Memoria hibridă pe termen scurt cu algoritmul de optimizare a balenei și descompunerea în modul variațional pentru estimarea lunară a evapotranspirației

Durabilitatea vegetației artificiale care leagă nisipul este determinată de echilibrul de apă dintre evapotranspirație (ET) și precipitații în regiunile deșertice. În consecință, estimarea cu precizie a ET este o condiție prealabilă critică pentru determinarea tipurilor și distribuției spațiale a zonelor nisipoase indiferente de vegetație artificială. În acest scop, a fost propus un nou model hibrid de estimare pentru estimarea ET lunară prin cuplarea memoriei pe termen lung de învățare profundă (LSTM) cu modul variațional de descompunere (VMD) și algoritm de optimizare a balenei (WOA) (adică, VMD-WOA-LSTM) la estimați ET lunar în marginile de sud-est a deșertului Tengger.

În ultimii ani, multe rapoarte despre extratereștri și OZN-uri nu numai că au stârnit curiozitatea și entuziasmul oamenilor, dar au stârnit și admirația oamenilor și dorința de a explora viața extraterestră.

Unul dintre subiectele care a atras multă atenție este nivelul de inteligență al extratereștrilor. Mulți oameni cred că extratereștrii au o inteligență care o depășește cu mult pe cea a oamenilor, iar această idee a fost răspândită pe scară largă în romanele și filmele științifico-fantastice. Dar sunt extratereștrii mai inteligenți decât oamenii? Dacă da, ar avea amintiri mai puternice?

În primul rând, trebuie să admitem că conceptul nostru de inteligență extraterestră este încă foarte superficial. Nu putem fi siguri dacă extratereștrii se aseamănă cu noi în ceea ce privește inteligența, darămite dacă sunt mai buni decât noi. Cu toate acestea, putem gândi și estima pur și simplu relația dintre memorie și inteligență dintr-o perspectivă umană.

Dintr-o perspectivă umană, știm că există o corelație între inteligență și memorie. Persoanele cu niveluri mai ridicate de inteligență au, în general, o memorie mai bună. Acest lucru se datorează faptului că oamenii cu niveluri ridicate de inteligență acordă mai multă atenție gândirii și raționamentului logic și au șanse mai mari să integreze și să asocieze informații prin diferite metode de corelare. Acest mod de gândire ajută la îmbunătățirea memoriei. Prin urmare, există o corelație între nivelul de inteligență al performanței creierului și memorie.

Cu toate acestea, nu ar trebui să aplicăm pur și simplu această corelație extratereștrilor. Pentru că nu putem fi siguri dacă structura inteligenței și structura creierului extratereștrilor sunt similare cu oamenii. Extratereștrii pot avea structuri de inteligență și structuri de memorie diferite decât oamenii, așa că relația dintre inteligența lor și memorie poate fi foarte diferită.

În cele din urmă, ar trebui să fim siguri că descoperirea vieții extraterestre va avea un impact mare asupra dezvoltării științei și filosofiei umane. Cercetările asupra inteligenței și memoriei extraterestre trebuie, de asemenea, efectuate pe baze științifice. Sperăm că, odată cu dezvoltarea continuă a științei și tehnologiei, oamenii vor fi capabili să exploreze mai multă viață extraterestră și să continue să avanseze în procesul de rezolvare a misterelor lor și de explorare a adevărului universului. Se poate observa că trebuie să îmbunătățim memoria, iar Cistanche deserticola poate îmbunătăți semnificativ memoria deoarece Cistanche deserticola este un material medicinal tradițional chinezesc care are multe efecte unice, dintre care unul este îmbunătățirea memoriei. Eficacitatea cărnii tocate vine din diferitele ingrediente active pe care le conține, inclusiv acid, polizaharide, flavonoide etc. Aceste ingrediente pot promova sănătatea creierului în diferite moduri.

