A comparative study among machine learning and numerical models for simulating groundwater dynamics

in the Heihe River Basin, northwestern China

錄用時間：2020年02月07日

期刊：Scientific Reports（JCR Q1）

作者列表：

1) 陳  沖 （中國石油大學（北京） 信息科學與工程學院）

2) 何  為 （中國石油大學（北京） 信息科學與工程學院 電子信息工程系 博16）

3) 周  涵 （中國石油大學（北京） 信息科學與工程學院 電子信息工程系 研17）

4) 薛亞茹（中國石油大學（北京） 信息科學與工程學院）

5) 朱明達（中國石油大學（北京） 信息科學與工程學院）

DOI鏈接：https://doi.org/10.1038/s41598-020-60698-9

背景與動機：

計算機建模已經成為各個自然學科的研究利器，也是地球系統科學的基本研究方法。目前，計算機模型主要分為經驗模型、數值模型與統計模型。經驗模型難以模擬動態系統；構建數值模型則需要大量的觀測數據與專家知識，且難以權衡模型時空分辨率與計算消耗之間的矛盾；基于統計理論的機器學習模型則較好地解決了以上兩種模型的不足。本研究以地下水系統為例，選擇位于中國西北部的黑河流域作為研究區，對數值模型與機器學習模型在地下水系統模擬中的構建難度、模擬精度等進行研究，通過具體的性能指標為地下水系統建模中的模型選擇提供依據，同時也將為其他領域的模型選擇問題提供有益參考。

設計與實現：

1. 數據介紹。黑河流域位于我國西北部干旱區，是我國第二大內陸河流域，中游（38°38’N—39°53’，98°53’E—100°44’E；）為典型的干旱氣候，年降水量稀少（69~216 mm），蒸發強（1453~2351 mm），是黑河流域經濟和農業最發達的地區，全國最大的玉米制種基地。中游（見圖1 (a)）內主要河流有黑河干流與梨園河，鶯落峽、正義峽水文站分別為黑河干流上下游分界點。研究者通過觀測地下水位以及地表河流流量以認識地下水系統在驅動因素的影響下的動態變化，影響地下水系統動態變化的因素主要有自然因素（上游徑流下泄、地下地表水交換、植物蒸散發、降水、南邊界入流）和人類活動因素（抽水變化導致的地下地表水交換增加、地表植被的變化導致的蒸散發不同），地下水系統循環過程見圖1 (b)。

（a）                                                                            （b）

圖1. (a) 黑河流域中游；(b) 地下水系統循環過程

2. 方法介紹。分別采用機器學習模型與數值模型構建黑河流域中游地下水系統模型。機器學習方法選擇多層感知機（Multi-layer perceptron）、徑向基網絡（Radial basis function network）與支持向量機（Support vector machine）等典型方法；數值模擬則選擇MODFLOW(Modular Three-dimensional Finite-difference Ground-water Flow Model)構建地下水系統模型。

3. 實驗結果。對模型計算時間、模擬精度、預測精度以及模型的泛化能力進行評價（見表1、表2與圖2）。經過對比發現，相比于數值模型，機器學習模型消耗了更少的計算時間得到了更優的模擬精度與預測精度；而數值模型的泛化能力優于機器學習模型。因此，機器學習模型適用于對實時性要求高、需要多次運行模型且不必考慮物理機制的情景（如實時模型、敏感性分析、不確定性分析、優化等）。

表1. 校正/訓練期指標對比

表2. 預測期指標對比

圖2. 不同模型泛化能力對比

99亚洲综合精品