Хибрид Дългата краткосрочна памет с алгоритъм за оптимизиране на китове и разлагане на вариационен режим за месечна оценка на евапотранспирацията

Устойчивостта на изкуствената растителност, свързваща пясъка, се определя от водния баланс между евапотранспирацията (ET) и валежите в пустинните райони. Следователно, точното оценяване на ET е критична предпоставка за определяне на видовете и пространственото разпределение на изкуствената растителност безразлични пясъчни зони. За тази цел беше предложен нов хибриден модел за оценка за оценка на месечния ET чрез свързване на дългосрочната краткосрочна памет за задълбочено обучение (LSTM) с вариационен режим на разлагане (VMD) и алгоритъм за оптимизация на китове (WOA) (т.е. VMD-WOA-LSTM) до изчислете месечното ET в югоизточните покрайнини на пустинята Tengger.

През последните години много съобщения за извънземни и НЛО не само събудиха любопитството и ентусиазма на хората, но също така събудиха възхищението и желанието на хората да изследват извънземния живот.

Една от темите, която привлече много внимание, е нивото на интелигентност на извънземните. Много хора вярват, че извънземните имат интелект, който далеч надхвърля този на хората, и тази идея е широко разпространена в научнофантастичните романи и филми. Но дали извънземните са по-интелигентни от хората? Ако е така, биха ли имали по-силни спомени?

Първо, трябва да признаем, че нашата концепция за извънземен разум все още е много повърхностна. Не можем да сме сигурни дали извънземните приличат на нас по интелект, камо ли дали са по-добри от нас. Въпреки това можем просто да мислим и да оценим връзката между паметта и интелигентността от човешка гледна точка.

От човешка гледна точка знаем, че има връзка между интелекта и паметта. Хората с по-високи нива на интелигентност обикновено имат по-добра памет. Това е така, защото хората с високи нива на интелигентност обръщат повече внимание на мисленето и логическите разсъждения и е по-вероятно да интегрират и свързват информация чрез различни методи на корелация. Този начин на мислене помага за подобряване на паметта. Следователно има връзка между нивото на интелигентност на работата на мозъка и паметта.

Не трябва обаче просто да прилагаме тази корелация към извънземни. Защото не можем да сме сигурни дали структурата на интелигентността и структурата на мозъка на извънземните са подобни на хората. Извънземните може да имат различни структури на интелекта и паметта от хората, така че връзката между техния интелект и памет може да е много различна.

И накрая, трябва да сме сигурни, че откриването на извънземен живот ще окаже голямо влияние върху развитието на човешката наука и философия. Изследванията на извънземния разум и памет също трябва да се провеждат на научна основа. Надяваме се, че с непрекъснатото развитие на науката и технологиите, хората ще могат да изследват повече извънземен живот и ще продължат да се движат напред в процеса на разрешаване на техните мистерии и изследване на истината за Вселената. Вижда се, че трябва да подобрим паметта и Cistanche deserticola може значително да подобри паметта, тъй като Cistanche deserticola е традиционен китайски лекарствен материал, който има много уникални ефекти, един от които е да подобрява паметта. Ефикасността на мляното месо идва от различните активни съставки, които съдържа, включително киселина, полизахариди, флавоноиди и др. Тези съставки могат да насърчат здравето на мозъка по различни начини.

Щракнете върху познайте начините за подобряване на мозъчната функция

Превъзходството на LSTM беше избрано поради неговата способност за автоматично извличане на нелинейни и нестационарни характеристики от последователни данни, WOA беше използван за оптимизиране на хиперпараметрите на LSTM, а VMD беше използван за извличане на присъщите черти на ET времевите серии. Приблизителните резултати на VMD-WOA-LSTM са сравнени с действителния ET и оценката на други хибридни модели по отношение на стандартните показатели за ефективност. Резултатите разкриха, че VMD-WOA-LSTM предоставя по-точни и надеждни резултати от оценката от LSTM, опорната векторна машина (SVM) и вариантите на тези модели. Следователно VMD-WOALSTM може да се препоръча като основен спомагателен метод за оценка на ET в пустинни региони.

Евапотранспирацията (ЕТ) е силно нелинеен физичен и биологичен процес, който свързва екологичните и хидроложките процеси чрез водния баланс1,2. Той е централният компонент на регионалния воден и енергиен баланс и служи като важна връзка в системата почва-растение-атмосфера (SPA)3. Точното оценяване на ET е критична предпоставка в управлението на околната среда 4–6, особено в пустинни райони с големи площи от изкуствена и свързваща растителност, където устойчивостта на изкуствената свързваща пясък растителност се определя от водния баланс между ET и валежите 5,7. В допълнение, изменението на климата, особено промените в моделите на затопляне и валежи, неизбежно ще има дълбоко въздействие върху устойчивостта на изкуствената растителност7,8.

