一种用于美国罗德岛州地下水位预测的TFN–LSTM混合模型
《Journal of Environmental Management》:A hybrid TFN–LSTM model for groundwater level forecasting in Rhode Island, USA
【字体:
大
中
小
】
时间:2026年07月14日
来源:Journal of Environmental Management 9.2
编辑推荐:
朱海波|阮焕杰|雷功,北京工业大学建筑与土木工程学院,中国北京100124
摘要:准确的地下水位预测对于有效管理地下水资源至关重要;然而,由于含水层系统对气候变化的响应复杂且非线性,这一任务仍然具有挑战性。概念模型,如传递函数噪声模型,能够有效表示长期的趋势和季节性的地下水动态
朱海波|阮焕杰|雷功,北京工业大学建筑与土木工程学院,中国北京100124
摘要:准确的地下水位预测对于有效管理地下水资源至关重要;然而,由于含水层系统对气候变化的响应复杂且非线性,这一任务仍然具有挑战性。概念模型,如传递函数噪声模型,能够有效表示长期的趋势和季节性的地下水动态;但它们往往无法捕捉短期变化,从而导致模拟残差存在时间相关性。数据驱动的方法可以捕捉非线性动态,但通常缺乏明确的物理意义。本研究提出了一种混合模型,通过残差学习方法将传递函数噪声模型与长短期记忆网络相结合,用于预测地下水位。首先,传递函数噪声模型根据降水量和潜在蒸发量模拟基准地下水位响应。然后,训练长短期记忆网络识别传递函数噪声残差中的时间模式并预测修正值。这些修正值被加到基准模拟结果中,从而得出最终预测值。该模型使用美国罗德岛州三个监测井的日地下水位数据进行了测试。研究结果表明,混合模型的表现始终优于单独使用的传递函数噪声模型和长短期记忆网络模型,尤其是在地下水行为复杂的地区。此外,混合模型具有更高的时间稳定性,其在较长的预测周期内的性能下降更为平缓。Shapley加性解释表明,过去的传递函数噪声残差在修正过程中起着重要作用,强调了残差持续性对提高预测精度的重要性。
引言:地下水在全球淡水循环中起着至关重要的作用,它不仅是维持自然生态平衡的关键因素,也是人类社会的重要水源(Kuang等人,2024;Sun等人,2024;Han等人,2025)。作为含水层状态的关键指标,地下水位的变化直接反映了地下水资源的空间和时间变化,进而影响依赖地下水的生态系统,如湿地、河流和湖泊的稳定性(Li等人,2024;Peng等人,2025)。然而,随着气候变化的影响日益加剧,降水模式的变化以及极端天气事件的频发,使得地下水的补给和排泄过程变得更加复杂(Reinecke等人,2021;Wang等人,2021;Turkeltaub和Bel,2024)。这种气候变异性的增加大大提高了水文过程的不确定性,使得准确预测地下水位变得十分困难。因此,深入理解导致地下水位波动的因素,并开发出能够适应复杂水文地质条件的精确预测方法,对于评估区域水资源状况和保护生态系统健康至关重要(Khan等人,2023;Boo等人,2024;Kunz等人,2025)。
传统上,地下水位预测主要依赖于基于过程的物理模型,包括数值地下水流动模型以及其他概念模型,如将含水层简化为由水量平衡原理控制的多个水库的集总参数模型(Du等人,2018;Gomez等人,2024;Lozano Hernández等人,2024)。这些模型是基于明确的物理原理构建的,通常能够合理地表征地下水系统的机制过程(Zheng等人,2025)。然而,复杂的数值模型往往涉及复杂的参数化、边界条件定义的不确定性以及较高的计算成本(Wunsch等人,2021;Taccari等人,2022)。传递函数噪声模型是一种结构简化且对数据要求相对较低的概念模型。从机制上讲,它们利用脉冲响应函数来表示含水层对输入的物理延迟,而随机噪声成分则用于捕捉残差中的其他时间依赖性。许多研究表明,这类模型具有很高的可靠性(Rudolph等人,2023;Frederiks等人,2024;W?hling等人,2025)。然而,即便如此高效的传递函数噪声模型,在处理含水层中的强非线性行为时也表现出明显的局限性(Collenteur等人,2023)。这些复杂的动态过程往往无法被线性模型结构捕捉,常常以系统偏差的形式出现在残差序列中,而传统的自回归噪声模型也难以准确描述这些过程(Collenteur等人,2021)。
近年来,机器学习技术已成为水文预测领域的强大替代方案(Tao等人,2022;Afful等人,2025)。传统的机器学习算法,如人工神经网络和支持向量机,已被广泛应用于水文模拟研究(Tao等人,2021;Mohammadi,2021)。随着深度学习的进步,长短期记忆网络由于其深层结构以及更强的建模长期时间关系能力,在解决复杂的水文时间序列问题方面展现出显著优势(Huang等人,2024;Tripathy和Mishra,2024;Kilinc等人,2025)。例如,Zhang等人(2018)开发了一种简洁高效的长短期记忆模型,用于农业地区的地下水位预测,仅使用有限且易于获取的数据就实现了高精度预测。Hou等人(2025)则开发了一种基于水文知识的长短期记忆模型,利用公开的可分布式数据,实现了对青藏高原长期月度河流径流序列的高精度重建。然而,尽管这些模型的预测能力有所提升,但数据驱动模型固有的“黑箱”特性仍然是其实际应用的重要障碍(Song等人,2022;Senocak等人,2023)。深度学习模型与物理模型不同,因为它们的内部运作机制并不透明,这使得很难确认其预测结果是否符合水文学的物理定律。这种缺乏透明度的情况导致了相当大的不确定性,尤其是在模型应用于其训练数据范围之外的极端情况时。因此,决策者很难判断预测结果是否反映了真实的物理过程,还是仅仅是由于过拟合而产生的统计误差。这一缺陷大大降低了那些仅依赖数据来管理水资源的模型的可信度和实际应用价值(Madhushani等人,2024;Parasar和Krishna,2025;Li等人,2025)。