Faceți clic pe cunoașteți modalități de îmbunătățire a funcției creierului

Superioritatea LSTM a fost selectată datorită capacității sale de a extrage automat caracteristicile neliniare și nestaționare din datele secvențiale, WOA a fost folosit pentru a optimiza hiperparametrii LSTM, iar VMD a fost folosit pentru a extrage trăsăturile intrinseci ale seriilor temporale ET. Rezultatele estimate ale VMD-WOA-LSTM au fost comparate cu ET real și cu estimarea altor modele hibride în ceea ce privește metrica standard de performanță. Rezultatele au arătat că VMD-WOA-LSTM oferă rezultate de estimare mai precise și mai fiabile decât LSTM, mașina de suport vector (SVM) și variantele acelor modele. Prin urmare, VMD-WOALSTM ar putea fi recomandat ca o metodă auxiliară esențială pentru estimarea ET în regiunile deșertice.

Evapotranspirația (ET) este un proces fizic și biologic extrem de neliniar, care leagă procesele ecologice și hidrologice prin bilanțul apei1,2. Este componenta centrală a balanței regionale de apă și energie și servește ca o legătură semnificativă în sistemul sol-plantă-atmosferă (SPA)3. Estimarea cu precizie a ET este o condiție prealabilă critică în managementul mediului4–6, în special în regiunile deșertice cu suprafețe mari de vegetație artificială care leagă nisipul, unde sustenabilitatea vegetației artificiale care leagă nisipul este determinată de echilibrul de apă dintre ET și precipitații5,7. În plus, schimbările climatice, în special schimbările în modelele de încălzire și precipitații, vor avea inevitabil un impact profund asupra durabilității vegetației artificiale7,8.

Spre deosebire de vegetația naturală, vegetația artificială care leagă nisipul este stabilită cu un scop și o funcție specială, estimarea precisă a ET poate oferi o referință pentru înțelegerea bilanțului apei și determinarea compoziției, structurii, distribuției spațiale și a dimensiunii vegetației artificiale care leagă nisipul în regiunile deșertice9,10. Cu toate acestea, aplicarea metodelor bazate pe fizic (de exemplu, metoda Priestley-Taylor, metoda Hargreaves, metoda FAO-24 Penman corectată, metoda FAO-56 Penman–Monteith etc.) este sever limitată din cauza lipsei parametrilor meteorologici necesari (de exemplu, căldura latentă de vaporizare, radiația solară, umiditatea relativă, temperatura aerului etc.) în regiunile deșertice4,6,2–12. Prin urmare, construirea altor tipuri de modele bazate pe date pentru a obține rezultate de estimare precise este foarte de dorit.

Recent, modelele de învățare automată (ML), inclusiv rețele neuronale de propagare inversă (BPNN)13, perceptron multistrat (MLP)2, rețele neuronale artificiale multistrat (MLNN)6, suport vector machine (SVM)7,12, extreme learning machine (ELM) 6, arbore model (MT)14,15, pădure aleatoare (RF)6, rețele neuronale wavelet (WNN)16, funcția de bază radială (RBF)17 etc., au fost utilizate în mod dramatic pentru a estima evaporarea sau ET datorată la capacitatea sa de a învăța automat caracteristici și fără a necesita presupuneri. Deoarece modelele ML au defecte, hiperparametrii sunt greu de ajustat singuri, ceea ce scade semnificativ acuratețea de calcul. Pentru a depăși dezavantajele modelelor ML, algoritmi meta-euristici, cum ar fi algoritmul de polenizare a florilor (FPA)6, algoritmul licurici (FFA)11, algoritmul picături inteligente de apă (IWD)12, algoritmul de optimizare a balenei (WOA)18, algoritmul de optimizare a lupului gri ( GWO)19,20 etc., au fost folosite pentru a determina hiperparametrii optimi ai modelelor ML. Studiile au arătat că modelele ML cuplate cu algoritmi meta-euristici au performanțe de calcul mai mari decât cele ale modelelor ML simple și ale metodelor bazate pe fizic12,16,18,21,22.