За разлика от естествената растителност, изкуствената пясъчно-свързваща растителност е създадена със специално предназначение и функция, точната оценка на ET може да предостави справка за разбиране на водния баланс и определяне на състава, структурата, пространственото разпределение и мащаба на изкуствената пясъчно-свързваща растителност в пустинни региони9,10. Въпреки това, прилагането на физически базирани методи (напр. метод на Пристли-Тейлър, метод на Харгрийвс, коригиран метод на ФАО-24 Пенман, ФАО-56 метод на Пенман-Монтейт и др.) е силно ограничено поради липсата на необходимите метеорологични параметри (напр. латентна топлина на изпарение, слънчева радиация, относителна влажност, температура на въздуха и т.н.) в пустинни региони4,6,2–12. Следователно, изграждането на други типове модели, управлявани от данни, за получаване на точни резултати от оценката е силно желателно.

Напоследък моделите за машинно обучение (ML), включително невронни мрежи с обратно разпространение (BPNN)13, многослоен перцептрон (MLP)2, многослойни изкуствени невронни мрежи (MLNN)6, поддържаща векторна машина (SVM)7,12, машина за екстремно обучение (ELM) 6, моделно дърво (MT) 14, 15, произволна гора (RF) 6, вълнови невронни мрежи (WNN) 16, радиална базисна функция (RBF) 17 и т.н., са драматично използвани за оценка на изпарението или ET поради до способността му да обучава автоматично функции и да не изисква никакви предположения. Тъй като ML моделите имат дефектите, че хиперпараметрите трудно се настройват сами, което значително намалява точността на изчисленията. За да се преодолеят недостатъците на ML моделите, мета-евристични алгоритми като алгоритъм за опрашване на цветя (FPA)6, алгоритъм за светулка (FFA)11, алгоритъм за интелигентни водни капки (IWD)12, алгоритъм за оптимизиране на китове (WOA)18, алгоритъм за оптимизиране на сив вълк ( GWO) 19, 20 и т.н. бяха използвани за определяне на оптималните хиперпараметри на ML моделите. Проучванията показват, че ML моделите, съчетани с мета-евристични алгоритми, имат по-висока изчислителна производителност от тази на единични ML модели и физически базирани методи12,16,18,21,22.

Тъй като ET е тясно повлиян от метеорологичните параметри, влажността на почвата и характеристиките на растителността12, измерената времева серия от ET поема много остри и променливи точки, което значително намалява точността на оценката12. За да се получат по-надеждни резултати от оценката, бяха използвани техники за предварителна обработка на данни, включително дискретна вълнова трансформация (DWT)23, разлагане на емпиричен режим на ансамбъл (EEMD)14,15 и разлагане на вариационен режим (VMD)7,24 и др. Честота на времевите редове на ЕТ в различни компоненти и получаване на необходимата информация на множество нива7,14,23,24. Прегледът на литературата показва, че техниките за предварителна обработка на данни, хибридизирани с ML модели, могат значително да подобрят производителността на модела16,25. В това отношение Gocićet al.22 свързва SVM с DWT и алгоритъм на светулка (FFA), за да оцени референтния ET в Сърбия, където FFA е използван за определяне на хиперпараметрите на SVM. Резултатите показват, че DWT-FFA-SVM е най-добрият метод за оценка за референтна ET оценка. Pammar и Deka [24] предложиха хибриден DWT-SVM за оценка на дневното изпарение в Карнатака, Индия. Резултатите също потвърждават, че SVM в комбинация с DWT може да подобри точността на оценката. Rezaie-Balf et al.15 интегрираха EEMD със SVM и дървото на модела M5 (M5T) поотделно, за да оценят месечните модели на изпарение в тигана на станция Siirt и станция Diyarbakir на турски, а предложените модели представиха много по-висока точност. Fu et al.7 предложиха хибридни модели чрез комбиниране на DWT, EEMD и VMD със SVM и GWO-SVM поотделно за оценка на месечния ET. Резултатите показват, че VMD и DWT показват по-добра производителност на предварителна обработка от тази на EEMD и точността на оценката на VMDGWO-SVM е по-висока от тази на DWT-GWO-SVM и EEMD-GWO-SVM.

