对于地下水位预测建模，当前大多数模型只从时间上或只从空间上进行建模，很少从时空一体上进行考虑。因此，研究一种顾及时间和空间因素且满足空间连续时间离散的时空非线性变化数据的建模方法具有现实意义。本文运用神经网络、GIS、时空序列和统计学的原理和方法，在分析自然地理监测数据的时空变化性质的基础上，对研究区孔隙地下水位变化预测展开研究。
　　本文的研究内容及成果如下:
　　(1)孔隙地下水位监测数据时空变化特征分析
　　基于2005～2014年盐城滨海平原研究样区的第Ⅲ承压含水层地下水位监测数据，分别从整个研究区范围和单个监测井范围分析地下水位在时间和空间上的变化规律，得到该地区地下水的时空变化特征，该特征由全局确定性时空趋势和局部随机性的空间变异两部分组成。
　　(2)BP-STARMA模型的构建
　　通过对孔隙地下水位的时空变化特征分析得知，孔隙地下水位的时空变化过程可以分解为一个全局的确定性空间变异和一个局部的随机性空间变异两部分组成。由于BP神经网络具有较好的非线性拟合能力和自学习能力，本文将其用于提取孔隙地下水中确定性的时空趋势，将分离出地下水位监测数据中确定性的时空趋势值的剩余部分视为一个平稳序列，而STARMA对平稳时空序列具有良好的拟合和预测效果，故可用其进行地下水位中随机性部分的拟合和预测。
　　(3)基于BP-STARMA模型的孔隙地下水位变化过程预测
　　以盐城滨海水文地质亚区孔隙承压地下水为例，结合该地区孔隙承压地下水赋存和开采现状，采用BP-STARMA模型预测地下水位时空动态变化过程，同时分别与应用BP神经网络模型和STARMA模型预测的建模结果进行比较。从时间和空间两方面对这三种模型的拟合和预测精度进行分析，结果表明BP-STARMA模型适用于孔隙地下水位时空过程预测。

目录

声明

摘要

图目录

表目录

1．1 选题背景及研究意义

1．1．1 选题背景

1．1．2 研究意义

1．2 国内外研究现状

1．2．1 地下水位动态变化及其预测研究

1．2．2 时空序列建模方法研究

1．2．3 人工神经网络研究

1．2．4 存在问题及分析

1．3 研究目标与研究内容

1．3．1 研究目标

1．3．2 研究内容

1．4 技术路线

1．5 论文组织框架

第2章 STARMA和BP神经网络建模方法

2．1 时空数据基本性质

2．1．1 时空白相关性

2．1．2 时空平稳性

2．2 STARMA模型

2．2．1 模型识别

2．2．2 参数估计

2．2．3 模型检验

2．2．4 适用性分析

2．3 BP神经网络

2．3．1 BP神经网络结构

2．3．2 BP神经网络传递函数

2．3．2 BP算法

2．4 本章小结

第3章 BP-STARMA模型

3．1 模型分析

3．2 模型预测流程

3．3 模型建立

3．3．1 BP神经网络提取非线性时空趋势

3．3．2 STARMA模型

3．4 本章小结

第4章 基于BP-STARMA模型的地下水位动态预测

4．1 研究区概况

4．1．1 自然地理特征

4．1．2 含水层划分及其水文地质特征

4．1．3 地下水位监测现状

4．1．4 地下水位动态特征分析

4．2 数据预处理

4．3 探索性时空数据分析

4．3．1 正态分布检验

4．3．2 时空平稳性检验

4．4 BP-STARMA模型建立

4．4．1 BP神经网络提取非线性时空趋势

4．4．2 STARMA建模

4．5 模型检验及验证

4．6 本章小结

第5章 结论与展望

5．1 结论

5．2 展望

参考文献

在读期间发表的学术论文及研究成果

致谢