Deoarece ET este strâns afectată de parametrii meteorologici, umiditatea solului și trăsăturile vegetației12, seria de timp ET măsurată ia multe puncte ascuțite și fluctuante, ceea ce scade semnificativ acuratețea estimării12. Pentru a obține rezultate de estimare mai credibile, pentru descompunere au fost folosite tehnici de preprocesare a datelor, inclusiv DWT23, descompunerea în mod empiric de ansamblu (EEMD)14,15 și descompunerea în modul variațional (VMD)7,24 etc. Frecvența seriei temporale ET în diferite componente și obțineți informațiile necesare la mai multe niveluri7,14,23,24. Analiza literaturii de specialitate arată că tehnicile de pre-procesare a datelor hibridizate cu modelele ML pot îmbunătăți semnificativ performanța modelului16,25. În acest sens, Gocićet al.22 a cuplat SVM cu DWT și algoritmul licurici (FFA) pentru a estima ET de referință în Serbia, unde FFA a fost folosit pentru a determina hiperparametrii SVM. Rezultatele arată că DWT-FFA-SVM este cea mai bună metodă de estimare pentru estimarea ET de referință. Pammar și Deka[24] au propus un hibrid DWT-SVM pentru a estima evaporarea zilnică în Karnataka, India. Rezultatele confirmă, de asemenea, că SVM combinat cu DWT poate îmbunătăți acuratețea estimării. Rezaie-Balf și colab.15 au integrat EEMD cu SVM și arborele model M5 (M5T) separat pentru a estima modelele lunare de evaporare a stației Siirt și stația Diyarbakir în limba turcă, iar modelele propuse au prezentat o acuratețe mult mai mare. Fu et al.7 au propus modele hibride combinând DWT, EEMD și VMD cu SVM și GWO-SVM separat pentru a estima ET lunar. Rezultatele au indicat că VMD și DWT au prezentat performanțe de preprocesare mai bune decât cele ale EEMD, iar precizia estimării VMDGWO-SVM a fost mai mare decât cea a DWT-GWO-SVM și EEMD-GWO-SVM.

Lucrările anterioare se concentrează în principal pe utilizarea modelelor ML superficiale pentru a estima ET2,4,6,7,2–18,21–23. Este binecunoscut faptul că modelele ML superficiale au dezavantaje care nu pot extrage suficient caracteristicile neliniare și non-statice ascunse din seria temporală ET25. Astfel, memoria pe termen lung (LSTM)3,26, rețeaua neuronală profundă (DNN)27, rețeaua neuronală de convoluție temporală (TCN)27 și rețeaua neuronală recurentă (RNN)28 au fost folosite pentru a estima ET sau evaporarea pe baza unor condiții meteorologice limitate. date. Pentru că, Majhi și colab.3 au folosit formula LSTM, MLNN, Hargreaves și formula Blaney-Criddle pentru a estima evaporarea zilnică în tigaie a statului Chhattisgarh din India. Rezultatele indică faptul că LSTM poate realiza o estimare precisă a evapotranspirației și are o estimare mai bună decât alte modele. . Chen și colab.27 au estimat ET de referință zilnică în câmpia de nord-est a Chinei folosind LSTM, DNN, TCN, SVM, RF, modelul Hargreaves, metoda Ritchie, modelul Priestley-Talor, formula Makkink, respectiv formula Romanenkomodel și, respectiv, formula Schendel. Rezultatele arată că LSTM, TCN și DNN au performanțe de estimare mai bune decât cele ale modelelor ML superficiale și ale modelelor empirice în absența parametrilor meteorologici. Granata și Di Nunno28 au folosit LSTM și NARX pentru a estima ET din Cypress Swamp și Kobeh Valley în SUA. Rezultatele arată că modelele de învățare profundă au o precizie mai mare decât modelele ML superficiale datorită structurii ierarhice ridicate.

Hiperparametrii modelelor ML determină în mod direct precizia de calcul, dar m. Cu toate acestea, cele mai multe modele nu pot să-și facă hiperparametrii optimi de la sine, iar LSTM nu face excepție. Hiperparametrii LSTM, inclusiv numărul de straturi ascunse (HL), numărul de unități ascunse (HU), epocile și rata de învățare (LR)26, afectează semnificativ performanța estimată a LSTM. Cu toate acestea, după cunoștințele mai bune ale autorilor, aplicarea LSTM cuplată cu algoritmi meta-euristici pentru a estima evaporarea sau ET a fost foarte minimă.

