Hibrīda ilgtermiņa īstermiņa atmiņa ar vaļu optimizācijas algoritmu un variācijas režīma sadalīšanu ikmēneša iztvaikošanas novērtēšanai

Mākslīgās smiltis saistošās veģetācijas ilgtspējību nosaka ūdens bilance starp iztvaikošanu (ET) un nokrišņiem tuksneša reģionos. Līdz ar to precīza ET novērtēšana ir būtisks priekšnoteikums mākslīgās veģetācijas vienaldzīgo smilšaino apgabalu veidu un telpiskā sadalījuma noteikšanai. Šim nolūkam tika piedāvāts jauns hibrīda aplēses modelis ikmēneša ET novērtēšanai, savienojot dziļās mācīšanās ilgtermiņa īstermiņa atmiņu (LSTM) ar variācijas modedekompozīcijas (VMD) un vaļu optimizācijas algoritmu (WOA) (ti, VMD-WOA-LSTM). novērtējiet ikmēneša ET Tengera tuksneša dienvidaustrumu malās.

Pēdējos gados daudzi ziņojumi par citplanētiešiem un NLO ir izraisījuši cilvēkos ne tikai zinātkāri un entuziasmu, bet arī izraisījuši cilvēkos apbrīnu un vēlmi izpētīt ārpuszemes dzīvi.

Viena no tēmām, kas ir piesaistījusi lielu uzmanību, ir citplanētiešu intelekta līmenis. Daudzi cilvēki uzskata, ka citplanētiešiem ir intelekts, kas ievērojami pārsniedz cilvēku intelektu, un šī ideja ir plaši izplatīta zinātniskās fantastikas romānos un filmās. Bet vai citplanētieši ir gudrāki par cilvēkiem? Ja tā, vai viņiem būtu spēcīgākas atmiņas?

Pirmkārt, mums jāatzīst, ka mūsu jēdziens par citplanētiešu intelektu joprojām ir ļoti virspusējs. Mēs nevaram būt pārliecināti, vai citplanētieši ir līdzīgi mums ar intelektu, nemaz nerunājot par to, vai viņi ir labāki par mums. Tomēr mēs varam vienkārši domāt un novērtēt attiecības starp atmiņu un intelektu no cilvēka perspektīvas.

No cilvēka viedokļa mēs zinām, ka starp intelektu un atmiņu pastāv korelācija. Cilvēkiem ar augstāku intelekta līmeni parasti ir labāka atmiņa. Tas ir tāpēc, ka cilvēki ar augstu inteliģences līmeni pievērš lielāku uzmanību domāšanai un loģiskai spriešanai, kā arī biežāk integrē un saista informāciju, izmantojot dažādas korelācijas metodes. Šis domāšanas veids palīdz uzlabot atmiņu. Tāpēc pastāv korelācija starp smadzeņu darbības intelekta līmeni un atmiņu.

Tomēr mums nevajadzētu vienkārši piemērot šo korelāciju citplanētiešiem. Jo mēs nevaram būt droši, vai citplanētiešu intelekta uzbūve un smadzeņu uzbūve ir līdzīga cilvēkiem. Citplanētiešiem var būt atšķirīgas intelekta struktūras un atmiņas struktūras nekā cilvēkiem, tāpēc attiecības starp viņu intelektu un atmiņu var būt ļoti atšķirīgas.

Visbeidzot, mums vajadzētu būt pārliecinātiem, ka ārpuszemes dzīvības atklāšanai būs liela ietekme uz cilvēces zinātnes un filozofijas attīstību. Arī citplanētiešu intelekta un atmiņas pētījumi ir jāveic uz zinātniskiem pamatiem. Mēs ceram, ka, nepārtraukti attīstoties zinātnei un tehnoloģijām, cilvēki varēs izpētīt vairāk svešas dzīves un turpināt virzīties uz priekšu savu noslēpumu atrisināšanas un Visuma patiesības izpētes procesā. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var ievērojami uzlabot atmiņu, jo Cistanche deserticola ir tradicionāls ķīniešu ārstniecības materiāls, kam ir daudz unikālu efektu, no kuriem viens ir atmiņas uzlabošana. Maltās gaļas iedarbīgumu nodrošina dažādas tajā esošās aktīvās sastāvdaļas, tostarp skābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var dažādos veidos veicināt smadzeņu veselību.

