Hübriidne pikaajaline lühimälu vaalade optimeerimise algoritmi ja variatsioonirežiimide lagunemisega igakuise aurustumishindamise jaoks

Tehisliiva siduva taimestiku jätkusuutlikkuse määrab kõrbepiirkondades aurustumise (ET) ja sademete vaheline veetasakaal. Järelikult on ET täpne hindamine ülioluline eeldus tehistaimestiku ükskõiksete liivaalade tüüpide ja ruumilise jaotuse määramisel. Sel eesmärgil pakuti välja uudne hübriidhinnangu mudel igakuise ET hindamiseks, ühendades süvaõppe pika lühiajalise mälu (LSTM) variatsioonirežiimide lagunemise (VMD) ja vaalade optimeerimise algoritmiga (st VMD-WOA-LSTM). hinnata igakuist ET Tenggeri kõrbe kaguservas.

Viimastel aastatel on paljud teated tulnukatest ja ufodest äratanud inimestes mitte ainult uudishimu ja entusiasmi, vaid tekitanud inimestes ka imetlust ja soovi uurida maavälist elu.

Üks palju tähelepanu pälvinud teemadest on tulnukate intelligentsustase. Paljud inimesed usuvad, et tulnukate intelligentsus ületab kaugelt inimeste oma ning seda ideed on laialdaselt levitatud ulmeromaanides ja -filmides. Kuid kas tulnukad on intelligentsemad kui inimesed? Kui jah, kas neil oleks tugevam mälestus?

Esiteks peame tunnistama, et meie arusaam tulnukate intelligentsusest on endiselt väga pealiskaudne. Me ei saa olla kindlad, kas tulnukad on intelligentsuse poolest meiega sarnased, rääkimata sellest, kas nad on meist paremad. Kuid me võime lihtsalt mõelda ja hinnata mälu ja intelligentsuse suhet inimlikust vaatenurgast.

Inimese vaatenurgast teame, et intelligentsuse ja mälu vahel on seos. Kõrgema intelligentsusega inimestel on üldiselt parem mälu. Seda seetõttu, et kõrge intelligentsusega inimesed pööravad rohkem tähelepanu mõtlemisele ja loogilisele arutlemisele ning suurema tõenäosusega integreerivad ja seostavad teavet erinevate korrelatsioonimeetodite kaudu. Selline mõtteviis aitab parandada mälu. Seetõttu on aju jõudluse intelligentsuse taseme ja mälu vahel korrelatsioon.

Kuid me ei peaks seda korrelatsiooni lihtsalt tulnukate suhtes kohaldama. Sest me ei saa olla kindlad, kas tulnukate intelligentsus- ja ajuehitus sarnaneb inimese omaga. Tulnukate intelligentsus- ja mälustruktuurid võivad olla teistsugused kui inimestel, mistõttu nende intelligentsuse ja mälu suhe võib olla väga erinev.

Lõpuks peaksime olema kindlad, et maavälise elu avastamisel on suur mõju inimteaduse ja filosoofia arengule. Ka tulnukate intelligentsuse ja mälu uurimine peab toimuma teaduslikul alusel. Loodame, et teaduse ja tehnoloogia pideva arenguga on inimestel võimalik uurida rohkem võõrast elu ning jätkata oma saladuste lahendamise ja universumi tõe uurimise protsessis edasi liikumist. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.

Klõpsake teada, kuidas ajufunktsiooni parandada

LSTM-i paremus valiti tänu selle võimele automaatselt eraldada järjestikustest andmetest mittelineaarsed ja mittestatsionaarsed tunnused, WOA-d kasutati LSTM-i hüperparameetrite optimeerimiseks ja VMD-d ET-aegridade olemuslike tunnuste eraldamiseks. VMD-WOA-LSTM hinnangulisi tulemusi on võrreldud tegeliku ET-ga ja muude hübriidmudelite hinnangutega standardsete jõudlusmõõdikute osas. Tulemused näitasid, et VMD-WOA-LSTM annab täpsemaid ja usaldusväärsemaid hinnangutulemusi kui LSTM, tugivektori masin (SVM) ja nende mudelite variandid. Seetõttu võiks VMD-WOALSTM-i soovitada olulise abimeetodina ET hindamiseks kõrbepiirkondades.