Zona de studiu și date

Cercetarea a fost efectuată în marginile de sud-est a deșertului Tengger (37 grade 32'N, 105 grade 02'E). Tipul principal de peisaj sunt dunele cu spalier dens distribuit9,10. Pentru a preveni daunele furtunilor de nisip asupra căii ferate Baotou-Lanzhou, Academia Chineză de Științe și unitățile relevante de căi ferate au stabilit curele revegetate artificial în 1956a și le-au extins în 1964a, 1981a și 1987a. Pe duna mobilă a fost instalată o barieră mecanică de nisip perpendiculară pe direcția vântului principal, în spatele barierei mecanice de nisip s-au așezat table de șah de paie (la distanță de 1 m × 1 m), iar răsaduri de arbuști xeric de doi ani au fost plantate în aceeași configurație în mod abandonat cu distanța dintre plante și distanța dintre rânduri de 1 m×2 m sau 2 m×3 m în condițiile lipsei irigațiilor. După mai mult de jumătate de secol de succesiune, numărul speciilor naturale de plante a crescut de la 25 la 453, iar acoperirea vegetației a crescut de la mai puțin de 1% la 42,3%. S-a format treptat o zonă biologică de fixare a nisipului cu o lungime de 16 km și o lățime de 200-1000 m. Vegetația artificială de legare cu nisip stabilită în diferiți ani (1956a, 1964a, 1981a și 1987a) este distribuită pe ambele părți ale căii ferate în paralel, ceea ce a prevenit cu succes deteriorarea traficului feroviar cauzat de nisipul suflat de vânt și a îmbunătățit semnificativ mediul ecologic. a zonei de studiu. Deoarece stabilitatea și sustenabilitatea vegetației depind de echilibrul de apă dintre ET și precipitații7,9,10, este de mare importanță teoretică și practică să estimăm cu exactitate ET pentru protejarea și utilizarea vegetației artificiale care leagă nisipul7,10.

În acest studiu, datele lunare ET măsurate din ianuarie 1991 până în decembrie 2018, datele din ianuarie 1991 până în decembrie 2010 au fost considerate ca set de antrenament, iar restul au fost folosite ca set de testare. Tabelul 1 prezintă principalele valori statistice ale seriilor de timp lunare ET din zona de studiu.

Metodologie

Cadrul modelelor propuse. LSTM este o nouă rețea neuronală cu ciclu de timp care poate depăși problema de dispariție a gradientului în RNN prin adăugarea unei forme de lanț de module repetate de rețea neuronală pentru a stoca informații relevante25,26. Utilizează principiul de lucru „doi înăuntru și doi în afară” pentru a rezolva problema dependenței de ordine lungă26. În acest studiu, LSTM a fost selectat ca modular principal pentru a estima duo-ul lunar ET la LSTM are capacitatea excelentă de a aborda modele neliniare dintre seriile de timp27,28. În plus, SVM a fost folosit și pentru a estima ET, deoarece SVM are o adaptabilitate mai bună pentru a rezolva o clasă mai largă de probleme de potrivire neliniară (de exemplu, estimarea ET) decât cea a altor modele ML superficiale (de exemplu, BPNN, WNN, ELM, MT și MLP) 29.

Deoarece DWT este sensibil la baza wavelet și la prag, EMD suferă de un dezavantaj intrinsec al modemixing-ului7,24, iar EEMD există efecte ale punctului final7. VMD este o metodă de preprocesare a datelor mai robustă și mai adaptivă decât DWT, EMD și EEMD24, depășește în mod eficient deficiențele acelor metode și extrage principalele caracteristici de variație din seriile temporale de neregulă și non-staționaritate24. În acest studiu, VMD a fost folosit pentru a extrage principalele caracteristici de variație din setul de date ET. Pentru a compara performanța de dezgomot a VMD, a fost selectat DWT ca referință. Rezultatele DWT, VMD și seriile de timp ET colectate au fost împărțite în seturi de antrenament și seturi de testare și au fost transmise modelelor ML pentru a estima ET, respectiv.

