人工神經網絡模型在地下水水位預測中的應用

孫菊秋，劉向楠

（河北省秦皇島水文水資源勘測局，河北 秦皇島 066000）

0 引言

地下水資源水質較好、供水量穩定，是我國北方地區最為倚重的生活用水水源。地下水動態變化是制約城市可持續發展的重要因素，因此地下水水位觀測是水利部門最重要的工作之一。人工神經網絡模型（BP-ANN）能夠通過自主學習、識別等功能模擬地區地下水水位動態變化情況，其結果也更加準確[1]。

1 BP-ANN神經網絡結構原理

（1）BP-ANN神經網絡原理

人工神經網絡（ANN）由大量簡單處理單元（神經元）共同構成一個復雜的網絡系統，和人的大腦存在很多共同之處，均屬于高度復雜的非線性動力學系統。神經網絡的主要特征為智能化，即：可大規模并行、存儲處理、自學習、自組織、自適應等，特別在處理模糊信息方面相對于傳統方法有著較大優勢。

當前在應用人工神經網絡時，一般都是采用BP神經網絡模型或其改進形式[2]。BP網絡是指具有非線性傳遞函數神經元構成的采用誤差反向傳播算法的前饋網絡，主要由三部分構成：輸入層、隱含層、輸出層，其中隱含層由應用對象復雜度、誤差情況確定。BP網絡層和層之間采用全互聯方式，同一層單元間不存在相互連接（見圖1）[3]。

（2）BP網絡算法的確定

BP網絡算法確定過程如下：輸入層接收輸入模式后，將其傳送給隱含層，隱含層經處理后傳送給輸出層，最后經輸出層處理后產生一個輸出模式，逐層處理、逐層更新，成為“前向傳播”。如果輸出響應和期望輸出模式誤差較大，則就立即轉入“誤差后向傳播”，將其逐層修正。就這樣將一個個訓練模式來訓練網絡算法，當重復“前向傳播”和誤差“后向傳播”均滿足精度要求后，則可確定BP網絡算法[4]。

圖1 BP三層結構神經網絡原理圖

2 項目區概況

秦皇島是我國首批沿海開放城市，是東北亞最重要的對外貿易口岸，擁有世界第一大能源輸出港，也是著名旅游城市。地勢北高南低，由北向南依次為北部山區→低山丘陵區→沖積平原區→沿海區。根據第六次人口普查結果，秦皇島市常住人口數量為298.77萬人，年需供水量約為8.91億 m3，其中地下水供給量為5.77億m3。隨著供水規模逐漸上漲，秦皇島地下水水位在逐步下降，供水壓力逐步增大，若不進行合理控制必然影響該地區經濟的可持續發展。

3 BP-ANN神經網絡模型在地下水水位預測中的應用

3.1 BP神經網絡模型設置

結合秦皇島地下水觀測數據，首先對BP神經網絡的預測精度進行分析，本文以1992~2002年地下水水位數據作為模型訓練樣本，2003~2016年數據作為預測精度分析數據。主要輸入變量設計有地下水取水量、蒸發量、徑流量；輸出變量為地下水水位[5]。本項目設計的網絡模型含有5個計算神經網絡單元，模型結構為：輸入層×隱含層×輸入層=2×4×8，最大迭代輸為1000，模型訓練學習效率為0.09，預測誤差要求不大于0.1。

圖2是根據秦皇島地區1992~2002年這十年間地下水平均埋深實測數據作為訓練樣本建立BP網絡模型，之后對其進行訓練和仿真，直到誤差精度達到規定值以下[6]。由圖2可知：隨著訓練次數逐步增加，BP網絡模型的誤差精度量級也在逐步降低，由102降至10-6，共經歷了45次訓練，其精度已滿足相關要求，因此可以停止訓練。

圖2 BP網絡模型訓練誤差變化曲線

3.2 BP神經網絡擬合分析

為檢測上述設計最終確定的BP神經網絡模型預測的精準度，將其應用于2003~2016年秦皇島地區地下水水位預測中，并將預測值和真實測量值進行比較，詳情見圖3。

圖3 BP神經網絡模型擬合地下水埋深結果

表1 2003-2016年秦皇島地區地下水水位真實值和預測值對比分析 單位：m

上圖3中的十字星代表真實測量數據，而連續折線是BP神經網絡模型的擬合曲線。根據真實測量值可知：秦皇島地區地下水埋深在10~16 m之間波動。而擬合曲線的走勢和真實數據走勢完全一致，擬合結果精確度很高。表1對兩者數據進行了羅列對比，其誤差值均在0.1以下，滿足要求。

3.3 地下水水位預測分析

通過檢驗可知本項目最終確定的BP神經網絡系統其精確度很高，完全可以應用于未來幾年秦皇島地區的地下水水位預測，其預測結果（2017、2018、2019年）詳見表 2。

表2 秦皇島地區2017～2019年地下水月平均埋深預測結果

根據預測結果可知：秦皇島地區2017~2019年地下水埋深范圍在13.65~14.31 m。通過分析實測及預測數據可以確定該地區地下水埋深以0.2 m/a的速度逐漸下降，而造成該問題的主要原因包括：城市規模擴大、地表水（降水）入滲量減少、人工開采量逐步增大等，這也是一般城市發展必然帶來的結果。

4 結語

通過應用BP-ANN神經網絡對秦皇島地區地下水水位預測，得出了未來三年內該地區地下水埋深及動態變化情況。通過2017年前8個月的地下水水位數據統計，驗證了該技術預測的準確性。BP-ANN神經網絡系統快速準確地完成了較大的統計工作量，為決策部門提供依據。

[1]馮羽,馬鳳山,魏愛華,趙海軍,郭捷.灰色系統與神經網絡組合模型在地下水水位預測中的應用[J].中國地質災害與防治學報,2011,22(03):119-124.

[2]孫濤,李紀人,潘世兵.人工神經網絡(ANN)模型在地下水資源預測中的應用研究[J].世界地質,2004,(04):386-390.

[3]遲寶明,林嵐,丁元芳.基于遺傳算法的BP神經網絡模型在地下水動態預測中的應用研究[J].工程勘察,2008,(09):36-41.

[4]王宇,盧文喜,卞建民,侯澤宇.三種地下水位動態預測模型在吉林西部的應用與對比 [J].吉林大學學報 (地球科學版),2015,45(03):886-891.

[5]屈忠義,陳亞新,史海濱,魏占民.地下水文預測中BP網絡的模型結構及算法探討[J].水利學報,2004,(02):88-93.

[6]趙延濤.基于BP神經網絡的城市地下水水位預測 [D].鄭州大學,2011.