Evapotranspiratsioon (ET) on väga mittelineaarne füüsikaline ja bioloogiline protsess, mis seob ökoloogilisi ja hüdroloogilisi protsesse veebilansi kaudu1,2. See on piirkondliku vee- ja energiabilansi keskne komponent ning toimib olulise ühenduslülina pinnase-taime-atmosfääri (SPA) süsteemis3. ET täpne hindamine on keskkonnajuhtimise 4–6 kriitiline eeldus, eriti suurte tehisliiva siduva taimestikuga kõrbepiirkondades, kus tehisliiva siduva taimestiku jätkusuutlikkuse määrab ET ja sademete vaheline veetasakaal5,7. Lisaks avaldavad kliimamuutused, eriti muutused soojenemises ja sademetes, paratamatult sügavat mõju tehistaimestiku jätkusuutlikkusele7,8.

Erinevalt looduslikust taimestikust rajatakse tehisliiva siduv taimestik erilise eesmärgi ja funktsiooniga, ET täpne hindamine võib anda võrdlusaluse veetasakaalu mõistmiseks ning tehisliiva siduva taimestiku koostise, struktuuri, ruumilise jaotuse ja ulatuse määramiseks. kõrbepiirkonnad9,10.Füüsiliselt põhinevate meetodite (nt Priestley-Taylori meetod, Hargreavesi meetod, korrigeeritud FAO-24 Penmani meetod, FAO-56 Penman-Monteithi meetod jne) rakendamine on aga oluline. tugevalt piiratud nõutavate meteoroloogiliste parameetrite puudumise tõttu (nt latentne aurustumissoojus, päikesekiirgus, suhteline niiskus, õhutemperatuur jne) kõrbepiirkondades4,6,2–12. Seetõttu on teist tüüpi andmepõhiste mudelite koostamine täpsete hinnangutulemuste saamiseks väga soovitav.

Hiljuti on masinõppe (ML) mudelid, sealhulgas tagasi levivad närvivõrgud (BPNN)13, mitmekihilised pertseptronid (MLP)2, mitmekihilised tehisnärvivõrgud (MLNN)6, tugivektormasin (SVM)7,12, äärmuslikud õppemasinad. (ELM) 6, mudelpuu (MT) 14, 15, juhuslik mets (RF) 6, laineline närvivõrk (WNN) 16, radiaalne baasfunktsioon (RBF) 17 jne, on dramaatiliselt kasutatud aurustumise või ET tõttu. selle võimele funktsioone automaatselt õppida ega vaja mingeid eeldusi. Kuna ML-mudelitel on puudused, mida on raske ise kohandada, mis vähendab oluliselt arvutustäpsust. ML-mudelite puuduste ületamiseks kasutatakse metaheuristiliste algoritmide, nagu lille tolmeldamisalgoritm (FPA)6, tulekärbse algoritm (FFA)11, intelligentsete veetilkade (IWD) algoritm12, vaalade optimeerimise algoritm (WOA)18, halli hundi optimeerija algoritm. ML-mudelite optimaalsete hüperparameetrite määramiseks kasutati GWO) 19, 20 jne. Uuringud on näidanud, et metaheuristiliste algoritmidega ühendatud ML-mudelitel on suurem arvutusjõudlus kui üksikutel ML-mudelitel ja füüsiliselt põhinevatel meetoditel12,16,18,21,22.

