地下水位波动是反映地下水资源可持续性的核心指标，是目前水文地质研究的研究重点，建立能够准确模拟地下水位的模型对水资源管理和含水层保护具有重要意义。对于地下水位模拟，概念模型或物理模型都是重要的研究工具，然而，这些模型存在一些明显的局限性，例如过度简化了物理过程与系统内的动态变化过程从而产生较高的模拟误差，以及在建立过程中需要大量数据和输入参数。在当前大数据时代背景下，机器学习为能够有效且准确地预测长期的地下水位波动提供了一个有前景的研究途径，而避免了建立包含大量参数的数值模型带来的计算负担。此外，以往研究多以地下水位时间序列作为唯一输入项，忽略了外部影响因素对模型性能的影响。

针对以往研究的不足，2021年8月，集团鲁程鹏教授指导硕士生吴成城在环境领域Top期刊Science of the Total Environment发表题为Groundwater level modeling framework by combining the wavelet transform with a long short-term memory data-driven model的论文。论文提出了一个通过结合小波变换(WT)和长短期记忆(LSTM)模型来模拟地下水位的多步建模框架（图1），即小波-多变量长短期记忆模型(WT-MLSTM)。该模型在中国北京凉水河流域和美国科罗拉多河下游沿岸的Cibola国家野生动物保护区的应用中，将地表的河流水位作为影响因素加入模型中，模拟结果表明WT-MLSTM模型的性能要优于其他三组对照模型以及较为常见的支持向量机模型，能对流域内地下水位的变化进行较高精度的模拟，将预测水位与实测水位的对比中也展示了其在短期地下水位预测中具有较好的表现（图2）。因此，该成果对准确可靠地模拟和预测地下水位的变化，实现河流流域地下水资源和地表水的可持续管理具有现实意义。

论文链接：Wu, C., Zhang, X., Wang, W., Lu, C., Zhang, Y., Qin, W., Geoffrey, R. T, Liu, B., Shu, L. (2021). Groundwater level modeling framework by combining the wavelet transform with a long short-term memory data-driven model. Science of the Total Environment, 783, 146948. https://doi.org/10.1016/j.scitotenv.2021.146948

图1  WT-MLSTM模型流程示意图

图2  四种不同模型在北京凉水河流域的地下水位模拟结果对比图

供稿：鲁程鹏，编辑：何肖微，审核：雍斌、黄璟胜