克里金方法与深度学习方法用于浅层地下水位估计的对比研究:以深汕特别合作区为例OA北大核心CSTPCD

掌握区域地下水位分布是地下水资源评价与环境保护的重要基础。由于区域尺度观测的地下水位数据有限,克里金插值与深度学习方法逐渐被用于区域地下水位预测,但两者的适用性及鲁棒性缺乏对比分析。针对这个问题,基于239口监测井水位,采用普通克里金方法、融合地表高程的协同克里金方法、深度学习方法估计深汕特别合作区地下水位空间分布,调查3种方法在区域地下水位预测中的应用潜力。为了研究训练集样本量对3种方法预测效果的影响,将239口监测井分为2组(76口和163口)用于3种模型的训练。结果显示,使用76眼井的训练数据拟合验证集样本时RMSE分别为6.09,4.04,7.11,考虑了地表高程信息的协同克里金法明显优于普通克里金法与深度学习法。而当训练样本量增加到163口水位数据时,普通克里金、协同克里金及深度学习法的预测精度都明显提升,3种方法拟合验证数据集的RMSE相差很小,分别为1.33,1.36,1.54。另外,使用较大数据样本量进行全区域的地下水位预测时不同方法得到的预测水位分布均有所提高,但空间分布特征依旧存在明显差异。结果表明,当观测数据稀疏时,融合高程信息的协同克里金方法的预测效果显著高于普通克里金方法和深度学习方法,而当观测数据量增加到达一定数量时,3种方法预测得到的RMSE较接近。