Kuna ET-d mõjutavad tihedalt meteoroloogilised parameetrid, mulla niiskus ja taimkatte tunnused12, võtab mõõdetud ET aegrida palju teravaid ja kõikuvaid punkte, mis vähendab oluliselt hindamise täpsust12. Usaldusväärsemate hindamistulemuste saamiseks kasutati dekomponeerimiseks andmete eeltöötluse tehnikaid, sealhulgas diskreetset laineteisendust (DWT)23, empiirilise režiimi dekompositsiooni (EEMD)14,15 ja variatsioonirežiimide lagunemist (VMD)7,24 jne. ET aegridade sagedus erinevatesse komponentidesse ja hankige vajalik teave mitmel tasandil7,14,23,24. Kirjanduse ülevaade näitab, et ML-mudelitega hübridiseeritud andmete eeltöötlustehnikad võivad mudeli jõudlust märkimisväärselt parandada16, 25. Sellega seoses ühendas Gocićet al.22 SVM-i DWT ja Firefly algoritmiga (FFA), et hinnata võrdlus-ET Serbias, kus FFA-d kasutati SVM-i hüperparameetrite määramiseks. Tulemused näitavad, et DWT-FFA-SVM on parim võrdlus-ET hindamise meetod. Pammar ja Deka[24] pakkusid välja hübriidse DWT-SVM-i, et hinnata igapäevast panni aurustumist Indias Karnatakas. Tulemused kinnitavad ka, et SVM koos DWT-ga võib parandada hinnangu täpsust. Rezaie-Balf et al.15 integreerisid EEMD SVM-i ja M5 mudelipuuga (M5T), et hinnata eraldi Siirti jaama ja Diyarbakiri jaama igakuise aurustumismudeli türgi keeles ning pakutud mudelid näitasid palju suuremat täpsust. Fu jt 7 pakkusid välja hübriidmudelid, kombineerides DWT, EEMD ja VMD SVM-i ja GWO-SVM-iga eraldi, et hinnata igakuist ET. Tulemused näitasid, et VMD-l ja DWT-l oli parem eeltöötlusjõudlus kui EEMD-l ning VMDGWO-SVM-i hinnanguline täpsus oli suurem kui DWT-GWO-SVM-i ja EEMD-GWO-SVM-i puhul.

Varasemad tööd on peamiselt keskendunud madalate ML mudelite kasutamisele ET2,4,6,7,2–18,21–23 hindamiseks. On hästi teada, et madalatel ML-mudelitel on puudusi, mis ei suuda ET aegreast piisavalt eraldada peidetud mittelineaarseid ja mittestaatilisi omadusi25. Seega on piiratud meteoroloogilistel andmetel põhineva ET või aurustumise hindamiseks kasutatud pikaajalist lühimälu (LSTM) 3, 26, sügavat närvivõrku (DNN) 27, ajalist konvolutsiooniga närvivõrku (TCN) 27 ja korduvat närvivõrku (RNN)28. andmeid. Majhi jt 3 kasutasid LSTM-i, MLNN-i, Hargreavesi valemit ja Blaney-Criddle'i valemit, et hinnata Chhattisgarhi osariigi igapäevast aurustumist Indias. Tulemused näitavad, et LSTM-i abil saab aurustumist täpselt hinnata ja see on teistest mudelitest parem. . Chen jt27 hindasid Hiina kirdetasandikul igapäevast etalon-ET, kasutades vastavalt LSTM, DNN, TCN, SVM, RF, Hargreavesi mudelit, Ritchie meetodit, Priestley-Talori mudelit, Makkinki valemit, Romanenkomodelit ja Schendeli valemit. Tulemused näitavad, et meteoroloogiliste parameetrite puudumisel on LSTM-i, TCN-i ja DNN-i hinnanguline jõudlus parem kui madalatel ML-mudelitel ja empiirilistel mudelitel. Granata ja Di Nunno28 kasutasid USA-s Cypress Swampi ja Kobeh Valley ET hindamiseks LSTM-i ja NARX-i. Tulemused näitavad, et süvaõppe mudelitel on kõrge hierarhilise struktuuri tõttu suurem täpsus kui madalatel ML mudelitel.

ML mudelite hüperparameetrid määravad otseselt arvutustäpsuse, kuid m. Siiski ei suuda enamik mudeleid ise optimaalseid hüperparameetreid määrata ja LSTM pole erand. LSTM-i hüperparameetrid, sealhulgas peidetud kihtide arv (HL), peidetud üksuste arv (HU), epohhid ja õppimiskiirus (LR)26, mõjutavad oluliselt LSTM-i hinnangulist jõudlust. Kuid autorite parimate teadmiste kohaselt on LSTM-i rakendamine koos metaheuristiliste algoritmidega aurustumise või ET hindamiseks olnud väga minimaalne.