Noklikšķiniet uz zināt veidus, kā uzlabot smadzeņu darbību

LSTM pārākums tika izvēlēts, pateicoties tā spējai automātiski iegūt nelineārās un nestacionārās iezīmes no secīgiem datiem, WOA tika izmantota, lai optimizētu LSTM hiperparametrus, un VMD tika izmantots, lai iegūtu ET laikrindas raksturīgās pazīmes. VMD-WOA-LSTM aprēķinātie rezultāti ir salīdzināti ar faktisko ET un citu hibrīdmodeļu aplēsēm standarta veiktspējas metrikas izteiksmē. Rezultāti atklāja, ka VMD-WOA-LSTM nodrošina precīzākus un uzticamākus aprēķinu rezultātus nekā LSTM, atbalsta vektora mašīna (SVM) un šo modeļu varianti. Tāpēc VMD-WOALSTM varētu ieteikt kā būtisku palīgmetodi ET noteikšanai tuksneša reģionos.

Evapotranspirācija (ET) ir ļoti nelineārs fizikāls un bioloģisks process, kas savieno ekoloģiskos un hidroloģiskos procesus ar ūdens bilanci1,2. Tā ir reģionālās ūdens un enerģijas bilances centrālā sastāvdaļa un kalpo kā nozīmīga saikne augsnes–auga–atmosfēras (SPA) sistēmā3. Precīza ET novērtēšana ir būtisks priekšnoteikums vides pārvaldībā4–6, īpaši tuksneša reģionos ar lielām mākslīgās smiltis saistošas ​​veģetācijas platībām, kur mākslīgās smiltis saistošās veģetācijas ilgtspējību nosaka ūdens bilance starp ET un nokrišņiem5,7. Turklāt klimata pārmaiņas, jo īpaši izmaiņas sasilšanas un nokrišņu veidos, neizbēgami būtiski ietekmēs mākslīgās veģetācijas ilgtspējību7,8.

Atšķirībā no dabiskās veģetācijas mākslīgā smilts saistošā veģetācija ir izveidota ar īpašu mērķi un funkciju, precīzs ET novērtējums var sniegt atsauci, lai izprastu ūdens bilanci un noteiktu mākslīgās smiltis saistošās veģetācijas sastāvu, struktūru, telpisko sadalījumu un mērogu. tuksneša reģioni9,10.Tomēr fiziski pamatotu metožu pielietošana (piem., Prīstlija-Teilora metode, Hārgrīva metode, koriģētā FAO-24 Penmana metode, FAO-56 Penmana-Monteita metode u.c.) ir stipri ierobežoti nepieciešamo meteoroloģisko parametru trūkuma dēļ (piemēram, latentais iztvaikošanas siltums, saules starojums, relatīvais mitrums, gaisa temperatūra utt.) tuksneša reģionos4,6,2–12. Tāpēc ir ļoti vēlams izveidot cita veida ar datiem balstītus modeļus, lai iegūtu precīzus aplēses rezultātus.

Nesen tika ieviesti mašīnmācīšanās (ML) modeļi, tostarp atpakaļizplatīšanās neironu tīkli (BPNN)13, daudzslāņu perceptrons (MLP)2, daudzslāņu mākslīgie neironu tīkli (MLNN)6, atbalsta vektora mašīna (SVM)7,12, ekstrēmā mācību mašīna. (ELM) 6, modeļa koks (MT)14,15, nejaušs mežs (RF)6, viļņu neironu tīkli (WNN)16, radiālā bāzes funkcija (RBF)17 utt., ir dramatiski izmantoti, lai novērtētu iztvaikošanu vai ET dēļ. tā spēj automātiski apgūt funkcijas un neprasa nekādus pieņēmumus. Tā kā ML modeļiem ir tādi defekti, ka hiperparametrus ir grūti pielāgot paši, kas būtiski samazina skaitļošanas precizitāti. Lai novērstu ML modeļu trūkumus, metaheiristiskie algoritmi, piemēram, ziedu apputeksnēšanas algoritms (FPA)6, ugunspuķu algoritms (FFA)11, inteliģento ūdens pilienu (IWD) algoritms12, vaļu optimizācijas algoritms (WOA)18, pelēkā vilka optimizētāja algoritms. GWO) 19, 20 utt. tika izmantoti, lai noteiktu ML modeļu optimālos hiperparametrus. Pētījumi ir parādījuši, ka ML modeļiem kopā ar metaheiristiskajiem algoritmiem ir augstāka skaitļošanas veiktspēja nekā atsevišķiem ML modeļiem un fiziski balstītām metodēm12, 16, 18, 21, 22.

