留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合季节调整和NAR神经网络的流域地下水储量预测

王杰龙 杨玲 陈义 沈云中

王杰龙, 杨玲, 陈义, 沈云中. 结合季节调整和NAR神经网络的流域地下水储量预测[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210584
引用本文: 王杰龙, 杨玲, 陈义, 沈云中. 结合季节调整和NAR神经网络的流域地下水储量预测[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210584
WANG Jielong, YANG Ling, CHEN Yi, SHEN Yunzhong. Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210584
Citation: WANG Jielong, YANG Ling, CHEN Yi, SHEN Yunzhong. Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210584

结合季节调整和NAR神经网络的流域地下水储量预测

doi: 10.13203/j.whugis20210584
基金项目: 

国家自然科学基金(41974002)。

详细信息
    作者简介:

    王杰龙,博士生,主要从事深度学习和GRACE数据分析。wangjielong@tongji.edu.cn

Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network

Funds: 

The National Natural Science Foundation of China (41974002).

  • 摘要: 利用重力场恢复与气候实验(gravity recovery and climate experiment,GRACE)卫星反演的陆地水储量和全球陆地数据同化系统(global land data assimilation system,GLDAS)水文模型,从流域降雨分布信息出发,结合季节调整技术和非线性自回归(non-linearautoregressive,NAR)神经网络对流域地下水储量变化进行预测,并与未经过季节调整的NAR神经网络、自回归(autoregressive,AR)模型以及季节性自回归差分移动平均(seasonalautoregressive integrated moving average,SARIMA)模型进行对比分析。以长江流域、勒拿河流域、鄂毕河流域以及叶尼塞河流域为例,结果表明,经过季节调整后的流域降雨和地下水分别服从独立分布和一阶自回归模型,为NAR神经网络时延数的确定提供了新的途径。经过季节调整后的NAR神经网络的预测结果在四个流域的模型表现优于传统的AR模型和SARIMA模型,均方误差在1 cm以内,相关系数超过0.96。结合季节调整和NAR神经网络提高了流域地下水储量预测精度,减少了训练参数,加快了神经网络的收敛速度。
  • [1] Yin Z J, Xu Y Y, Zhu X Y, et al. Variations of Groundwater Storage in Different Basins of China over Recent Decades[J]. Journal of Hydrology, 2021, 598:126282
    [2] Chen J L, Rodell M. Applications of Gravity Recovery and Climate Experiment (GRACE) in Global Groundwater Study[M]//Global Groundwater. Amsterdam:Elsevier, 2021:531-543
    [3] Long D, Chen X, Scanlon B R, et al. Have GRACE Satellites Overestimated Groundwater Depletion in the Northwest India Aquifer?[J]. Scientific Reports, 2016, 6:24398
    [4] Khorrami B, Gunduz O. Evaluation of the Temporal Variations of Groundwater Storage and Its Interactions with Climatic Variables Using GRACE Data and Hydrological Models:A Study from Turkey[J]. Hydrological Processes, 2021, 35(3):1-9
    [5] Chen X H, Jiang J B, Lei T J, et al. GRACE Satellite Monitoring and Driving Factors Analysis of Groundwater Storage under High-Intensity Coal Mining Conditions:A Case Study of Ordos, Northern Shaanxi and Shanxi, China[J]. Hydrogeology Journal, 2020, 28(2):673-686
    [6] Tangdamrongsub N, Han S C, Yeo I Y, et al. Multivariate Data Assimilation of GRACE, SMOS, SMAP Measurements for Improved Regional Soil Moisture and Groundwater Storage Estimates[J]. Advances in Water Resources, 2020, 135:103477
    [7] Castle S L, Thomas B F, Reager J T, et al. Groundwater Depletion during Drought Threatens Future Water Security of the Colorado River Basin[J]. Geophysical Research Letters, 2014, 41(16):5904-5911
    [8] Joodaki G, Wahr J, Swenson S. Estimating the Human Contribution to Groundwater Depletion in the Middle East, from GRACE Data, Land Surface Models, and Well Observations[J]. Water Resources Research, 2014, 50(3):2679-2692
    [9] Mohamad N, Ahmad A, Din A M. Monitoring Groundwater Depletion Due to Drought Using Satellite Gravimetry:A Review[J]. IOP Conference Series:Earth and Environmental Science, 2020, 540(1):012054
    [10] Sun Z L, Long D, Yang W T, et al. Reconstruction of GRACE Data on Changes in Total Water Storage over the Global Land Surface and 60 Basins[J]. Water Resources Research, 2020, 56(4):1-21
    [11] Malakar P, Mukherjee A, Bhanja S N, et al. Machine-Learning-Based Regional-Scale Groundwater Level Prediction Using GRACE[J]. Hydrogeology Journal, 2021, 29(3):1027-1042