Uuritav ala ja andmed

Uuring viidi läbi Tenggeri kõrbe kaguserval (37 kraadi 32'N, 105 kraadi 02'E). Esmane maastikutüüp on tihedalt levinud võredüünid9,10. Et vältida liivatormide kahju Baotou-Lanzhou raudteele, rajasid Hiina Teaduste Akadeemia ja vastavad raudteeüksused aastal 1956a kunstlikult taimestikuga kaetud vööndid ja pikendasid neid aastatel 1964a, 1981a ja 1987a. Liikuvale düünile paigaldati põhituule suunaga risti mehaaniline liivatõke, mehaanilise liivatõkke taha asetati põhuruudud (vahedega 1 m × 1 m) ja mahajäetud kujul istutati kaheaastased kseerilised põõsastiku seemikud. taime- ja reavahed 1 m×2 m või 2 m×3 m ilma niisutamiseta. Pärast enam kui poole sajandi pikkust suktsessiooni on looduslike taimeliikide arv kasvanud 25-lt 453-le ja taimestiku katvus on kasvanud vähem kui 1%-lt 42,3%-le. Järk-järgult on kujunenud bioloogiline tuuletõkke liiva fikseerimise tsoon pikkusega 16 km ja laiusega 200-1000 m. Erinevatel aastatel (1956a, 1964a, 1981a ja 1987a) rajatud tehisliiva siduv taimestik on jaotunud paralleelselt mõlemal pool raudteed, mis aitas edukalt ära hoida tuule poolt puhutud liiva kahjustuste tekitatud kahju raudteeliiklusele ja oluliselt parandanud ökoloogilist keskkonda. õppepiirkonnast. Kuna taimestiku stabiilsus ja jätkusuutlikkus sõltuvad vee tasakaalust ET ja sademete vahel7, 9, 10, on suur teoreetiline ja praktiline tähtsus ET täpselt hinnata kunstliku liiva siduva taimestiku kaitsmiseks ja kasutamiseks7, 10.

Selles uuringus loeti koolituskomplektiks igakuised ET andmed, mis mõõdeti jaanuarist 1991 kuni detsembrini 2018, jaanuar 1991 kuni detsember 2010 ja ülejäänuid kasutati testimiskomplektina. Tabelis 1 on toodud igakuiste ET aegridade peamised statistilised mõõdikud uuringupiirkonnas.

Metoodika

Kavandatud mudelite raamistik. LSTM on uus ajatsükli närvivõrk, mis suudab ületada RNN-i gradiendi kadumise probleemi, lisades asjakohase teabe salvestamiseks korduvate närvivõrgu moodulite ahelvormi25, 26. See kasutab pikaajalise sõltuvuse probleemi lahendamiseks tööpõhimõtet "kaks sisse ja kaks välja". Selles uuringus valiti LSTM peamiseks mooduliks, et hinnata, et LSTM-i igakuise ET duol on suurepärane võime käsitleda aegridade mittelineaarseid mustreid 27, 28. Lisaks kasutati SVM-i ka ET hindamiseks, kuna SVM-il on parem kohanemisvõime laiema klassi mittelineaarsete sobitusprobleemide lahendamiseks (nt ET hindamine) kui teiste madalate ML-mudelite (nt BPNN, WNN, ELM, MT ja MLP) puhul. 29.

Kuna DWT on tundlik lainelise aluse ja läve suhtes, on EMD-l modemi segamise olemuslik puudus7, 24 ja EEMD-l on lõpp-punkti mõju7. VMD on tugevam ja adaptiivsem andmete eeltöötlusmeetod kui DWT, EMD ja EEMD24, see ületab tõhusalt nende meetodite puudused ja eraldab ebakorrapärasuse ja mittestatsionaarsuse aegridadest põhivariatsiooni tunnused24. Selles uuringus kasutati VMD-d ET andmekogumist peamiste variatsioonifunktsioonide eraldamiseks. VMD müra summutamise võrdlemiseks valiti võrdlusaluseks DWT. DWT, VMD ja kogutud ET-aegridade väljund jagati treeningkomplektideks ja testimiskomplektideks ning suunati ET-i hindamiseks ML-mudelitele.

ML-mudelite treenimise efektiivsuse parandamiseks kasutati sisend- ja väljundandmekogumite normaliseerimiseks min-max normaliseerimismeetodit 7, 22. SVM-i ja LSTM-i sisend- ja väljundkomplektid määrati, kasutades pikisuunalise valiku (LS) meetodit7, nimelt treeningnäidiste rühma esindab vektor I kuni k − q, treeningväljund on tähistatud vektorina I + d − 1 kuni k − q, testimise väljundvektor on esitatud vektoriga k − q + 1 kuni k, kus i, d, k ja q tähistavad lähtepunkti, sisendmõõdet, andmete suurust komplekt ja vastavalt testimisväljundi pikkus. Joonisel 1 on kujutatud LS-meetodi skemaatiline diagramm väärtustega i=1, d=3 ja k=336.

