基于机器学习的西南岩溶泉流量模拟研究OA北大核心CSTPCD

岩溶泉对西南岩溶区生态系统稳定和经济社会发展具有重要意义。受岩溶区独特水文地质结构与多重水流过程控制,岩溶泉流量具有复杂的动态变化特征,机器学习模型为其模拟和预测提供了有效手段。然而,岩溶泉域降雨−泉流量过程及其时空变异特征对机器学习模型结构与模拟精度的影响仍不明晰。本文选取西南典型岩溶泉,基于长短期记忆网络(LSTM)建立岩溶泉流量模拟模型,利用泉域实测逐小时降雨与泉流量序列进行模型训练与验证。在此基础上,分析了不同降雨−泉流量过程对岩溶泉流量模拟精度的影响,以及岩溶水文地质结构对降雨−泉流量响应滞时的控制作用。研究结果显示,山坡岩溶泉与流域出口岩溶泉训练期纳什效率系数(NSE)分别为0.942与0.951,验证期分别为0.831与0.834。对于山坡岩溶泉与流域出口岩溶泉,利用全年实测序列训练的模型预测雨季泉流量存在较大偏差,NSE分别为0.793与0.798,而利用雨季实测序列训练的模型预测雨季泉流量,精度显著提升,NSE分别为0.956与0.962,且此差异在暴雨频繁的5、6、7月尤为显著。受浅薄土壤与表层岩溶带分布影响,山坡岩溶泉LSTM模型时序步长显著小于流域出口岩溶泉。