    [12] Wunsch A, Liesch T, Broda S. Forecasting Groundwater Levels Using Nonlinear Autoregressive Networks with Exogenous Input (NARX)[J]. Journal of Hydrology, 2018, 567:743-758
    [13] Sun A Y. Predicting Groundwater Level Changes Using GRACE Data[J]. Water Resources Research, 2013, 49(9):5900-5912
    [14] Yin W J, Fan Z W, Tangdamrongsub N, et al. Comparison of Physical and Data-Driven Models to Forecast Groundwater Level Changes with the Inclusion of GRACE-a Case Study over the State of Victoria, Australia[J]. Journal of Hydrology, 2021, 602:126735
    [15] Wang J L, Chen Y. The Applicability of Using NARX Neural Network to Forecast GRACE Terrestrial Water Storage Anomalies[J]. Natural Hazards, 2022, 110(3):1997-2016
    [16] Patil K, Deo M C, Ghosh S, et al. Predicting Sea Surface Temperatures in the North Indian Ocean with Nonlinear Autoregressive Neural Networks[J]. International Journal of Oceanography, 2013, 2013:302479
    [17] Hipel K W, McLeod A I. Time Series Modelling of Water Resources and Environmental Systems[M]. Amsterdam:Elsevier, 1994
    [18] Brockwell P J, Davis R A. Introduction to Time Series and Forecasting[M]. New York:Springer New York, 2002
    [19] Xiao Z J, Phillips P C B. An ADF Coefficient Test for a Unit Root in ARMA Models of Unknown Order with Empirical Applications to the US Economy[J]. The Econometrics Journal, 1998, 1(2):27-43
    [20] Prakash S, Mitra A K, Pai D S, et al. From TRMM to GPM:How Well can Heavy Rainfall Be Detected from Space?[J]. Advances in Water Resources, 2016, 88:1-7
    [21] Watkins M M, Wiese D N, Yuan D N, et al. Improved Methods for Observing Earth's Time Variable Mass Distribution with GRACE Using Spherical Cap Mascons[J]. Journal of Geophysical Research:Solid Earth, 2015, 120(4):2648-2671
    [22] Ahmed M, Sultan M, Elbayoumi T, et al. Forecasting GRACE Data over the African Watersheds Using Artificial Neural Networks[J]. Remote Sensing, 2019, 11(15):1769
  • [1] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200159
    [2] 陶叶青, 王坚, 刘超.  附不等式约束的地表沉降时间序列自回归EIV模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180268
    [3] 吕志鹏, 隋立芬.  基于变量投影法的自回归模型方差分量估计 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180352
    [4] 徐斌, 张艳.  地下水化学类型分区的GIS空间分析模型 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170295
    [5] 李广春, 戴吾蛟, 杨国祥, 刘斌.  时空自回归模型在大坝变形分析中的应用 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130549
    [6] 姚宜斌, 黄书华, 陈家君.  求解自回归模型参数的整体最小二乘新方法 . 武汉大学学报 ● 信息科学版,
    [7] 吴炜, 骆剑承, 沈占锋, 王卫红.  分类线性回归的Landsat影像去云方法 . 武汉大学学报 ● 信息科学版,
    [8] 何平, 温扬茂, 许才军, 李志才.  用多时相InSAR技术研究廊坊地区地下水体积变化 . 武汉大学学报 ● 信息科学版,
    [9] 陆付民, 王尚庆, 李劲, 严学清.  顾及地下水位因子的卡尔曼滤波模型在滑坡变形预测中的应用 . 武汉大学学报 ● 信息科学版,
    [10] 吴柯, 牛瑞卿, 李平湘, 张良培.  基于模糊ARTMAP神经网络模型的遥感影像亚像元定位 . 武汉大学学报 ● 信息科学版,
    [11] 汤皓, 陈国兴.  基于GIS和神经网络模型的场地地震液化势风险评价 . 武汉大学学报 ● 信息科学版,
    [12] 覃文忠, 王建梅, 刘妙龙.  混合地理加权回归模型算法研究 . 武汉大学学报 ● 信息科学版,
    [13] 吕恒, 李新国, 曹凯.  基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究 . 武汉大学学报 ● 信息科学版,
    [14] 王志国, 陈立, 刘玉成, 张春燕.  遗传算子对径流预报神经网络模型的影响 . 武汉大学学报 ● 信息科学版,
    [15] 王新洲, 邓兴升.  大坝变形预报的模糊神经网络模型 . 武汉大学学报 ● 信息科学版,
    [16] 焦利民, 刘耀林.  土地适宜性评价的模糊神经网络模型 . 武汉大学学报 ● 信息科学版,
    [17] 张雅杰, 唐旭, 祝国瑞.  城市基准地价评估回归模型分析与改进 . 武汉大学学报 ● 信息科学版,
    [18] 孙海燕, 吴云.  半参数回归与模型精化 . 武汉大学学报 ● 信息科学版,
    [19] 樊红, 张祖勋, 杜道生, 张剑清.  基于神经网络模型求取注记配置最优解 . 武汉大学学报 ● 信息科学版,
    [20] 雷雨, 赵丹宁.  附有时变参数的周期项模型在极移预报中的应用 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200007
  • 加载中
计量
  • 文章访问数:  101
  • HTML全文浏览量:  22
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-04-02
  • 网络出版日期:  2022-04-21

