基于CEEMD-BP耦合模型的灌区地下水埋深预测

王燕鹏; 穆玉珠; Yan-peng WANG; Yu-zhu MU

中国农村水利水电 ›› 2021 ›› (7) : 198-201,208.

农田水利

基于CEEMD-BP耦合模型的灌区地下水埋深预测

作者信息 +

Prediction of Groundwater Depth Based on CEEMD-BP Coupling Model in Irrigation Area

Author information +

稿件信息 +

摘要

为了科学预测人民胜利渠灌区地下水埋深，促进灌区水资源的可持续利用，针对灌区地下水埋深具有非线性、非平稳性与预测精度低的特征，基于CEEMD具有非平稳信号平稳化的能力和BP神经网络较强的非线性和不确定性映射能力与预测效果，构建了基于CEEMD-BP的灌区地下水埋深预测耦合模型。将该模型应用于人民胜利渠灌区地下水埋深预测中，结果表明：CEEMD-BP耦合模型和其他模型相比具有较好的预测效果，平均相对误差为4.7%，纳什系数为0.96，预测精度更高。综合上可知，模型预测精度高，为灌区地下水埋深提供了一种有效的预测方法。

Abstract

In order to scientifically predict groundwater depth and promote the sustainable utilization of water resources in people's victory canal irrigation district， according to the complex characteristics of nonlinearity and non-stationarity， the accuracy of prediction is usually not high， Based on CEEMD， it has the ability to smooth non-stationary signals and BP can approximate arbitrary functions， has good nonlinear mapping capabilities， and has an advantage in the prediction of uncertain factors， the CEEMD-BP coupling model is built to predict the groundwater depth in the irrigation area. The results show that the CEEMD-BP coupling model and the EEMD-BP model have better prediction results than the BP model. The average relative error is 4.7%， the Nash coefficient is 0.96， and the prediction accuracy is higher. In conclusion， the model has high prediction accuracy， provides an effective method for predicting the buried depth of groundwater in the irrigation area.

导出引用

王燕鹏 , 穆玉珠. 基于CEEMD-BP耦合模型的灌区地下水埋深预测[J].中国农村水利水电, 2021(7): 198-201,208

Yan-peng WANG , Yu-zhu MU. Prediction of Groundwater Depth Based on CEEMD-BP Coupling Model in Irrigation Area[J].China Rural Water and Hydropower, 2021(7): 198-201,208

0 引言

灌区地下水埋深受气温、降水、蒸发散、地下水补给、地下水开采、土壤地质条件等很多种不确定性因素影响，其演变表现出不确定性、随机性、模糊性以及突变性等特点^［1-4］，致使地下水埋深预测困难，且精度较低。提高灌区地下水埋深预测精度，对于灌区水资源合理利用和区域社会经济可持续发展具有重要意义^［5-9］。国内外相关学者对地下水埋深预测做了大量研究，并取得了丰硕的成果。Khorasan等^［10］运用长序列模型在地下水埋深预测方面展开了大量研究；Maiti等^［11］用多种网络模型对地下水的埋深开展预测并进行了对比分析；Liu等^［12］基于人工神经网络与复杂地下水管理进行了综合研究；Zhou等^［13］结合ANN和SVM模型的小波预处理比较分析地下水埋深预测效果；于海姣等^［14］运用WA-SVM模型对我国干旱地区的地下水埋深进行了预测；邵光成等^［15］将IABC-RBF模型应用于地下水埋深预测；曹文洁等^［16］将RBF模型应用到地下水的动态预测中，分析地下水埋深的变化特征。综上可知，国内外的学者对地下水埋深预测的研究主要集中在利用单一模型预测等方面，由于地下水变化受多种不确定性因素影响，致使预测精度较低。互补集合经验模态分解法^［17］（Complementary Ensembie Empirical Mode Decomposition，简称“CEEMD”）是一种基于固有模态函数解析的数据分解新技术，通过将数据分解为高频和低频两部分，重而可将复杂的时间序列变化转化为几个简单的单一变量的总和。而BP神经网络比其他预测模型具有非常好的映射能力^［18］，非常适合于非线性和不确定性问题的研究。因此，本文利用CEEMD和BP神经网络两者的优点，构建基于CEEMD和BP网络的耦合模型，并将其应用于人民胜利渠灌区地下水埋深的预测。

