基于人工神经网络的阿拉善盟地下水储量变化与地下水位模拟研究
文献类型：学位论文
| 作者 | 王杰 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 许端阳 |
| 关键词 | 地下水储量变化模拟 地下水位模拟 空间降尺度 GRACE重力卫星 BP神经网络 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 地下水作为一种重要的淡水资源，对维持人类活动、粮食生产和生态系统平衡具有重要意义，特别是在地表水资源极为匮乏的干旱地区。位于中国西北干旱区的阿拉善盟由于气候干旱，降水少且蒸发大，全盟面临严重的水资源短缺问题。为此，阿拉善盟许多地区通过抽取地下水以满足当地的用水需求。长期过度开采导致的地下水枯竭对于阿拉善盟的人类生活和生态系统构成严重威胁，且资源性缺水与工程性缺水问题已严重制约该区域社会经济的可持续发展。因此，为实现阿拉善盟地下水资源的可持续管理、促进地下水资源保护和合理配置，有必要进行大范围、精细化且时间连续的地下水储量和地下水位动态变化监测。重力恢复与气候实验（Gravity Recovery and Climate Experiment, GRACE）卫星为大范围的地下水动态监测提供了全新的手段，它能够监测每月的重力场变化，并在大约20×104 km2的流域内反演地下水储量的时空变化。然而，GRACE重力卫星的低空间分辨率严重限制了其在区域尺度水文研究中的应用，因此如何利用GRACE卫星数据反演高空间分辨率的地下水储量变化（Groundwater storage anomalies, GWSA）和地下水位数据是干旱区地下水研究中亟待解决的科学问题。 本研究基于GRACE重力卫星数据，利用BP神经网络（Back Propagation Neural Network, BPNN）构建阿拉善盟约27×104 km2空间范围内的2002年至2020年的月尺度1-km分辨率地下水储量变化模拟模型，以及全盟2020年的1-km分辨率地下水位模拟模型。在地下水储量变化模拟模型（即空间降尺度模型）中，通过考虑地下水储量变化相对于各输入因子的时间滞后效应以及BP神经网络模型的不同参数对模型精度的影响进行建模。而地下水位模拟是通过筛选出适用于建模的输入因子，利用实测地下水位样本建立基于BP神经网络的地下水位模拟模型实现。最终得出以下结论： （1）时滞效应分析结果表明GRACE地下水储量变化（GRACE-derived GWSA）相对于各输入因子的最佳滞后时间分别为3个月（降水）、2个月（地表温度）、2个月（潜在蒸散发）、4个月（NVDI）、4个月（土层深度为0-10 cm的土壤水分）、1个月（土层深度为10-40 cm的土壤水分）和0个月（土层深度为40-100 cm的土壤水分）；BP神经网络模型参数敏感性分析的结果表明，当隐藏层神经元数为14个、样本比例为70 %训练样本-15 %验证样本-15 %测试样本、网络学习速率为0.01、最大迭代次数为50000次且学习次数最少为100次时BP神经网络模型的预测精度最高；最佳滞后时间和最优模型参数的设置大幅提升了BP神经网络模型的预测精度。 （2）使用空间代替时间的方式，将每月的输入数据独立地用于训练和验证，单月内的数据被随机划分为70 %训练样本、15 %验证样本和15 %测试样本，最终基于最佳滞后时间和最优模型参数构建的所有月份的空间降尺度模型的总体精度为0.81（相关系数）、0.704 cm（均方根误差）和0.67（纳什效率系数）；从降尺度前后的时空变化对比来看，阿拉善盟降尺度后的地下水储量变化与降尺度前的数据在时间变化趋势上非常接近，均为-0.40 ± 0.01 cm/year左右的下降速率；在空间变化上，降尺度前后的地下水储量变化空间分布高度一致，且降尺度后的地下水储量变化具有更多空间细节特征；与24个实测地下水位站点数据的对比结果表明，大部分站点的地下水位变化与降尺度地下水储量变化的趋势一致（24个站点中有12个站点的相关系数超过0.6），均为波动下降，证明降尺度结果与实测地下水位之间具有较高的一致性。 （3）在地下水位模拟研究中，变量间相关性分析和主成分分析结果表明，与阿拉善盟地下水位最相似的7个变量依次是DEM、降水、土层深度为0-10 cm的土壤水分、地表温度、NDVI、潜在蒸散发、土层深度为40-100 cm的土壤水分；将上述7个变量和实测地下水位作为BP神经网络模型的输入变量以构建地下水位模拟模型，在建模的过程中同样考虑最佳滞后时间和最优模型参数，最终预测模型的总体精度为0.99（相关系数）、23.39 m（均方根误差）和1.44 %（相对误差）。 （4）实测地下水位与模拟地下水位在时间变化上具有较强相似性，均大致经历了“升高（1月）—降低（3月）—再升高（10月）”的过程，其中10月至次年3月的地下水位升高主要来自降雨的补给，而3月至10月的地下水位波动下降一般由人类活动和气候变化共同影响；阿拉善盟2020年地下水位分布图与DEM的空间分布高度相似，为中北部地下水位低、南部地下水位高。 基于BP神经网络和GRACE数据的降尺度方法为生成高空间分辨率的干旱区地下水储量变化和地下水位分布提供了新的思路，本研究生成的2002年至2020年的月尺度1-km分辨率地下水储量变化和2020年月尺度1-km分辨率地下水位数据集可以为阿拉善盟的精细化地下水资源保护和可持续管理措施提供决策支持。 |
| 语种 | 中文 |
| 页码 | 102 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199726]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 王杰. 基于人工神经网络的阿拉善盟地下水储量变化与地下水位模拟研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。