WOA on uus tõhus ja stabiilne metaheuristiline algoritm18, mida kasutati laialdaselt mittelineaarse optimeerimise probleemide lahendamiseks, sealhulgas madalate ML-mudelite hüperparameetrite optimeerimiseks aurustumise või ET hindamiseks. Ükski teadlane ei ole aga pakkunud välja hübriidmudelit, ühendades ET hindamiseks LSTM-i metaheuristiliste goritmidega. Seega kasutati WOA-d LSTM-i hüperparameetrite optimeerimiseks, et saada täpsemaid hinnangulisi tulemusi. Joonisel 2 on kujutatud WOA-LSTM-i vooskeemi. WOA-LSTM koos VMD-ga on tähistatud kui VMD-WOA-LSTM.

VMD-WOA-LSTM paremust testiti, võrreldes hinnangulist jõudlust LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM ja VMD-GWO-SVM, kus GWO-SVM näitab, et SVM-i parim C ja G määrati GWO algoritmi abil, joonisel 3 on näidatud GWO-SVM vooskeemid. Numbrilistes simulatsiooniprotsessides kasutati ML-mudelite optimaalsete hüperparameetrite määramiseks sobivusfunktsioonina keskmist absoluutprotsenti (MAPE). Tuleb märkida, et selles artiklis kasutatud meetodite, sealhulgas DWT, VMD, SVM, LSTM, GWO ja WOA, matemaatilised põhimõtted on leitavad vastavast kirjandusest, seega on nende meetodite matemaatiline kirjeldus välja jäetud.

Tulemuslikkuse hindamise mõõdikud. Veaanalüüs viiakse läbi hindamismõõdikute abil, sealhulgas keskmine absoluutne viga (MAE), MAPE, normaliseeritud keskmine ruutviga (NMSE), ruutkeskmine viga (RMSE) ja Nash-Sutcliffe'i efektiivsuskoefitsient (NSCE). Nende hindamismõõdikute määratlused on järgmised:

kus yi ja yi tähistavad soovitud ja hinnangulist tulemust. MAE, MAPE, NMSE ja RMSE kasutatakse üldiselt soovitud ja hinnangulise tulemuse vahelise hälbe mõõtmiseks, hinnanguline tulemuslikkus on parem, kui nende hindamismõõdikute väärtused on väiksemad. Kuna MAPE on nende kriteeriumide hulgas suhteliselt stabiilsem, kasutatakse NSCE-d üldiselt mudeli efektiivsuse määramiseks hüdroloogilises väljas (NSCE 1-le lähedane näitab, et kavandatud mudelil on hea sobivus). Seetõttu valiti väljapakutud mudelite mudeli jõudluse hindamiseks peamisteks võrdlusalusteks MAPE ja NSCE.

Parameetri seaded. Erinevate mudelite hinnangulise jõudluse määrab peamiselt parameetrite valik. Tabelis 2 on näidatud DWT ja VMD põhiparameetrid. Otsinguagentide arv ning WOA ja GWO algoritmide maksimaalne iteratsioon oli vastavalt 5 ja 1 00. Kõigi LSTM-põhiste mudelite minipartii suurus oli 128. WOA-LSTM-i HL, HU, Epochs ja LR vahemik oli [1, 200], [1200], [10, 100 ] ja [0,001, 0,01]. Mis puudutab GWO-SVM-i, siis C ja G vahemik oli [0,01, 100].

Tulemused

Joonistel 4 ja 5 on näidatud DWT ja VMD tulemused. Nagu on näidatud joonistel fig. Nagu on näidatud joonistel 4 ja 5, on kogutud igakuistes ET ajaridades palju teravaid ja kõikuvaid punkte, mis mõjutavad hinnangulist jõudlust. ET hindamisprotsesside nende probleemsete mustrite lahendamiseks analüüsiti 1. tasemega db4 ja K=5 VMD-d ning kasutati püsivate ET aegridade müra vähendamiseks. Järelejäänud aegrida näitab madalat amplituudi ja kõrgsageduslikku kõikumist, mis viitab sellele, et valge müra eemaldati algsest ET andmekogumist. Tabel 2 näitab, et VMD (koos SNR=42.6451 ja RMSE=1.7934) müra vähendamise jõudlus on tõhusam kui DWT-l (koos SNR=40.8201 ja RMSE{{15} }.2127). DWT puuduseks on see, et lainealused tuleks eelnevalt valida ja see on tundlik ka läve valiku suhtes. Seetõttu on VMD parem.