Tā kā ET cieši ietekmē meteoroloģiskie parametri, augsnes mitrums un veģetācijas pazīmes12, izmērītā ET laikrinda aizņem daudz asu un mainīgu punktu, kas ievērojami samazina novērtējuma precizitāti12. Lai iegūtu ticamākus aplēses rezultātus, sadalīšanai tika izmantotas datu pirmapstrādes metodes, tostarp diskrētā viļņu transformācija (DWT)23, empīriskā režīma dekompozīcija (EEMD)14,15 un variācijas režīma dekompozīcija (VMD)7,24 utt. ET laikrindu frekvence dažādos komponentos un iegūt nepieciešamo informāciju vairākos līmeņos7,14,23,24. Literatūras apskats parāda, ka datu pirmapstrādes metodes, kas hibridizētas ar ML modeļiem, var ievērojami uzlabot modeļa veiktspēju16, 25. Šajā sakarā Gocićet al.22 savienoja SVM ar DWT un firefly algoritmu (FFA), lai novērtētu atsauces ET Serbijā, kur FFA tika izmantots, lai noteiktu SVM hiperparametrus. Rezultāti liecina, ka DWT-FFA-SVM ir labākā novērtēšanas metode ET atsauces novērtēšanai. Pammar un Deka[24] ierosināja hibrīdu DWT-SVM, lai novērtētu ikdienas pannas iztvaikošanu Karnatakā, Indijā. Rezultāti arī apstiprina, ka SVM apvienojumā ar DWT var uzlabot novērtējuma precizitāti. Rezaie-Balf et al.15 integrēja EEMD ar SVM un M5 modeļu koku (M5T), lai atsevišķi novērtētu ikmēneša pannas iztvaikošanas modeļus Siirtas stacijā un Dijarbakiras stacijā turku valodā, un piedāvātie modeļi uzrādīja daudz augstāku precizitāti. Fu et al.7 ierosināja hibrīda modeļus, atsevišķi apvienojot DWT, EEMD un VMD ar SVM un GWO-SVM, lai novērtētu ikmēneša ET. Rezultāti liecināja, ka VMD un DWT priekšapstrādes veiktspēja bija labāka nekā EEMD, un VMDGWO-SVM novērtējuma precizitāte bija augstāka nekā DWT-GWO-SVM un EEMD-GWO-SVM.

Iepriekšējie darbi galvenokārt ir vērsti uz seklu ML modeļu izmantošanu ET2,4,6,7,2–18,21–23 novērtēšanai. Ir labi zināms, ka seklajiem ML modeļiem ir trūkumi, kas nevar pietiekami iegūt slēptās nelineārās un nestatiskās iezīmes no ET laikrindas25. Tādējādi, lai novērtētu ET vai iztvaikošanu, pamatojoties uz ierobežotiem meteoroloģiskiem datiem, tika izmantota ilgtermiņa īstermiņa atmiņa (LSTM) 3, 26, dziļais neironu tīkls (DNN) 27, laika konvolūcijas neironu tīkls (TCN) 27 un atkārtots neironu tīkls (RNN)28. datus. Majhi et al.3 izmantoja LSTM, MLNN, Hargreaves formulu un Blaney-Criddle formulu, lai novērtētu ikdienas iztvaikošanu Čhatisgarhas štatā Indijā. Rezultāti liecina, ka LSTM var sasniegt precīzu evapotranspirācijas novērtējumu, un tā novērtējums ir labāks nekā citi modeļi. . Chen et al.27 aplēsa ikdienas atskaites ET Ķīnas ziemeļaustrumu līdzenumā, izmantojot attiecīgi LSTM, DNN, TCN, SVM, RF, Hargreaves modeli, Ritchie metodi, Priestley-Talor modeli, Makkink formulu, Romanenkomodel un Schendel formulu. Rezultāti liecina, ka LSTM, TCN un DNN aplēses ir labākas nekā seklajiem ML modeļiem un empīriskajiem modeļiem, ja nav meteoroloģisko parametru. Granata un Di Nunno28 izmantoja LSTM un NARX, lai novērtētu Cypress Swamp un Kobeh Valley ET ASV. Rezultāti liecina, ka dziļās mācīšanās modeļiem ir augstāka precizitāte nekā seklajiem ML modeļiem augstās hierarhiskās struktūras dēļ.

ML modeļu hiperparametri tieši nosaka skaitļošanas precizitāti, bet m. Tomēr lielākā daļa modeļu paši nevar noteikt optimālos hiperparametrus, un LSTM nav izņēmums. LSTM hiperparametri, tostarp slēpto slāņu skaits (HL), slēpto vienību skaits (HU), laikmeti un mācīšanās ātrums (LR)26, būtiski ietekmē aptuveno LSTM veiktspēju. Tomēr, cik autoriem ir zināms, LSTM izmantošana kopā ar metaheiristiskajiem algoritmiem, lai novērtētu iztvaikošanu vai ET, ir bijusi ļoti minimāla.