1 研究方法

1.1 CEEMD-BP

从CEEMD分解的角度来看，每个IMF成分和趋势对时间序列的贡献都不相同，并且可以将IMF成分和趋势项看成是时间驱动因素。对数据序列进行预测就可以认为对IMF部分和趋势项两部的预测。

CEEMD-NAR预测步骤为：

（1）CEEMD分解。利用MATLAB工具对原始数据进行CEEMD的分解，获得各分量以及趋势项数据。

（2）划分训练数据与预测数据。1993-2011年序列数据的分量和趋势项作为网络的训练数据，2012-2013年序列数据的分量和趋势项作为网络的预测数据。

（3）BP神经网络预测。利用BP网络对IMF分量与趋势项的训练数据进行反复的调试，使BP分量与趋势项的预测到达最佳的效果。

（4）预测结果分析。最后将预测的IMF分量和趋势项加起来然后还原，并且和原来的数据进行比较。模型预测流程如图1所示。

图1 CEEMD-BP耦合模型预测流程

Fig.1 The technical route of the CEEMD-BP Coupling Prediction Model

Full size|PPT slide

1.2 评价指标

预测评价指标选取相对百分比误差RPE、平均绝对误差MAE、均方根误差RMSE、平均相对百分比误差MAPE，和纳什效率系数NSE作为本次预测精度检验的标准。

2 地下水埋深预测

2.1 灌区概况

人民胜利渠灌区是黄河下游首个自流灌溉区，位于河南省的北部，总面积1 486.84 km²。近年来，由于灌区工农业和城市化水平的不断提高，对水资源的需求不断增多，地下水的使用量也在逐步增加，造成地下水埋深日益增加。图2为人民胜利渠灌区监测井1993到2013年实测数据。

图2 研究区1993-2013年监测数据

Fig.2 Monitoring data of the study area from 1993 to 2013

Full size|PPT slide

从图2中可知，灌区的地下水埋深每年逐渐增加，但是在增加中还不时有一定的下降，下降的幅度大小也不尽相同，这也说明了埋深序列数据的不确定性和非线性，因此，利用CEEMD在反映非线性问题的优势是可行的。

2.2 CEEMD分解

根据CEEMD分解的理论与方法，将研究区地下水埋深的数据按照前面所述的CEEMD分析步骤分解，其中，数据噪声的方差和次数分别取值0.2和100次。结果见图3所示。

图3 灌区1993-2013年地下水埋深序列CEEMD分解结果

Fig.3 Decomposition results of groundwater depth based on CEEMD from 1993 to 2013

Full size|PPT slide

从图3可知，将数据分解成5个分量和一个趋势项。从分量2到趋势项波动性逐渐减小，频率也缓慢降低。地下水埋深数据经过CEEMD分解处理后，平稳性得到了很大的提升，将原来的序列数据分解成具有周期性的分量，从而降低了预测的困难性。

2.3 预测结果

在使用BP网络预测时，训练样本采用1993到2011年的分量和趋势项，测试样本采用2012年到2013年的分量和趋势项。采用滚动预测的方式，延时阶数为1∶6，隐含节点数为20。预测结果如图4所示。

图4 分量IMF1～IMF5和趋势项预测结果

Fig.4 Prediction results of IMF1～IMF5 and Residual

Full size|PPT slide

由图4可以得出，分量误差逐渐减小，平稳性相对较高，通过CEEMD对数据进行分解后，序列数据的波动性大大降低、平稳性显著升高。

由表1可知，分量一相对误差都比较大，分别是最大值594.74、最小值4.30、平均值161.55，这说明IMF1分量的平稳性比其他分量要低一点，也对预测误差产生了很大的影响；其他分量误差逐渐减小，逐渐趋于稳定。趋势项所对应的相对误差的各值均较小，分别为最大值0.04、最小值0、平均值0.01，因此低频信号的平稳相对较好，对预测误差产生的影响比较小。

表1 各分量与趋势项相对误差对比 (%)

