基于指标优选和模糊综合优化模型的地下水质量评价研究

进行地下水质量评价时往往需要较多的水质指标,一方面增加了取样和检测成本,另一方面容易引起评价过程中的重复描述,导致评价结果失真。通过利用Pearson相关系数（相关性）和因子分析（主控性）对水质评价指标进行优选,在此基础上结合模糊综合优化模型对2017年寿光市枯水期地下水质量状况进行评价。结果表明：通过将模糊综合评价和可变模糊集耦合,能够很好地解决水质等级划分的不确定性和模糊性,其评价结果也更加准确合理;利用指标优选将7个原始水质指标优选为4个指标,不但能够有效减少数据冗余,而且能够充分保留原始指标的有效信息,并且具有更高的评价合理性;在此基础上,识别出研究区地下水污染的主控指标为硝酸盐、总硬度、锌和COD;研究区内的蔬菜种植区地下水污染较为严重,其主要超标因子为硝酸盐和总硬度,主要是氮肥的过度使用及地表污染物通过河流进入地下水体逐渐累积的结果。     

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。