Pētījuma apgabals un dati

Pētījums tika veikts Tengera tuksneša dienvidaustrumu malās (37 grādi 32'N, 105 grādi 02'E). Primārais ainavas veids ir blīvi izvietotas režģveida kāpas9,10. Lai novērstu smilšu vētru radīto kaitējumu Baotou-Lanzhou dzelzceļam, Ķīnas Zinātņu akadēmija un attiecīgās dzelzceļa vienības 1956.a. gadā izveidoja mākslīgi atjaunotas veģetācijas jostas un paplašināja tās 1964. a, 1981. a un 1987. gadā. Uz pārvietojamās kāpas tika uzstādīta mehāniskā smilšu barjera perpendikulāri galvenajam vēja virzienam, aiz mehāniskās smilšu barjeras tika uzstādīti salmu dambreti (atstarpe 1 m × 1 m) un tādā pašā konfigurācijā pamestā veidā tika iestādīti divgadīgie ksērisko krūmu stādi ar augu atstatums un rindu atstatums 1 m × 2 m vai 2 m × 3 m bez apūdeņošanas. Pēc vairāk nekā pusgadsimta sukcesijas dabisko augu sugu skaits ir palielinājies no 25 līdz 453, un veģetācijas pārklājums ir palielinājies no nepilna 1% līdz 42,3%. Pakāpeniski ir izveidojusies bioloģiska vējtvera smilšu fiksācijas zona 16 km garumā un 200-1000 m platumā. Dažādos gados (1956a, 1964a, 1981a un 1987a) izveidotie mākslīgie smilšu saistošie augi ir izvietoti paralēli abās dzelzceļa pusēs, kas veiksmīgi novērsa vēja nopūsto smilšu radīto kaitējumu dzelzceļa satiksmei un būtiski uzlaboja ekoloģisko vidi. no pētījuma zonas. Tā kā veģetācijas stabilitāte un ilgtspējība ir atkarīga no ūdens bilances starp ET un nokrišņiem 7, 9, 10, ir liela teorētiskā un praktiskā nozīme, lai precīzi novērtētu ET, lai aizsargātu un izmantotu mākslīgo smilšu saistošo veģetāciju7, 10.

Šajā pētījumā ikmēneša ET dati, kas mērīti no 1991. gada janvāra līdz 2018. gada decembrim, dati no 1991. gada janvāra līdz 2010. gada decembrim tika uzskatīti par apmācību kopu, bet pārējie tika izmantoti kā testēšanas kopa. 1. tabulā parādīti galvenie statistiskie rādītāji mēneša ET laikrindā pētījuma apgabalā.

Metodoloģija

Piedāvāto modeļu ietvars. LSTM ir jauns laika cikla neironu tīkls, kas var pārvarēt gradienta izzušanas problēmu RNN, pievienojot atkārtotu neironu tīkla moduļu ķēdes formu, lai uzglabātu attiecīgo informāciju25, 26. Tas izmanto darbības principu "divi iekšā un divi ārā", lai atrisinātu ilgtermiņa atkarības problēmu26. Šajā pētījumā LSTM tika izvēlēts kā galvenais modulārs, lai novērtētu, ka ikmēneša ET duetam LSTM ir lieliska spēja novērst nelineāros modeļus starp laikrindām 27, 28. Turklāt SVM tika izmantots arī ET novērtēšanai, jo SVM ir labāka pielāgošanās spēja, lai atrisinātu plašāku nelineāro pielāgošanas problēmu klasi (piemēram, novērtēt ET) nekā citiem seklajiem ML modeļiem (piemēram, BPNN, WNN, ELM, MT un MLP). 29.

Tā kā DWT ir jutīgs pret viļņa bāzi un slieksni, EMD cieš no raksturīga modema sajaukšanas trūkuma 7, 24, un EEMD pastāv beigu punkta efekti7. VMD ir izturīgāka un adaptīvāka datu pirmapstrādes metode nekā DWT, EMD un EEMD24, tā efektīvi novērš šo metožu trūkumus un izņem galvenās variācijas pazīmes no neregularitātes un nestacionaritātes laikrindām24. Šajā pētījumā VMD tika izmantots, lai no ET datu kopas iegūtu galvenās variācijas pazīmes. Lai salīdzinātu VMD trokšņa slāpēšanas veiktspēju, par atsauci tika izvēlēts DWT. DWT, VMD izvade un savāktās ET laikrindas tika sadalītas apmācības komplektos un testēšanas komplektos un ievadītas ML modeļos, lai attiecīgi novērtētu ET.