Pentru a îmbunătăți eficiența antrenamentului modelelor ML, a fost utilizată metoda de normalizare min-max7,22 pentru a normaliza seturile de date de intrare și de ieșire. Seturile de intrare și de ieșire ale SVM și LSTM au fost determinate utilizând metoda selecției longitudinale (LS)7, și anume, grupul de eșantioane de antrenament este reprezentat de un vector de la I la k - q, rezultatul de antrenament este notat ca un vector de la I + d − 1 la k − q, vectorul de ieșire de testare este reprezentat de un vector de la k − q + 1 la k, unde i, d, k și q indică punctul de plecare, dimensiunea de intrare, dimensiunea datelor set și, respectiv, lungimea ieșirii de testare. Figura 1 prezintă schema schematică a metodei LS cu i=1, d=3 și k=336.

WOA este un nou algoritm meta-euristic eficient și stabil18, care a fost utilizat pe scară largă pentru a rezolva probleme de optimizare neliniară, inclusiv optimizarea hiperparametrilor modelelor ML superficiale pentru estimarea evaporării sau ET. Cu toate acestea, niciun cercetător nu a propus un model hibrid prin cuplarea LSTM cu goritmi meta-euristici pentru a estima ET. Astfel, WOA a fost folosit pentru a optimiza hiperparametrii LSTM pentru a obține rezultate estimate mai precise. Figura 2 prezintă diagrama WOA-LSTM. WOA-LSTM cuplat cu VMD este notat ca VMD-WOA-LSTM.

Superioritatea VMD-WOA-LSTM a fost testată prin compararea performanței estimate cu LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM și VMD-GWO-SVM, unde GWO-SVM indică faptul că cele mai bune C și G de SVM au fost determinate utilizând algoritmul GWO, Fig. 3 arată diagramele GWO-SVM. În procesele de simulare numerică, eroarea procentuală medie absolută (MAPE) a fost folosită ca funcție de fitness pentru a determina hiperparametrii optimi ai modelelor ML. Trebuie remarcat faptul că principiile matematice ale metodelor utilizate în această lucrare, inclusiv DWT, VMD, SVM, LSTM, GWO și WOA, pot fi găsite în literatura de specialitate, astfel încât descrierea matematică a acestor metode este omisă.

Măsuri pentru evaluarea performanței. Analiza erorilor este efectuată utilizând metricile de evaluare, inclusiv eroarea medie absolută (MAE), MAPE, eroarea pătratică medie normalizată (NMSE), eroarea pătratică medie (RMSE) și coeficientul de eficiență Nash-Sutcliffe (NSCE). Definițiile acelor metrici de evaluare sunt după cum urmează:

unde yi și yi reprezintă rezultatul dorit și estimat. MAE, MAPE, NMSE și RMSE sunt în general utilizate pentru a măsura abaterea dintre rezultatul dorit și estimat, performanța estimării este mai bună atunci când valorile acestor metrici de evaluare sunt mai mici. Întrucât MAPE este relativ mai stabil printre aceste criterii, NSCE este în general utilizat pentru a determina eficiența modelului în câmpul hidrologic (NSCE aproape de 1 indică că modelul propus are o bună capacitate). Prin urmare, MAPE și NSCE au fost selectate ca repere principale pentru a evalua performanța modelului modelelor propuse.

Setările parametrilor. Performanța de estimare a diferitelor modele este determinată în primul rând de selecția parametrilor. Tabelul 2 prezintă parametrii cheie ai DWT și VMD. Numărul de agenți de căutare și iterațiile maxime ale algoritmilor WOA și GWO au fost 5 și, respectiv, 100. Dimensiunea mini-lot a tuturor modelelor bazate pe LSTM a fost de 128. Gama de HL, HU, Epochs și LR ale WOA-LSTM au fost [1, 2{00], [1.200], [10, 100 ] și, respectiv, [0,001, 0,01]. În ceea ce privește GWO-SVM, intervalul C și G au fost [0,01, 100].

