摘要：为提高区域地下水埋深预测精度，提出一种CEEMDAN-混合算法-LSTM预测模型。该模型基于完全自适应噪声集成经验模态分解法（CEEMDAN），将建三江分公司下辖15个农场的地下水埋深数据分解为5个模态分量，从而有效降低输入数据的复杂性。同时，将红狐优化算法（RFO）和鲸鱼优化算法（WOA）结合的混合算法，用于优化长短时记忆神经网络（LSTM）模型的关键参数，包括时间步长T、隐藏单元数n、批量大小（batch＿size）和学习率a，以进一步提高模型预测精度。将月降水量和水田井灌水量作为LSTM模型输入因子，分别对5个模态分量进行预测，最终通过累加各分量预测值得到地下水埋深预测值。结果表明：与反向传播神经网络（BP）模型和循环神经网络（RNN）模型相比，CEEMDAN-混合算法-LSTM模型的均方根误差（RMSE）降低43%以上，决定系数R2和纳什效率系数（NSE） 均提升超18%；预测结果表明，2023-2027年，建三江分公司整体地下水埋深变化幅度达6.22%，其中南部农场地下水埋深普遍大于北部农场。
文章目录
0 引言
1 研究区与数据来源
1.1 研究区
1.2 数据来源
2 研究方法
2.1数据归一化
2.2 CEEMDAN
2.3混合算法(RFO和WOA)
2.3.1 RFO
2.3.2 WOA
2.3.3 混合算法机制
2.4 LSTM模型
2.5 CEEMDAN-混合算法-LSTM模型构建与使用
2.5.1地下水埋深预测
2.5.2 LSTM模型优化
3 结果与分析
3.1 CEEMDAN分解结果
3.2 模型预测结果与性能检测
3.2.1模型预测效果
3.2.2 与BP模型、RN