Lai uzlabotu ML modeļu apmācības efektivitāti, ievades un izvades datu kopu normalizēšanai tika izmantota min–max normalizācijas metode 7, 22 . SVM un LSTM ievades un izvades kopas tika noteiktas, izmantojot gareniskās atlases (LS) metodi7, proti, apmācības paraugu grupa tiek attēlota ar vektoru no I līdz k − q, apmācības izvade tiek apzīmēta kā vektors no I + d − 1 līdz k − q, testēšanas izejas vektors ir attēlots ar vektoru no k − q + 1 līdz k, kur i, d, k un q apzīmē sākuma punktu, ievades dimensiju, datu lielumu komplektu un attiecīgi testēšanas izvades garumu. 1. attēlā parādīta LS metodes shematiskā diagramma ar i=1, d=3 un k=336.

WOA ir jauns efektīvs un stabils metaheiristiskais algoritms18, ko plaši izmantoja nelineārās optimizācijas problēmu risināšanai, tostarp seklu ML modeļu hiperparametru optimizēšanai iztvaikošanas vai ET novērtēšanai. Tomēr neviens pētnieks nav ierosinājis hibrīda modeli, savienojot LSTM ar metaheiristiskajiem goritmiem, lai novērtētu ET. Tādējādi WOA tika izmantots, lai optimizētu LSTM hiperparametrus, lai iegūtu precīzākus aplēstos rezultātus. 2. attēlā parādīta WOA-LSTM blokshēma. WOA-LSTM kopā ar VMD tiek apzīmēts kā VMD-WOA-LSTM.

VMD-WOA-LSTM pārākums tika pārbaudīts, salīdzinot aptuveno veiktspēju ar LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM un VMD-GWO-SVM, kur GWO-SVM norāda, ka vislabākie SVM C un G tika noteikti, izmantojot GWO algoritmu, 3. attēlā parādītas GWO-SVM blokshēmas. Skaitliskās simulācijas procesos vidējā absolūtā procentuālā kļūda (MAPE) tika izmantota kā piemērotības funkcija, lai noteiktu ML modeļu optimālos hiperparametrus. Jāatzīmē, ka šajā rakstā izmantoto metožu matemātiskie principi, tostarp DWT, VMD, SVM, LSTM, GWO un WOA, ir atrodami attiecīgajā literatūrā, tāpēc šo metožu matemātiskais apraksts ir izlaists.

Veiktspējas novērtēšanas metrika. Kļūdu analīze tiek veikta, izmantojot novērtēšanas metriku, tostarp vidējo absolūto kļūdu (MAE), MAPE, normalizēto vidējo kvadrātisko kļūdu (NMSE), vidējo kvadrātisko kļūdu (RMSE) un Neša–Saklifa efektivitātes koeficientu (NSCE). Šo novērtēšanas rādītāju definīcijas ir šādas:

kur yi un yi apzīmē vēlamo un aplēsto rezultātu. MAE, MAPE, NMSE un RMSE parasti izmanto, lai izmērītu novirzi starp vēlamo un aplēsto rezultātu, aplēses veiktspēja ir labāka, ja šo novērtējuma metriku vērtības ir mazākas. Tā kā MAPE starp šiem kritērijiem ir salīdzinoši stabilāks, NSCE parasti izmanto, lai noteiktu modeļa efektivitāti hidroloģiskajā laukā (NSCE tuvu 1 norāda, ka piedāvātajam modelim ir laba piemērotība). Tāpēc MAPE un NSCE tika izvēlēti kā galvenie kritēriji, lai novērtētu piedāvāto modeļu modeļa veiktspēju.

Parametru iestatījumi. Dažādu modeļu veiktspējas novērtēšanu galvenokārt nosaka parametru izvēle. 2. tabulā parādīti galvenie DWT un VMD parametri. Meklēšanas aģentu skaits un maksimālās WOA un GWO algoritmu iterācijas bija attiecīgi 5 un 100. Visu uz LSTM balstīto modeļu mini-partijas lielums bija 128. WOA-LSTM HL, HU, Epochs un LR diapazons bija [1, 200], [1200], [10, 100 ] un attiecīgi [0,001, 0,01]. Kas attiecas uz GWO-SVM, C un G diapazons bija [0,01, 100].