Tab.1 Comparison of relative error between each component and trend item

预测项	相对误差最大值	相对误差最小值	相对误差平均值
IMF1	594.74	4.30	161.55
IMF2	287.17	1.50	41.30
IMF3	9.89	0.12	2.90
IMF4	1.88	0.05	0.67
IMF5	3.37	0.43	0.77
趋势项	0.04	0	0.01

由表2可知，通过计算CEEMD-BP耦合模型的最大相对误差值为3.04%、最小相对误差值为0.03%、平均相对误差值为0.73%，且计算了模型的纳什效率系数为0.96，接近于1，说明了模型的质量很高，误差较小。

表2 研究区2012-2013年预测的相对误差

Tab.2 The relative error of forecast in the study area from 2012 to 2013

年份	月份	真实值/m	预测值/m	绝对误差	相对误差/%
2012	1	6.02	6.08	0.06	0.73
	2	6.22	6.23	0.01	0.35
	3	6.40	6.40	0	0.05
	4	6.50	6.55	0.05	0.69
	5	6.60	6.66	0.06	0.91
	6	6.84	6.78	-0.06	1.04
	7	6.60	6.66	0.06	0.77
	8	6.52	6.50	-0.02	0.35
	9	6.48	6.50	0.02	0.35
	10	6.56	6.60	0.04	0.47
	11	6.57	6.55	-0.02	0.44
	12	6.59	6.41	-0.18	3.04
2013	1	5.96	6.03	0.07	0.96
	2	5.86	5.92	0.06	0.88
	3	6.06	6.07	0.01	0.03
	4	6.30	6.49	0.19	2.71
	5	6.71	6.76	0.05	0.81
	6	6.96	6.90	-0.06	0.67
	7	6.78	6.78	0	0.13
	8	6.62	6.61	-0.01	0.04
	9	6.80	6.77	-0.03	0.35
	10	6.80	6.81	0.01	0.17
	11	6.93	6.87	-0.06	0.80
	12	6.87	6.82	-0.05	0.77
平均相对误差/%		0.73
纳什效率系数NSE		0.96

由图5可知，用BP模型对研究区预测值与真实值基本一致，误差很小，无明显的波动。

图5 研究区2012-2013年预测曲线

Fig.5 Forecast curve for the study area from 2012 to 2013

Full size|PPT slide

2.4 讨论

为了验证CEEMD-BP的精确性，用Elman模型、BP模型、EEMD-BP耦合模型与CEEMD-BP模型进行比较。CEEMD-BP模型与其他3种模型对比如表3所示。

表3 模型评价指标表

Tab.3 The outcome of evaluation index

预测模型	MAE/m	RMSE/m	MAPE/%
CEEMD-BP	0.047	0.242	0.730
EEMD-BP	0.095	0.485	1.469
BP	0.184	0.929	2.819
Elman	0.198	0.997	3.027

由图6可知EEMD的误差远大于CEEMD；CEEMD-BP耦合较好的克服了白噪音对EEMD-BP网络误差较大的缺点。

图6 CEEMD、EEMD模型误差

Fig.6 The error of EEMD model and CEEMD model

Full size|PPT slide

从表3、图7可知，CEEMD-BP耦合模型的MAN、RMSE、MAPE均低于其他3种模型；可以看出该模型与其他的预测模型相比误差小、精度高。

图7 其他模型与CEEMD-BP模型对比结果

Fig.7 The outcome of EEMD-Elman model and other models

Full size|PPT slide

从图8可以看出，在预测2012-2013年埋深数据时，同时将Elman、EEMD-BP、BP模型与CEEMD-BP相比较可知其相对误差小于其他3种，CEEMD-BP模型的预测效果较好。

3 结论

（1）地下水埋深经过CEEMD分解，通过增加相反的白噪声，其均值等于0，解决了EEMD加入单列白噪声。通过将地下水埋深分解成不同频率的子分量，则复杂的预测变成对多个单一的预测变量。降低了原始序列非平稳性，且更具有规律性。

（2）CEEMD-BP耦合模型预测相对误差为0.73%，并计算了常用以验证水文模型模拟结果的纳什效率系数为0.96，精度比其他3种预测模型相比较高，优于EEMD-BP模型和BP神经网络及Elman模型。

（3）虽然CEEMD-BP耦合模型应用于灌区地下水埋深预测的精度较高，但是对高频分量的预测精度相对较差。另外，模型未涉及地下水埋深演变的物理机制，其适用性及精度的提升仍需进一步深入研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	陈笑，王发信，戚王月，等. 基于遗传算法的BP神经网络模型在地下水埋深预测中的应用：以蒙城县为例［J］. 水利水电技术，2018，49（4）：1-7. 本文引用 [1]

2	柴成武，蒋志荣，徐先英，等. 民勤县荒漠绿洲过渡带土地荒漠化类型判定［J］.西北林学院学报，2006（6）：12-16.