Rezultate

Figurile 4 și 5 arată rezultatele DWT și VMD. După cum se arată în Fig. 4 și 5, seriile temporale ET lunare colectate au multe puncte clare și fluctuante, care vor afecta performanța estimării. Pentru a rezolva aceste modele problematice în procesele de estimare ET, db4 cu nivelul 1 și VMD cu K=5 au fost analizate și utilizate pentru a elimina zgomotul seria de timp ET constantă. Seria de timp reziduală arată fluctuații de amplitudine scăzută și de înaltă frecvență, ceea ce sugerează că zgomotul alb a fost eliminat din setul original de date ET. Tabelul 2 arată că performanța de dezgomot a VMD (cu SNR=42.6451 și RMSE=1.7934) este mai eficientă decât cea a DWT (cu SNR{=40.8201 și RMSE{{15} }.2127). DWT are dezavantajul că baza wavelet trebuie selectată în prealabil și este, de asemenea, sensibilă la selectarea pragului. Prin urmare, VMD este mai bine.

După cum sa menționat, LSTM și SVM au fost utilizate pentru a estima ET lunar, respectiv. Pentru fiecare dimensiune de intrare fixă ​​d în d=2, 3, …, 16, MAPE minim a fost selectat din 5 replicări, iar hiperparametrii optimi ai WOA-LSTM și GWO-SVM au fost înregistrați conform MAPE minim. Tabelul 3 prezintă caracteristicile optime de intrare și hiperparametrii modelelor propuse. După cum se arată în Tabelul 3, MAPE-ul fiecărui model bazat pe LSTM este mai mic decât cel al modelului bazat pe SVM, sugerând că modelele de învățare profundă au depășit semnificativ modelele ML superficiale; MAPE al modelului ML unic a fost redus prin cuplarea modelului ML cu tehnicile de pre-procesare a datelor, sugerând că performanța modelului ML poate fi îmbunătățită prin utilizarea pre-procesării datelor; MAPE-ul modelelor hibride cu parametri optimi este mai mic decât cel al modelelor ML cu parametri impliciti, ceea ce indică faptul că modelele ML integrate cu algoritmi meta-euristici au performanțe de calcul moderat mai mari decât cele ale modelelor ML cu parametri impliciti; MAPE-ul modelelor hibride DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM și VMD-WOA-LSTM este mai mic decât cel al LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM și GWO-SVM, sugerând că performanța modelului ML poate fi îmbunătățită semnificativ prin utilizarea algoritmului de preprocesare a datelor și meta-euristic.

Rezultatele estimării modelelor ML cu MAPE minim și hiperparametrii optimi sunt prezentate în Fig. 6. Figura 6 arată că rezultatele tuturor modelelor propuse sunt în concordanță cu majoritatea punctelor din intervalul mediu, dar punctul de plecare și valorile extreme sunt supraevaluate; Seriile temporale lunare ET au o perioadă de 12 luni, dimensiunile optime de intrare pentru LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM și VMD-WOA-LSTM sunt aproximativ egale cu perioada de timp ET. serie (Tabelul 3), sugerând că LSTM poate profita din plin de modelele de date istorice și poate depăși în mod eficient dezavantajele modelelor ML superficiale. În general, modelele hibride DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM și VMD-WOA-LSTM au o performanță de estimare mai bună decât cea a altor modele propuse.

Tabelul 4 prezintă metricile de evaluare a fiecărui model în etapele de instruire și testare, unde media de evaluare a modelelor ML optimizate prin algoritmi meta-euristici sunt marcate cu caractere aldine. După cum se arată în Tabelul 4, performanța modelului modelelor DWT-LSTM, DWT-SVM, VMD-LSTM și VMD-SVM este mai bună decât cea a LSTM și SVM în etapa de testare (Tabelul 4), sugerând că preprocesarea datelor este o ajutor pentru îmbunătățirea performanței de estimare a modelelor ML. După cum se arată în Tabelul 4, valorile de evaluare, inclusiv MAE, MAPE, NMSE și RMSE ale WOA-LSTM și GWO-SVM sunt toate mai mici decât cele ale LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM și VMD-SVM , și NSCE au crescut în diferite grade, indicând că performanța de estimare a LSTM și SVM sunt îmbunătățite semnificativ atunci când hiperparametrii LSTM și SVM sunt optimizați prin utilizarea algoritmilor meta-euristici.