Nagu mainitud, kasutati igakuise ET hindamiseks vastavalt LSTM-i ja SVM-i. Iga fikseeritud sisenddimensiooni d jaoks d=2, 3, …, 16 valiti minimaalne MAPE 5 korduse hulgast ja WOA-LSTM-i ja GWO-SVM-i optimaalsed hüperparameetrid registreeriti vastavalt minimaalsele MAPE-le. Tabelis 3 on näidatud pakutud mudelite optimaalsed sisendfunktsioonid ja hüperparameetrid. Nagu on näidatud tabelis 3, on iga LSTM-põhise mudeli MAPE väiksem kui SVM-põhisel, mis viitab sellele, et süvaõppe mudelid ületasid oluliselt madalaid ML-mudeleid; Üksiku ML-mudeli Te MAPE-d vähendati ML-mudeli ühendamisel andmete eeltöötlusmeetoditega, mis viitab sellele, et ML-mudeli jõudlust saab parandada andmete eeltöötluse abil; Optimaalsete parameetritega hübriidmudelite MAPE on kõik väiksemad kui vaikeparameetritega ML-mudelitel, mis näitab, et metaheuristiliste algoritmidega integreeritud ML-mudelite arvutusjõudlus on mõõdukalt kõrgem kui vaikeparameetritega ML-mudelitel; Hübriidmudelite DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM ja VMD-WOA-LSTM MAPE on väiksem kui LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD. -SVM, WOA-LSTM ja GWO-SVM, mis viitavad sellele, et ML-mudeli jõudlust saab andmete eeltöötluse ja metaheuristilise algoritmi abil oluliselt parandada.

Minimaalse MAPE ja optimaalsete hüperparameetritega ML mudelite hinnangulised tulemused on esitatud joonisel 6. Jooniselt 6 on näha, et kõigi pakutud mudelite tulemused on kooskõlas enamiku keskmise vahemiku punktidega, kuid lähtepunkt ja äärmuslikud väärtused on ülehinnatud; Igakuiste ET ajaridade periood on 12 kuud, LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM ja VMD-WOA-LSTM optimaalsed sisendmõõtmed on ligikaudu võrdsed ET aja perioodiga. seeria (tabel 3), mis viitab sellele, et LSTM saab täielikult ära kasutada ajaloolisi andmemustreid ja tõhusalt ületada madalate ML-mudelite puudused. Üldiselt on hübriidmudelite DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM ja VMD-WOA-LSTM jõudlus parem kui teistel pakutud mudelitel.

Tabelis 4 on toodud iga mudeli hindamismõõdikud koolituse ja testimise etapis, kus on rasvases kirjas märgitud metaheuristiliste algoritmidega optimeeritud ML mudelite hindamismõõdikute keskmine. Nagu on näidatud tabelis 4, on DWT-LSTM-i, DWT-SVM-i, VMD-LSTM-i ja VMD-SVM-i mudelite jõudlus parem kui LSTM-i ja SVM-i testimisetapis (tabel 4), mis viitab sellele, et andmete eeltöötlus on abi ML-mudelite hindamise tulemuslikkuse parandamiseks. Nagu on näidatud tabelis 4, on WOA-LSTM-i ja GWO-SVM-i hindamismõõdikud, sealhulgas MAE, MAPE, NMSE ja RMSE, kõik väiksemad kui LSTM-i, SVM-i, DWT-LSTM-i, DWTSVM-i, VMD-LSTM-i ja VMD-SVM-i omad. , ja NSCE suurenesid erineval määral, mis näitab, et LSTM-i ja SVM-i hinnanguline jõudlus paraneb oluliselt, kui LSTM-i ja SVM-i hüperparameetrid optimeeritakse metaheuristiliste algoritmide abil.