Rezultāti

4. un 5. attēlā parādīti DWT un VMD rezultāti. Kā parādīts zīm. 4. un 5., apkopotajās ikmēneša ET laikrindās ir daudz asu un mainīgu punktu, kas ietekmēs aplēses veiktspēju. Lai atrisinātu šos problemātiskos modeļus ET novērtēšanas procesos, tika analizēti db4 ar 1. līmeni un VMD ar K=5 un izmantoti, lai izslēgtu stabilās ET laikrindas. Atlikušajā laikrindā ir zemas amplitūdas un augstfrekvences svārstības, kas liecina, ka baltais troksnis tika izslēgts no sākotnējās ET datu kopas. 2. tabulā parādīts, ka VMD trokšņu slāpēšanas veiktspēja (ar SNR=42.6451 un RMSE=1.7934) ir efektīvāka nekā DWT (ar SNR=40.8201 un RMSE{{15}). }.2127). DWT ir trūkums, ka viļņa bāze ir jāizvēlas iepriekš, un tas ir arī jutīgs pret sliekšņa izvēli. Tāpēc VMD ir labāks.

Kā minēts, LSTM un SVM tika izmantoti, lai novērtētu attiecīgi ikmēneša ET. Katrai fiksētajai ievades dimensijai d d=2, 3, …, 16 tika izvēlēts minimālais MAPE no 5 atkārtojumiem, un WOA-LSTM un GWO-SVM optimālie hiperparametri tika reģistrēti atbilstoši minimālajam MAPE. 3. tabulā parādītas piedāvāto modeļu optimālās ievades funkcijas un hiperparametri. Kā parādīts 3. tabulā, katra uz LSTM balstītā modeļa MAPE ir mazāka nekā uz SVM balstītā modeļa, kas liecina, ka dziļās mācīšanās modeļi ievērojami pārspēja seklos ML modeļus; Viena ML modeļa Te MAPE tika samazināts, savienojot ML modeli ar datu pirmapstrādes metodēm, kas liecina, ka ML modeļa veiktspēju var uzlabot, izmantojot datu pirmapstrādi; Hibrīdmodeļu ar optimālajiem parametriem MAPE visi ir mazāki nekā ML modeļiem ar noklusējuma parametriem, kas liecina, ka ML modeļiem, kas integrēti ar metaheiristiskajiem algoritmiem, ir mēreni augstāka skaitļošanas veiktspēja nekā ML modeļiem ar noklusējuma parametriem; Hibrīdo DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM un VMD-WOA-LSTM modeļu MAPE ir mazāks nekā LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD. -SVM, WOA-LSTM un GWO-SVM, kas liecina, ka ML modeļa veiktspēju var ievērojami uzlabot, izmantojot datu priekšapstrādi un metaheiristisko algoritmu.

ML modeļu novērtēšanas rezultāti ar minimālo MAPE un optimālajiem hiperparametriem ir parādīti 6. attēlā. 6. attēlā parādīts, ka visu piedāvāto modeļu rezultāti atbilst lielākajai daļai punktu vidējā diapazonā, bet sākuma punkts un galējās vērtības ir pārvērtēti; Mēneša ET laikrindu periods ir 12 mēneši, optimālie LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM un VMD-WOA-LSTM ievades izmēri ir aptuveni vienādi ar ET laika periodu. sērija (3. tabula), kas liecina, ka LSTM var pilnībā izmantot vēsturisko datu modeļu priekšrocības un efektīvi pārvarēt seklo ML modeļu trūkumus. Kopumā hibrīdajiem DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM un VMD-WOA-LSTM modeļiem ir labāka veiktspēja nekā citiem piedāvātajiem modeļiem.

4. tabulā parādīti katra modeļa novērtēšanas rādītāji apmācības un testēšanas posmos, kur ar metaheiristiskajiem algoritmiem optimizēto ML modeļu vidējās novērtēšanas metrikas ir atzīmētas treknrakstā. Kā parādīts 4. tabulā, DWT-LSTM, DWT-SVM, VMD-LSTM un VMD-SVM modeļu veiktspēja ir labāka nekā LSTM un SVM testēšanas stadijā (4. tabula), kas liecina, ka datu pirmapstrāde ir palīdzība ML modeļu novērtēšanas veiktspējas uzlabošanai. Kā parādīts 4. tabulā, WOA-LSTM un GWO-SVM novērtēšanas rādītāji, tostarp MAE, MAPE, NMSE un RMSE, ir mazāki nekā LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM un VMD-SVM. , un NSCE palielinājās dažādās pakāpēs, norādot, ka LSTM un SVM novērtēšanas veiktspēja ir ievērojami uzlabota, ja LSTM un SVM hiperparametri tiek optimizēti, izmantojot metaheiristiskos algoritmus.