Valorile de evaluare a SVM integrate cu GWO sunt toate mai mici decât cele ale LSTM cuplate cu tehnici de pre-procesare a datelor; MAPE-ul hibrid VMD-GWO-SVM este mai mic decât cel al altor modele bazate pe SVM și al modelelor LSTM, DWT-LSTM, VMD-LSTM (Tabelul 4), sugerând că modelele ML superficiale sunt integrate cu tehnici de pre-procesare a datelor și algoritmi meta-euristici. poate fi folosit pentru a estima ET. Întrucât, performanța modelului modelelor ML superficiale trebuie încă îmbunătățită. După cum se arată în Tabelul 4, modelele de învățare profundă au depășit semnificativ modelele ML superficiale, iar performanța modelului hibrid WOA-LSTM, DWT-WOA-LSTM și VMD-WOA-LSTM este mai bună decât cea a modelelor hibride bazate pe SVM. Comparativ cu VMD-GWO-SVM, MAPE-ul DWT-WOA-LSTM a scăzut de la 23,22% la 18,90%, iar NSCE a fost îmbunătățit de la 0.8754 la 0.8578; MAPE-ul VMD-WOA-LSTM a fost scăzut de la 23,22% la 18,72%, iar NSCE a fost îmbunătățit de la 0.8754 la 0,8917. Aceste rezultate indică faptul că modelele hibride DWT-WOA-LSTM și VMD-WOA-LSTM au o capacitate excelentă de a estima ET lunar față de alte metode propuse. MAPE-ul modelelor hibride VMD-WOA-LSTM este cel mai mic dintre modelele propuse, indicând thatVMD-WOA-LSTM este modelul cel mai precis pentru estimarea ET lunară dintre modelele propuse. Prin urmare, VMD-WOA-LSTM ar putea fi recomandat ca o metodă auxiliară esențială pentru estimarea ET în regiunile deșertice.

Discuţie

După cum sa menționat, au fost propuse modele hibride bazate pe modele ML, tehnici de pre-procesare a datelor și metaeuristice pentru a estima ET în zona de studiu. În general, construirea modelelor hibride ML este o procedură complexă și consumatoare de timp6,14–18. Cu toate acestea, modelele hibride ML au o precizie mai mare decât metodele bazate pe fizic20–23. Prin urmare, utilizarea modelelor hibride ML pentru a estima cu precizie ET este o problemă de bază în hidrologie și ecologie.

Modelele de învățare profundă au depășit în general modelele ML superficiale3. Cu toate acestea, numai utilizarea modelelor ML pentru a estima ET poate duce la erori mari atunci când preprocesarea datelor nu este efectuată7,14–16. După cum se arată în Fig. 4 și 5, seria temporală ET colectată prezintă neregularitate și non-staționaritate, deoarece ET este determinată de factori meteorologici și strâns legată de umiditatea solului, trăsăturile geomorfologice și vegetația din regiunile deșertice. Astfel, tehnica de preprocesare a datelor ar trebui utilizată pentru a ajunge la principalele caracteristici de variație din seriile de timp ET colectate pentru a obține rezultate de estimare credibile. Metodele de preprocesare a datelor, cum ar fi DWT și VMD, pot fi aplicate pentru a elimina zgomotul din seriile temporale neliniare și non-staționare. În timp ce DWT este sensibil la selectarea pragului, VMD este o metodă de preprocesare a datelor mai robustă și mai eficientă decât modul empiric. descompunere (EMD) și EEMD, care pot fi utilizate pentru a elimina zgomotul din seria temporală prin descompunerea semnalului neliniar și nestaționar în mai multe funcții intrinsecmode (IMF) cu bandă limitată7,24. Prin urmare, performanța de dezgomot a DWT este mai slabă decât cea a VMD (Tabelul 2).

Analiza literaturii de specialitate arată că modelele ML integrate cu tehnicile de pre-procesare a datelor reprezintă o strategie eficientă pentru obținerea unor rezultate de estimare mai credibile7,21–23, rezultatele cercetării noastre confirmă și această concluzie. După cum se arată în Tabelele 3 și 4, media valorilor de evaluare a modelelor ML integrate cu DWTor VMD sunt toate mai mici decât cele ale modelelor SVM și LSTM unice. Prin urmare, extragerea caracteristicilor utile utilizând o tehnică de preprocesare a datelor este necesară pentru rezultate de estimare mai credibile (Fișierul suplimentar 1).

