孟加拉国干旱易发地区利用深度学习算法进行地下水水位预测

《Scientific Reports》：Groundwater level prediction using deep learning algorithms in a drought-prone area in Bangladesh

　　

摘要

地下水是满足日常饮水和农业灌溉等需求的重要资源。由于过度开采以及缺乏准确的预测方法，孟加拉国西北部地区面临严重的水资源短缺问题。了解地下水位的预测方法对于实现水资源的有效利用和可持续管理至关重要。本研究旨在利用三种创新的深度学习算法——卷积神经网络、门控循环单元和双向长短期记忆网络，对孟加拉国干旱频发的西北部地区的地下水位进行长期时间序列预测。其主要目标是提高地下水位预测的准确性，为水资源管理提供支持。研究使用了1981年至2017年的环境数据，包括最高温度、最低温度、总降雨量和湿度等数据。从丁纳杰普尔和博古拉两个气象站收集了月度数据，然后将数据集分为70%的训练阶段（1981–2006年）和30%的测试阶段（2007–2017年）。通过均方根误差、均方误差、平均绝对误差、一致性指数、平均绝对百分比误差和R2值等六项指标对这些深度学习算法的性能进行了评估。在丁纳杰普尔，训练阶段中门控循环单元的表现最佳，而在博古拉则双向长短期记忆网络表现最优。在所有测试的模型中，双向长短期记忆网络在测试阶段的准确率最高。在丁纳杰普尔，其对应的指标分别为RMSE=0.415米，MSE=0.172平方米，MAE=0.301米，R2=0.89；在博古拉，这些指标分别为RMSE=0.311米，MSE=0.096平方米，MAE=0.168米，R2=0.93。这些研究结果有助于政策制定者和政府相关部门在干旱地区制定更科学的地下水管理策略。