GWO-ga integreeritud SVM-i hindamismõõdikud on kõik väiksemad kui LSTM-i omad koos andmete eeltöötlustehnikatega; Hübriidse VMD-GWO-SVM-i MAPE on väiksem kui teistel SVM-põhistel mudelitel ja LSTM-, DWT-LSTM-, VMD-LSTM-mudelitel (tabel 4), mis viitab sellele, et madalad ML-mudelid on integreeritud andmete eeltöötlustehnikate ja metaheuristiliste algoritmidega. saab kasutada ET hindamiseks. Arvestades, et madalate ML-mudelite mudeli jõudlust tuleb veel parandada. Nagu on näidatud tabelis 4, ületasid süvaõppemudelid märkimisväärselt madalaid ML-mudeleid ning hübriid-WOA-LSTM, DWT-WOA-LSTM ja VMD-WOA-LSTM mudeli jõudlus on parem kui SVM-põhistel hübriidmudelitel. Võrreldes VMD-GWO-SVM-iga vähenes DWT-WOA-LSTM-i MAPE 23,22%-lt 18,90%-le ja NSCE-d paranesid 0.8754-lt 0.8578-le; VMD-WOA-LSTM-i MAPE-i vähendati 23,22%-lt 18,72%-le ja NSCE-d parandati 0.8754-lt 0,8917-le. Need tulemused näitavad, et hübriidmudelitel DWT-WOA-LSTM ja VMD-WOA-LSTM on suurepärane võimalus hinnata igakuist ET võrreldes teiste pakutud meetoditega. Hübriidsete VMD-WOA-LSTM mudelite MAPE on pakutud mudelite hulgas väikseim, mis näitab, et VMD-WOA-LSTM on pakutud mudelite seas kõige täpsem mudel igakuise ET hindamiseks. Seetõttu võiks VMD-WOA-LSTM-i soovitada olulise abimeetodina ET hindamiseks kõrbepiirkondades.

Arutelu

Nagu mainitud, pakuti uuritavas piirkonnas ET hindamiseks välja ML mudelitel, andmete eeltöötlusmeetoditel ja metaheuristilistel goritmidel põhinevad hübriidmudelid. Üldiselt on hübriidsete ML-mudelite koostamine keeruline ja aeganõudev protseduur 6, 14–18. Kuid hübriidsete ML-mudelite täpsus on suurem kui füüsiliselt põhinevatel meetoditel 20–23. Seetõttu on hübriidsete ML-mudelite kasutamine ET täpseks hindamiseks hüdroloogia ja ökoloogia põhiprobleem.

Süvaõppe mudelid ületasid üldiselt madalaid ML-mudeleid3. Kuid ainult ML-mudelite kasutamine ET hindamiseks võib põhjustada suuri vigu, kui andmete eeltöötlust ei teostata 7, 14–16. Nagu on näidatud joonistel fig. Nagu on näidatud joonistel 4 ja 5, on kogutud ET aegread ebakorrapärasused ja mittestatsionaarsed, kuna ET määravad meteoroloogilised tegurid ja see on tihedalt seotud mulla niiskuse, geomorfoloogiliste ja taimestiku tunnustega kõrbepiirkondades. Seega tuleks kogutud ET aegridade peamiste variatsioonitunnusteni jõudmiseks kasutada andmete eeltöötluse tehnikat, et saada usaldusväärseid hindamistulemusi. Andmete eeltöötlusmeetodeid, nagu DWT ja VMD, saab rakendada mittelineaarsete ja mittestatsionaarsete aegridade müra kõrvaldamiseks. Kuivõrd DWT on lävevaliku suhtes tundlik, on VMD tugevam ja tõhusam andme eeltöötlusmeetod kui empiiriline režiim. lagunemine (EMD) ja EEMD, mida saab kasutada aegridadest müra eemaldamiseks, jagades mittelineaarse ja mittestatsionaarse signaali mitmeks ribapiiranguga sisemise režiimi funktsiooniks (IMF) 7, 24. Seetõttu on DWT müra summutamine halvem kui VMD oma (tabel 2).

Kirjanduse ülevaade näitab, et andmete eeltöötlustehnikatega integreeritud ML-mudelid on tõhus strateegia usaldusväärsemate hindamistulemuste saamiseks7, 21–23, seda järeldust kinnitavad ka meie uurimistöö tulemused. Nagu on näidatud tabelites 3 ja 4, on DWTor VMD-ga integreeritud ML-mudelite hindamismõõdikute keskmised kõik väiksemad kui üksikute SVM-i ja LSTM-i mudelite puhul. Seetõttu on kasulike funktsioonide ekstraheerimine andmete eeltöötlustehnika abil vajalik usaldusväärsemate tulemuste hindamiseks (täiendav fail 1).