3	王根绪，杨玲媛，陈玲，等. 黑河流域土地利用变化对地下水资源的影响［J］.地理学报，2005（3）：456-466.

4	肖彩虹，郝玉光，贾培云. 乌兰布和沙漠东北部磴口绿洲近52 a水分因子的变化［J］.干旱区资源与环境，2008（6）：161-165. 本文引用 [1]

5	谭矫，丁建丽，陈文倩，等.基于多变量时间序列模型的地下水埋深预测：以渭库绿洲为例［J］.节水灌溉，2017（9）：55-59，64. 本文引用 [1]

6	张先起，宋超，胡登奎.基于EEMD与Elman网络的灌区地下水埋深预测模型［J］.节水灌溉，2018（12）：86-91.

7	张晓萌，王振龙，杜富慧，等.淮北平原浅埋区地下水埋深对土壤水变化的影响研究［J］.节水灌溉，2019（9）：6-9.

8	徐存东，朱兴林，张锐，等.地下水埋深空间插值方法比较和空间变异性研究［J］.节水灌溉，2019（1）：49-56.

9	张文鸽，侯胜玲，殷会娟.内蒙古河套灌区地下水埋深时空变化及其驱动因素［J］.节水灌溉，2020（7）：36-40，45. 本文引用 [1]

10	KHORASANI M， EHTESHAMI M， GHADIMI H， et al. Simulation and analysis of temporal changes of groundwater depth using time series modeling［J］. Modeling Earth Systems and Environment， 2016，2（2）：1-10. 本文引用 [1]

11	MAITI P R， JHA M， SINGH S M. Comparative analysis of performance of neural network and neuro-fuzzy model in prediction of groundwater table fluctuation［J］. International Journal of Hydrology Science and Technology， 2012，2（3）：252-269. 本文引用 [1]

12	LIU D， LI G， FU Q， et al. Application of particle swarm optimization and extreme learning machine forecasting models for regional groundwater depth using nonlinear prediction models as preprocessor［J］. Journal of Hydrologic Engineering， 2018，23（12）： 04 018 052. 本文引用 [1]

13	ZHOU T， WANG F， YANG Z. Comparative analysis of ANN and SVM models combined with wavelet preprocess for groundwater depth prediction［J］. Water， 2017，9（10）：781. 本文引用 [1]

14	于海姣，温小虎，冯起，等.运用小波变换与支持向量机耦合模型（WA-SVM）预测干旱区地下水埋深［J］.中国沙漠，2016，36（5）：1 435-1 442. 本文引用 [1]

15	邵光成，章坤，王志宇，等. 基于IABC-RBF神经网络的地下水埋深预测模型［J］.浙江大学学报（工学版），2019，53（7）：1 323-1 330. 本文引用 [1]

16	曹文洁，肖长来，梁秀娟，等. RBF神经网络在地下水动态预测中的应用［J］.水利水电技术，2018，49（2）：43-48. 本文引用 [1]

17	YEH J R， SHIEH J S， HUANG N E. Complementary ensemble empirical mode decomposition： A novel noise enhanced data analysis method［J］. Advances in Adaptive Data Analysis， 2010，2（2）：135-156. 本文引用 [1]

18	杨婷，魏晓妹，胡国杰，等. 灰色BP神经网络模型在民勤盆地地下水埋深动态预测中的应用［J］.干旱地区农业研究，2011，29（2）：204-208. 本文引用 [1]

PDF(1393 KB)

访问

引用

详细情况

段落导航

收稿日期	出版日期
2021-06-02	2021-07-15
发布日期
2021-08-22

选择文件类型/文献管理软件名称

选择包含的内容