本发明涉及数据处理，尤其是涉及一种基于大数据的地下水位监测与预警模型的构建方法。
背景技术：
1、随着全球气候变化和人类活动的影响，地下水资源的管理和保护变得越来越重要。地下水位的变化直接关系到水资源的可持续利用、农业灌溉、城市供水安全，以及生态环境的平衡。尤其是在干旱、洪涝等极端气候条件频发的地区，有效的地下水位监测和预警系统对于预防自然灾害、减少损失、保障人民生活至关重要。
2、然而，传统的地下水位监测方法往往依赖于分散的监测站点或者定期的人工测量，这些方法不仅耗时耗力，而且难以实现实时监控和大范围的数据收集。此外，由于地下水系统的复杂性和动态性，传统方法在数据处理和分析、预测模型构建等方面面临着诸多挑战，如数据的不连续性、监测点的局限性、以及模型的准确性和泛化能力不足等问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于大数据的地下水位监测与预警方法。
2、第一方面，本发明实施例提供了一种基于大数据的地下水位监测与预警模型的构建方法，该方法如下：
3、获取原始训练样本集，并对原始训练样本集中的原始训练样本进行标注，得到第一训练样本集；其中，原始训练样本是通过地面监测站点、地下水位传感器网络、以及辅助的遥感设备进行数据采集得到的；原始训练样本包括多个参数，参数至少包括地下水位深度、地下水位变化速率、地面温度、地面湿度、降雨量和地下水温度；
4、应用第一训练样本集对包含拉格朗日单元和时间序列模型的生成对抗网络进行训练，以扩充第一训练样本集，得到目标训练样本集；
5、应用预先构建的神经网络对目标训练样本集中的训练样本进行特征提取，得到目标特征集；神经网络为基于生物电流动态平衡方法训练得到的；
6、应用目标特征集对分类器进行训练，输出地下水位监测与预警结果，得到地下水位监测与预警模型；其中，地下水位监测与预警模型用于对地下水位进行监测与预警。
7、结合第一方面，生成对抗网络包括生成器网络、判别器网络和时间序列模型；生成器网络中集成有拉格朗日单元；
8、应用第一训练样本集对包含拉格朗日单元和时间序列模型的生成对抗网络进行训练，以扩充第一训练样本集，得到目标训练样本集的步骤，包括：
9、应用第一训练样本集依次对生成器网络、间序列模型及判别器网络进行训练，以生成新增训练样本；
10、利用拉格朗日单元对新增训练样本进行优化，并对优化后的新增训练样本进行质量评估；
11、确定大于预设的质量评估阈值的新增训练样本为目标新增训练样本；
12、将新增训练样本添加至第一训练样本集，以得到扩充后的目标训练样本集。
13、结合第一方面，神经网络的构建方法包括：
14、初始化初始神经网络的网络参数、权重和偏置；
15、将初始神经网络的网络参数赋值为初始电位值；
16、将初始电位值输入初始神经网络，得到第一输出结果；
17、根据第一输出结果优化初始神经网络，直至获得满足预设条件的神经网络。
18、结合第一方面，根据第一输出结果优化初始神经网络，直至获得满足预设条件的神经网络的步骤，包括：
19、根据第一输出结果，计算神经网络的损失函数；
20、根据损失函数，计算电位调整量；
21、根据电位调整量、预设的自适应因子，更新神经网络的网络参数、权重和偏置，直至获得满足预设条件的神经网络。
22、结合第一方面，分类器包括多层神经网络，每层神经网络包括多个神经元，多个神经元交叉连接；
23、应用目标特征集对分类器进行训练，得到地下水位监测与预警模型的步骤，包括：
24、将目标特征集输入分类器，通过近端梯度下降方法集模拟退火集成方法对分类器的参数进行优化；
25、基于目标特征集依次对多层神经网络进行训练，输出地下水位监测与预警结果，得到地下水位监测与预警模型。
26、结合第一方面，应用所述目标特征集对分类器进行训练的步骤，包括：
27、初始化分类器的网络参数、权重与偏置；
28、将目标特征集输入分类器，输出第二输出结果；
29、根据第二输出结果计算分类器的第二损失函数；
30、根据第二损失函数、近端项、当前温度参数自适应更新分类器的网络参数、权重、偏置和当前温度参数，直至获得满足预设条件的分类器。
31、第二方面，本技术提供一种基于大数据的地下水位监测与预警方法，该方法包括：
32、获取监测设施采集的实际样本集；
33、对实际样本集进行预处理，得到目标样本集；
34、将目标样本集输入预先训练完成的地下水位监测与预警模型，输出地下水位的监测与预警结果；
35、其中，预先训练完成的地下水位监测与预警模型为基于上述方法构建得到的。
36、第三方面，本技术提供一种基于大数据的地下水位监测与预警模型的构建装置，该装置包括：
37、获取模块，用于获取原始训练样本集，并对原始训练样本集中的原始训练样本进行标注，得到第一训练样本集；其中，原始训练样本是通过地面监测站点、地下水位传感器网络、以及辅助的遥感设备进行数据采集得到的；原始训练样本包括多个参数，参数至少包括地下水位深度、地下水位变化速率、地面温度、地面湿度、降雨量和地下水温度；
38、扩充模块，用于应用第一训练样本集对包含拉格朗日单元和时间序列模型的生成对抗网络进行训练，以扩充第一训练样本集，得到目标训练样本集；
39、特征提取模块，用于应用预先构建的神经网络对目标训练样本集中的训练样本进行特征提取，得到目标特征集；神经网络为基于生物电流动态平衡方法训练得到的；
40、预测模块，用于应用目标特征集对分类器进行训练，输出地下水位监测与预警结果，得到地下水位监测与预警模型；其中，地下水位监测与预警模型用于对地下水位进行监测与预警。
41、第四方面，本技术提供一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序以实现如上述的方法。
42、第五方面，本技术提供一种存储介质，存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行上述的方法。
43、本发明实施例带来了以下有益效果：本发明提供了一种基于大数据的地下水位监测与预警模型的构建方法，将第一训练样本集对包含拉格朗日单元和时间序列模型的生成对抗网络进行训练，以扩充第一训练样本集，从而以提高模型的广泛性、样本的质量和真实性；并基于生物电流动态平衡方法训练得到的神经网络对目标训练样本集中的训练样本进行特征提取，从而提高特征提取效率和准确性；最后，对分类器进行训练，以提高模型的适应性和鲁棒性，进而提高地下水位监测与预警精度以及效率。
44、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
45、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于大数据的地下水位监测与预警模型的构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络包括生成器网络、判别器网络和所述时间序列模型；所述生成器网络中集成有所述拉格朗日单元；
3.根据权利要求1所述的方法，其特征在于，所述神经网络的构建方法包括：
4.根据权利要求3所述的方法，其特征在于，根据所述第一输出结果优化所述初始神经网络，直至获得满足预设条件的所述神经网络的步骤，包括：
5.根据权利要求1所述的方法，其特征在于，所述分类器包括多层神经网络，每层所述神经网络包括多个神经元，多个所述神经元交叉连接；
6.根据权利要求5所述的方法，其特征在于，应用所述目标特征集对分类器进行训练的步骤，包括：
7.一种基于大数据的地下水位监测与预警的方法，其特征在于，所述方法包括：
8.一种基于大数据的地下水位监测与预警模型的构建装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序以实现如权利要求1-6任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的方法。
