摘要
准确预测地下水位对于科学管理地下水资源具有重要意义。本研究通过整合三维瞬变MODFLOW模型、人工神经网络以及长短期记忆网络，构建了一个多模型框架用于地下水位预测。研究结果表明，在校准和验证期间，该数值模型能够较好地模拟地下水位变化，超过91.67%的监测井的相对误差在1.5米以内。在训练和验证阶段，LSTM模型的性能明显优于人工神经网络模型，其归一化平方误差大于0.92，均方根误差小于1.51米。研究还设置了多种情景来对比验证LSTM模型与数值模型的预测精度，前者の均方根误差在0.054至0.187米之间，后者则在0.012至0.121米之间。此外，预测周期越长，均方根误差越大。LSTM模型的不确定性值从1.0逐渐下降到0.74，而数值模型的不确定性值则保持在0.71。这表明，数值模型的物理过程约束有助于在不同情景下提升预测的稳定性和可解释性，而机器学习则能更高效地满足高频调整需求，并快速响应突发扰动。本研究为准确预测地下水位以及数值模型与机器学习模型之间的对比研究提供了科学依据。