Ar GWO integrētā SVM novērtēšanas metrika ir mazāka nekā LSTM kopā ar datu pirmapstrādes metodēm; Hibrīda VMD-GWO-SVM MAPE ir mazāks nekā citiem uz SVM balstītiem modeļiem un LSTM, DWT-LSTM, VMD-LSTM modeļiem (4. tabula), kas liecina, ka sekla ML modeļi ir integrēti ar datu pirmapstrādes metodēm un metaheiristiskajiem algoritmiem. var izmantot, lai novērtētu ET. Tā kā seklu ML modeļu modeļa veiktspēja joprojām ir jāuzlabo. Kā parādīts 4. tabulā, dziļās mācīšanās modeļi ievērojami pārspēja seklos ML modeļus, un hibrīda WOA-LSTM, DWT-WOA-LSTM un VMD-WOA-LSTM modeļa veiktspēja ir labāka nekā uz SVM balstītiem hibrīda modeļiem. Salīdzinot ar VMD-GWO-SVM, DWT-WOA-LSTM MAPE samazinājās no 23,22% līdz 18,90%, un NSCE tika uzlabots no 0.8754 uz 0.8578; VMD-WOA-LSTM MAPE tika samazināts no 23,22% līdz 18,72%, un NSCE tika uzlabots no 0.8754 līdz 0,8917. Šie rezultāti liecina, ka hibrīdajiem DWT-WOA-LSTM un VMD-WOA-LSTM modeļiem ir lieliskas iespējas novērtēt ikmēneša ET salīdzinājumā ar citām piedāvātajām metodēm. Hibrīda VMD-WOA-LSTM modeļu MAPE ir mazākais no piedāvātajiem modeļiem, kas norāda uz VMD-WOA-LSTM ir visprecīzākais modelis, lai novērtētu ikmēneša ET starp piedāvātajiem modeļiem. Tāpēc VMD-WOA-LSTM varētu ieteikt kā būtisku palīgmetodi ET noteikšanai tuksneša reģionos.

Diskusija

Kā minēts, tika ierosināti hibrīdie modeļi, kuru pamatā ir ML modeļi, datu pirmapstrādes metodes un metaheiristiskie goritmi, lai novērtētu ET pētījuma apgabalā. Parasti hibrīda ML modeļu konstruēšana ir sarežģīta un laikietilpīga procedūra6,14–18. Tomēr hibrīdajiem ML modeļiem ir augstāka precizitāte nekā fiziski balstītajām metodēm20–23. Tāpēc hibrīdu ML modeļu izmantošana, lai precīzi novērtētu ET, ir galvenā problēma hidroloģijā un ekoloģijā.

Dziļās mācīšanās modeļi kopumā pārspēja seklos ML modeļus3. Tomēr tikai ML modeļu izmantošana ET novērtēšanai var radīt lielas kļūdas, ja datu pirmapstrāde netiek veikta 7, 14–16. Kā parādīts zīm. 4. un 5. attēlā apkopotās ET laikrindas uzrāda neregularitāti un nestacionaritāti, jo ET nosaka meteoroloģiskie faktori un ir cieši saistītas ar augsnes mitrumu, ģeomorfoloģiskajām un veģetācijas iezīmēm tuksneša reģionos. Tādējādi datu pirmapstrādes tehnika ir jāizmanto, lai sasniegtu galvenās variācijas pazīmes no savāktajām ET laikrindām, lai iegūtu ticamus aplēses rezultātus. Datu priekšapstrādes metodes, piemēram, DWT un VMD, var izmantot, lai novērstu troksni no nelineārām un nestacionārām laikrindām. Tā kā DWT ir jutīga pret sliekšņa izvēli, VMD ir noturīgāka un efektīvāka datu priekšapstrādes metode nekā empīriskais režīms. dekompozīcija (EMD) un EEMD, ko var izmantot, lai noņemtu troksni no laikrindām, sadalot nelineāro un nestacionāro signālu vairākās joslas ierobežotās iekšējā režīma funkcijās (IMF) 7, 24. Tāpēc DWT trokšņu slāpēšanas veiktspēja ir sliktāka nekā VMD (2. tabula).

Literatūras apskats liecina, ka ML modeļi, kas integrēti ar datu pirmapstrādes paņēmieniem, ir efektīva stratēģija ticamāku novērtējuma rezultātu iegūšanai7,21–23, arī mūsu pētījuma rezultāti apstiprina šo secinājumu. Kā parādīts 3. un 4. tabulā, ar DWTor VMD integrēto ML modeļu vidējās novērtēšanas metrikas ir mazākas nekā atsevišķiem SVM un LSTM modeļiem. Tāpēc, lai iegūtu ticamākus rezultātus, ir nepieciešams iegūt noderīgas funkcijas, izmantojot datu pirmapstrādes paņēmienu (1. papildu fails).