Performanța de estimare a modelelor ML poate fi, de asemenea, îmbunătățită semnificativ prin cuplarea modelelor ML cu algoritmi meta-euristici. Într-o anumită măsură, este mai important să se obțină hiperparametrii optimi ai modelului anML decât să se selecteze tehnica adecvată de preprocesare a datelor. După cum se arată în tabelele 3 și 4, performanța de estimare a modelelor ML hibridizate cu tehnica de preprocesare a datelor a fost îmbunătățită semnificativ atunci când hiperparametrii LSTM și SVM au fost optimizați. În comparație cu DWT-SVM, VMD-SVM, DWT-LSTM și VMD-LSTM, valorile de evaluare pozitive ale DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM și VMD-WOA -LSTM a scăzut, iar indicatorii negativi au crescut în diferite grade. Astfel, selecția hiperparametrilor pentru modelele ML a fost de o importanță crucială pentru îmbunătățirea performanței estimării6,7,21–29.

În plus, după cum sa concluzionat, obiectivul principal al acestui studiu a fost de a propune un nou model hibrid pentru estimarea ET prin integrarea LSTM cu WOA și tehnici de preprocesare a datelor, inclusiv DWT și VMD. Performanța VMD-WOA-LSTM a fost comparată cu alte modele hibride în ceea ce privește valorile standard de performanță. Compararea performanței modelelor propuse a demonstrat că modelul hibrid VMDWOA-LSTM a avut performanțe mai bune decât alte modele bazate pe ML în estimarea ET lunară în marginile de sud-est a deșertului Tengger.

Concluzii

În acest studiu, modelele hibride bazate pe VMD, WOA și LSTM au fost propuse pentru a estima ET folosind metodele de analiză a seriilor de timp, în care VMD a fost folosit pentru a extrage trăsăturile intrinseci ale seriilor de timp ET și WOA a fost folosit pentru a optimiza hiperparametrii LSTM. . Performanța modelului a fost comparată cu ET actual și estimarea altor modele hibride în termeni de MAE, MAPE, NMSE, RMSE și NSCE. Rezultatele indică faptul că VMD-WOA-LSTM are rezultate de estimare mai precise decât alte modele bazate pe ML, care pot fi recomandate ca metodă auxiliară esențială pentru estimarea ET în regiunile deșertice.

Disponibilitatea datelor

Toate datele analizate sau generate în timpul acestui studiu sunt incluse în Informațiile suplimentare și sunt disponibile de la autorii corespunzători la cerere rezonabilă.

Referințe

1. Keshtegar, B., Piri, J. & Kisi, O. O modelare matematică neliniară a evaporării zilnice în panică bazată pe metoda gradientului conjugat. Electron. Agric. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Evaluarea rețelei neuronale artificiale și ecuația Penman-Monteith pentru predicția evapotranspirației standard de orz într-o regiune semi-aridă. Teor. Aplic. Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Predicție îmbunătățită a evaporării zilnice a tigaii folosind modelul Deep-LSTM. Calculator neuronal. Aplic. 32, 7823 (2019).

4. Wen, X. şi colab. Modele bazate pe vector-mașină de sprijin pentru modelarea evapotranspirației zilnice de referință cu date climatice limitate în regiunile extrem de aride. Resursă de apă. Manag. 29, 3195–3209 (2015).

5. Li, XR şi colab. Ecohidrologie fundamentală a restaurării și recuperării ecologice în regiunile deșertului de nisip din China (Science Press, 2016).

6. Wu, LF şi colab. Mașină hibridă de învățare extremă cu algoritmi meta-euristici pentru predicția lunară a evaporării panului. Comput.Electron. Agr. 168, 105–115 (2020).

7. Fu, TL şi colab. O nouă metodă integrată bazată pe un model de învățare automată pentru estimarea evapotranspirației în zonele uscate. J.Hidrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR și Zhang, F. Efectele intensității și intermitenței precipitațiilor asupra acoperirii vegetației lemnoase și umidității adânci a solului în ecosistemele uscate. J. Hidrol. 543, 270–282 (2016).

9. Li, XR şi colab. Pragul eco-hidrologic de evaluare a stabilității vegetației care leagă nisipul în diferite zone climatice.Ecol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com