王燕鹏，穆玉珠

（河南省新乡水文水资源勘测局，河南新乡453000）

0 引 言

灌区地下水埋深受气温、降水、蒸发散、地下水补给、地下水开采、土壤地质条件等很多种不确定性因素影响，其演变表现出不确定性、随机性、模糊性以及突变性等特点［1-4］，致使地下水埋深预测困难，且精度较低。提高灌区地下水埋深预测精度，对于灌区水资源合理利用和区域社会经济可持续发展具有重要意义［5-9］。国内外相关学者对地下水埋深预测做了大量研究，并取得了丰硕的成果。Khorasan 等［10］运用长序列模型在地下水埋深预测方面展开了大量研究；Maiti等［11］用多种网络模型对地下水的埋深开展预测并进行了对比分析；Liu 等［12］基于人工神经网络与复杂地下水管理进行了综合研究；Zhou等［13］结合ANN和SVM模型的小波预处理比较分析地下水埋深预测效果；于海姣等［14］运用WA-SVM 模型对我国干旱地区的地下水埋深进行了预测；邵光成等［15］将IABC-RBF 模型应用于地下水埋深预测；曹文洁等［16］将RBF 模型应用到地下水的动态预测中，分析地下水埋深的变化特征。综上可知，国内外的学者对地下水埋深预测的研究主要集中在利用单一模型预测等方面，由于地下水变化受多种不确定性因素影响，致使预测精度较低。互补集合经验模态分解法［17］（Complementary Ensembie Empirical Mode Decomposition，简称“CEEMD”）是一种基于固有模态函数解析的数据分解新技术，通过将数据分解为高频和低频两部分，重而可将复杂的时间序列变化转化为几个简单的单一变量的总和。而BP 神经网络比其他预测模型具有非常好的映射能力［18］，非常适合于非线性和不确定性问题的研究。……