ML modeļu novērtēšanas veiktspēju var arī ievērojami uzlabot, savienojot ML modeļus ar metaheiristiskajiem algoritmiem. Zināmā mērā svarīgāk ir iegūt anML modeļa optimālos hiperparametrus, nevis izvēlēties atbilstošu datu priekšapstrādes paņēmienu. Kā parādīts 3. un 4. tabulā, ML modeļu, kas hibridizēti ar datu pirmapstrādes tehniku, novērtēšanas veiktspēja tika ievērojami uzlabota, optimizējot LSTM un SVM hiperparametri. Salīdzinot ar DWT-SVM, VMD-SVM, DWT-LSTM un VMD-LSTM, DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM un VMD-WOA pozitīvā novērtējuma metrika -LSTM samazinājās, un negatīvie rādītāji dažādās pakāpēs pieauga. Tādējādi hiperparametru izvēle ML modeļiem bija ļoti svarīga, lai uzlabotu novērtēšanas veiktspēju 6, 7, 21–29.

Turklāt, kā secināts, šī pētījuma galvenais mērķis bija piedāvāt jaunu hibrīda modeli, lai novērtētuET, integrējot LSTM ar WOA un datu pirmapstrādes metodēm, tostarp DWT un VMD. VMD-WOA-LSTM veiktspēja tika salīdzināta ar citiem hibrīdmodeļiem standarta veiktspējas rādītāju ziņā. Ierosināto modeļu veiktspējas salīdzinājums parādīja, ka hibrīda VMDWOA-LSTM modelis darbojās labāk nekā citi uz ML balstīti modeļi, novērtējot ikmēneša ET Tengera tuksneša dienvidaustrumu malās.

Secinājumi

Šajā pētījumā tika piedāvāti hibrīdmodeļi, kuru pamatā ir VMD, WOA un LSTM, lai novērtētu ET, izmantojot laikrindu analīzes metodes, kur VMD tika izmantots, lai iegūtu ET laikrindu raksturīgās pazīmes, un WOA tika izmantots, lai optimizētu LSTM hiperparametrus. . Modeļa veiktspēja tika salīdzināta ar faktisko ET un citu hibrīdu modeļu novērtējumu MAE, MAPE, NMSE, RMSE un NSCE izteiksmē. Rezultāti liecina, ka VMD-WOA-LSTM ir precīzāki novērtējuma rezultāti nekā citiem uz ML balstītiem modeļiem, kurus var ieteikt kā būtisku palīgmetodi ET novērtēšanai tuksneša reģionos.

Datu pieejamība

Visi šī pētījuma laikā analizētie vai ģenerētie dati ir iekļauti papildinformācijā un pēc saprātīga pieprasījuma ir pieejami no attiecīgajiem autoriem.

Atsauces

1. Keshtegar, B., Piri, J. & Kisi, O. A nonlinear mathematical modeling of daily pan evaporation based on conjugate gradient method.Comput. Elektrons. Lauksaimniecības. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Mākslīgā neironu tīkla un Penmana-Monteita vienādojuma novērtējums miežu standarta evapotranspirācijas prognozēšanai daļēji sausā reģionā. Teor. Appl. Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Uzlabota ikdienas pannas iztvaikošanas prognozēšana, izmantojot Deep-LSTM modeli. Neironu skaitļošana. Appl. 32, 7823 (2019).

4. Wen, X. et al. Uz atbalsta vektoriem balstīti modeļi ikdienas atsauces evapotranspirācijas modelēšanai ar ierobežotiem klimatiskajiem datiem ekstremālos sausos reģionos. Ūdens resurss. Manag. 29, 3195–3209 (2015).

5. Li, XR et al. Ekoloģiskās atjaunošanas un atjaunošanas fundamentālā ekohidroloģija Ķīnas smilšu tuksneša reģionos (Science Press, 2016).

6. Wu, LF et al. Hibrīda ekstrēma mācību iekārta ar metaheiristiskiem algoritmiem ikmēneša pannas iztvaikošanas prognozēšanai. Comput.Electron. Agr. 168, 105–115 (2020).

7. Fu, TL et al. Jauna integrēta metode, kuras pamatā ir mašīnmācīšanās modelis, lai novērtētu evapotranspirāciju sausā zemē. J.Hidrols. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Nokrišņu intensitātes un periodiskuma ietekme uz koksnes veģetācijas segumu un dziļu augsnes mitrumu sauszemes ekosistēmās. J. Hidrols. 543, 270–282 (2016).

9. Li, XR et al. Ekohidroloģiskais slieksnis smiltis saistošas ​​veģetācijas stabilitātes novērtēšanai dažādās klimatiskajās zonās.Ekol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com