结合季节调整和NAR神经网络的流域地下水储量预测

doi: 10.13203/j.whugis20210584
    基金项目:

    国家自然科学基金(41974002)。

    作者简介:

    王杰龙,博士生,主要从事深度学习和GRACE数据分析。wangjielong@tongji.edu.cn

摘要: 利用重力场恢复与气候实验(gravity recovery and climate experiment,GRACE)卫星反演的陆地水储量和全球陆地数据同化系统(global land data assimilation system,GLDAS)水文模型,从流域降雨分布信息出发,结合季节调整技术和非线性自回归(non-linearautoregressive,NAR)神经网络对流域地下水储量变化进行预测,并与未经过季节调整的NAR神经网络、自回归(autoregressive,AR)模型以及季节性自回归差分移动平均(seasonalautoregressive integrated moving average,SARIMA)模型进行对比分析。以长江流域、勒拿河流域、鄂毕河流域以及叶尼塞河流域为例,结果表明,经过季节调整后的流域降雨和地下水分别服从独立分布和一阶自回归模型,为NAR神经网络时延数的确定提供了新的途径。经过季节调整后的NAR神经网络的预测结果在四个流域的模型表现优于传统的AR模型和SARIMA模型,均方误差在1 cm以内,相关系数超过0.96。结合季节调整和NAR神经网络提高了流域地下水储量预测精度,减少了训练参数,加快了神经网络的收敛速度。

English Abstract

王杰龙, 杨玲, 陈义, 沈云中. 结合季节调整和NAR神经网络的流域地下水储量预测[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210584
引用本文: 王杰龙, 杨玲, 陈义, 沈云中. 结合季节调整和NAR神经网络的流域地下水储量预测[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210584
WANG Jielong, YANG Ling, CHEN Yi, SHEN Yunzhong. Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210584
Citation: WANG Jielong, YANG Ling, CHEN Yi, SHEN Yunzhong. Prediction of Watershed Groundwater Storage Based on Seasonal Adjustment and NAR Neural Network[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210584
参考文献 (22)

目录

    /

    返回文章
    返回