ML-mudelite hinnangulist jõudlust saab oluliselt parandada ka ML-mudelite ühendamisel meta-heuristiliste algoritmidega. Teatud määral on olulisem anML mudeli optimaalsete hüperparameetrite hankimine kui sobiva andmetöötlustehnika valimine. Nagu on näidatud tabelites 3 ja 4, paranes andmete eeltöötlustehnikaga hübridiseeritud ML-mudelite hinnanguline jõudlus oluliselt, kui optimeeriti LSTM-i ja SVM-i hüperparameetreid. Võrreldes DWT-SVM-i, VMD-SVM-i, DWT-LSTM-i ja VMD-LSTM-iga, on DWT-GW{8}}SVM-i, VMD-GWO-SVM-i, DWT-WOA-LSTM-i ja VMD-WOA positiivsed hindamismõõdikud -LSTM vähenes ja negatiivsed näitajad tõusid erineval määral. Seega oli ML-mudelite hüperparameetrite valik ülioluline, et parandada hinnangulist jõudlust 6, 7, 21–29.

Lisaks, nagu järeldati, oli selle uuringu peamine eesmärk pakkuda välja uudne hübriidmudel ET-i hindamiseks, integreerides LSTM-i WOA-ga ja andmete eeltöötlustehnikatega, sealhulgas DWT ja VMD. VMD-WOA-LSTM-i jõudlust võrreldi teiste hübriidmudelitega standardsete jõudlusnäitajate osas. Kavandatud mudelite jõudluse võrdlus näitas, et hübriidmudel VMDWOA-LSTM toimis Tenggeri kõrbe kaguosas igakuise ET hindamisel paremini kui teised ML-põhised mudelid.

Järeldused

Selles uuringus pakuti VMD-l, WOA-l ja LSTM-il põhinevaid hübriidmudeleid ET hindamiseks aegridade analüüsimeetodite abil, kus VMD-d kasutati ET aegridade olemuslike tunnuste eraldamiseks ja WOA-d kasutati LSTM-i hüperparameetrite optimeerimiseks. . Mudeli jõudlust võrreldi tegeliku ET ja teiste hübriidmudelite hinnanguga MAE, MAPE, NMSE, RMSE ja NSCE osas. Tulemused näitavad, et VMD-WOA-LSTM-il on täpsemad hinnangutulemused kui teistel ML-põhistel mudelitel, mida võib soovitada olulise abimeetodina ET hindamiseks kõrbepiirkondades.

Andmete kättesaadavus

Kõik selle uuringu käigus analüüsitud või loodud andmed sisalduvad täiendavas teabes ja on mõistliku taotluse korral kättesaadavad vastavatelt autoritelt.

Viited

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

2. Hashemi, M. & Sepaskhah, AR Tehisnärvivõrgu ja Penman-Monteithi võrrandi hindamine odra standardse evapotranspiratsiooni ennustamiseks poolkuivas piirkonnas. Teor. Rakendus Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Täiustatud igapäevase panni aurustumise prognoosimine Deep-LSTM mudeli abil. Neuraalne arvuti. Rakendus 32, 7823 (2019).

4. Wen, X. et al. Tugivektori-masinapõhised mudelid igapäevase võrdlusaurustumise modelleerimiseks piiratud kliimaandmetega äärmuslikes kuivades piirkondades. Veeressurss. Manag. 29, 3195–3209 (2015).

5. Li, XR et al. Hiina liivakõrbepiirkondade ökoloogilise taastamise ja taastumise fundamentaalne ökohüdroloogia (Science Press, 2016).

6. Wu, LF et al. Hübriidne ekstreemne õppemasin metaheuristiliste algoritmidega igakuise panni aurustumise prognoosimiseks. Arvuti.Elektron. Agr. 168, 105–115 (2020).

7. Fu, TL et al. Uudne integreeritud meetod, mis põhineb masinõppemudelil evapotranspiratsiooni hindamiseks kuival maal. J. Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Sademete intensiivsuse ja vahelduvuse mõju puittaimekattele ja sügavale mulla niiskusele kuivamaade ökosüsteemides. J. Hydrol. 543, 270–282 (2016).

9. Li, XR et al. Ökohüdroloogiline künnis liivasiduva taimestiku püsivuse hindamiseks erinevates kliimavööndites.Öko. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com