变模态分解下时间卷积神经网络融合模型的地下水深埋情况预测方法

本发明公开了一种基于变模态分解与时间卷积神经网络融合模型的地下水深埋情况预测方法，属于深度学习算法领域。该方法首先通过变分模态分解将原始数据分解为趋势分量和周期分量，结合主成分分析降维筛选关键特征；随后基于Pearson相关系数筛选高相关监测站点数据，分别采用时间卷积神经网络(TCN)和FEDformer模型对趋势与周期分量进行训练；最终通过岭回归融合预测结果，输出高精度地下水深度预测值。本发明解决了传统方法对周期信号预测精度低、空间信息提取能力弱的问题，显著提升了预测稳定性与准确性，MAE降低至0.0705，R2达到0.9709，适用于复杂地下水系统的时空动态预测。