混合模型将用于可靠基准模拟的物理模型与深度学习技术相结合,以解决物理公式无法捕捉的系统偏差问题(Feng等人,2023;Yang等人,2024;Altarawneh等人,2025)。然而,现有的混合模型仍然难以在复杂性和可解释性之间找到平衡。试图将物理约束条件纳入神经网络的做法在参数调整和训练稳定性方面存在困难,从而限制了它们的整体性能(Wi和Steinschneider,2024;Plankovskyy等人,2025)。一些混合方法通过首先使用物理模型来确定系统的基本行为,然后再利用深度学习技术来建模物理模型无法捕捉的残差动态,提供了一种有前景的策略(Lee等人,2025;Zhu等人,2025)。这种方法在保持基准模拟的物理可解释性的同时,解决了系统误差问题,从而提升了预测精度(Cho和Kim,2022)。然而,这种方法在地下水建模中的应用仍然有限,因为目前的研究往往没有对物理模型残差进行全面的统计分析,以支持进行残差修正的必要性。此外,将此类残差学习框架应用于基于传递函数噪声的地下水模型也仍然有限,而且目前还缺乏关于其在不同预测时间范围内的预测稳定性的系统评价。
本研究提出了一种混合模型,该模型将传递函数噪声模型与基于长短期记忆网络的残差修正组件相结合,以提高地下水系统的预测精度。传递函数噪声模型负责捕捉主要的的水文响应,而长短期记忆网络模块则用于处理残差误差中存在的复杂时间模式。本研究的创新之处在于将传递函数噪声模型与基于长短期记忆网络的残差修正框架相结合,将这种残差学习策略扩展到基于传递函数噪声的地下水位建模中,并系统地评估了模型在多种预测时间范围内的性能和时间稳定性。此外,还利用SHAP分析进一步探讨了模型的可解释性。本研究的具体目标为:(1)开发一种混合的传递函数噪声-长短期记忆模型,并评估其在不同监测地点的有效性;(2)研究随着时间尺度的延长,该模型在不同预测时间范围内的预测性能的稳定性;(3)利用SHAP分析方法,研究长短期记忆网络残差修正组件中各特征的作用。
研究区域:本研究以美国罗德岛州的三个地下水监测井为研究对象(图1),该地区属于温带海洋性气候,年平均气温约为10℃,降水量约为1200毫米,且分布较为均匀(Campbell等人,2018)。该地区的地下水系统主要由沙砾含水层构成,部分浅层含水层则由层状沉积物形成。这些监测井隶属于美国地质调查局的气候响应网络,该网络负责对相关数据进行监测。
传递函数噪声模型:传递函数噪声建模是时间序列分析的一个分支,其目的是利用统计模型将一个或多个输入时间序列转换为输出序列(von Asmuth等人,2002)。在本研究中,传递函数噪声模型是使用开源的Python软件包Pastas实现的(Collenteur等人,2019),该软件包采用了预定义的连续时间脉冲响应函数方法(PIRFICT)。在此框架下,地下水位的变化可以表示为:h(t)=∑m=1Mhm(t)
传递函数噪声模型及残差属性的评估:图5展示了利用Pastas框架构建的传递函数噪声模型所生成的地下水位模拟结果,以及三个典型监测站点的验证期内的性能指标。该模型能够有效地再现地下水位的季节性变化和长期趋势,模拟结果与观测数据在相位上保持一致。不过,该模型的准确性在不同监测站点之间存在差异。1号和...
讨论:研究结果表明,利用Pastas框架开发的集总传递函数噪声模型能够再现所有三个研究地点的总体地下水位动态及主要的周期性波动,这表明该模型在描述区域尺度的地下水响应方面具有基本的适用性,这一结论也与以往将传递函数噪声模型应用于地下水系统的研究结果一致(W?hling等人,2025)。然而,在某些时期,该模型存在系统性低估的情况...
结论:本研究提出了一种地下水位预测框架,该框架将传递函数噪声模型与长短期记忆网络相结合,通过建模和修正传递函数噪声模型的模拟残差,从而提高预测精度。传递函数噪声模型能够有效地捕捉长期趋势和季节性变化,但会留下时间相关的残差,长短期记忆网络则可以利用这些残差来提升预测精度。混合的传递函数噪声-长短期记忆模型在性能上始终优于单独使用的传递函数噪声模型和长短期记忆网络模型...
CRediT作者贡献声明:朱海波:概念设计、数据整理、软件使用、监督指导、初稿撰写、修订编辑。阮焕杰:研究调查、方法设计、资源协调、软件使用、模型验证、结果可视化、初稿撰写。雷功:方法设计、资源协调、软件使用、初稿撰写、修订编辑。
利益冲突声明:作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢:本研究部分得到了国家自然科学基金(42207070)的资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号