用于地下水预测的深度学习模型超参数代理优化

在气候变化条件下对地下水资源的可持续管理，需要对地下水位进行可靠且准确的预测。机理性的多尺度、多物理场模拟模型往往难以用于此目的，尤其对于无法获取复杂计算资源与数据的地下水管理者而言。因此，我们分析了四种现代深度学习计算模型在地下水位预测中的适用性与性能。我们比较了三种用于优化模型超参数的方法，包括两种基于代理模型的算法与一种随机采样方法。模型通过预测美国加利福尼亚州比尤特县的地下水位进行了测试，并考虑了河流流量、降水和环境温度的时间变异性。我们的数值研究表明，超参数的优化可使所有模型获得相当准确的性能（地下水预测的均方根误差为 2 米或更小），但“最简单”的网络，即多层感知机（MLP），在学习与预测地下水数据方面，就预测精度与求解时间而言，总体优于更先进的长短期记忆或卷积神经网络，使 MLP 成为地下水预测的合适候选模型。