Предишните работи са фокусирани главно върху използването на плитки ML модели за оценка на ET2,4,6,7,2–18,21–23. Добре известно е, че плитките ML модели имат недостатъци, които не могат да извлекат в достатъчна степен скритите нелинейни и нестатични характеристики от времевия ред на ЕТ25. По този начин дългата краткосрочна памет (LSTM)3,26, дълбоката невронна мрежа (DNN)27, невронната мрежа с темпорална конволюция (TCN)27 и повтарящата се невронна мрежа (RNN)28 са използвани за оценка на ET или изпарение въз основа на ограничени метеорологични данни. Защото Majhi et al.3 използваха LSTM, MLNN, формулата на Харгрийвс и формулата на Блейни-Кридъл, за да оценят дневното изпарение в щат Чатисгарх в Индия. Резултатите показват, че LSTM може да постигне точна оценка на евапотранспирацията и има по-добра оценка от други модели . Chen et al.27 оценяват дневния референтен ET в североизточната равнина на Китай, като използват съответно LSTM, DNN, TCN, SVM, RF, модел на Hargreaves, метод на Ritchie, модел на Priestley-Talor, формула на Makkink, модел на Romanenko и Schendel. Резултатите показват, че LSTM, TCN и DNN имат по-добра производителност на оценка от тази на плитките ML модели и емпиричните модели при липса на метеорологични параметри. Granata и Di Nunno28 използваха LSTM и NARX, за да оценят ET на Cypress Swamp и Kobeh Valley в САЩ. Резултатите показват, че моделите за дълбоко обучение имат по-висока точност от плитките ML модели поради високата йерархична структура.

Хиперпараметрите на ML моделите директно определят изчислителната точност, но m. И все пак повечето модели не могат сами по себе си да получат оптималните хиперпараметри и LSTM не е изключение. Хиперпараметрите на LSTM, включително броя на скритите слоеве (HL), броя на скритите единици (HU), епохите и скоростта на обучение (LR)26, значително влияят върху очакваната производителност на LSTM. Въпреки това, доколкото е известно на авторите, приложението на LSTM, съчетано с мета-евристични алгоритми за оценка на изпарението или ET, е било много минимално.

Област на изследване и данни

Изследването е проведено в югоизточните покрайнини на пустинята Tengger (37 градуса 32'N, 105 градуса 02'E). Основният тип ландшафт са гъсто разпространени дюни с пергола9,10. За да предотвратят вредата от пясъчните бури върху железопътната линия Баотоу-Ланджоу, Китайската академия на науките и съответните железопътни звена създадоха пояси с изкуствена растителност през 1956a и ги разшириха през 1964a, 1981a и 1987a. На подвижната дюна беше монтирана механична пясъчна бариера, перпендикулярна на основната посока на вятъра, зад механичната пясъчна бариера бяха поставени сламени шахматни дъски (разстояние 1 m × 1 m) и двугодишни разсад от ксерикови храсти бяха засадени в същата конфигурация по изоставен начин с разстояние между растенията и разстояние между редовете от 1 m × 2 m или 2 m × 3 m при условие на липса на напояване. След повече от половин век последователност броят на естествените растителни видове се е увеличил от 25 на 453, а растителното покритие се е увеличил от по-малко от 1% до 42,3%. Постепенно се формира биологична ветрозащитни пясъчна фиксираща зона с дължина 16 km и ширина 200-1000 m. Изкуствената растителност, свързваща пясъка, създадена през различни години (1956a, 1964a, 1981a и 1987a), е разпределена паралелно от двете страни на железопътната линия, което успешно предотвратява щетите от нанесените от вятъра пясъчни щети върху железопътния трафик и значително подобрява екологичната среда от района на изследване. Тъй като стабилността и устойчивостта на растителността зависят от водния баланс между ET и валежите 7, 9, 10, от голямо теоретично и практическо значение е точното оценяване на ET за защита и използване на изкуствена растителност, свързваща пясъка 7, 10.

В това проучване месечните данни за ET, измерени от януари 1991 г. до декември 2018 г., данните от януари 1991 г. до декември 2010 г. се разглеждат като набор за обучение, а останалата част се използва като набор за тестване. Таблица 1 показва основните статистически показатели на месечните времеви редове на ЕТ в изследваната област.

Методика

Рамката на предложените модели. LSTM е нова невронна мрежа с времеви цикъл, която може да преодолее проблема с изчезването на градиента в RNN чрез добавяне на верижна форма на повтарящи се модули на невронна мрежа за съхраняване на подходяща информация25,26. Той използва принципа на работа „двама навътре и двама навън“, за да реши проблема с дълготрайната зависимост26. В това проучване LSTM беше избран като основен модул за оценка на месечното ET дуо към LSTM има отличната способност да се справя с нелинейни модели сред времевите серии 27, 28. В допълнение, SVM също беше използван за оценка на ET, тъй като SVM има по-добра адаптивност за решаване на по-широк клас проблеми с нелинейно напасване (напр. оценка на ET), отколкото тази на други плитки ML модели (напр. BPNN, WNN, ELM, MT и MLP) 29.

Тъй като DWT е чувствителен към вълновата основа и прага, EMD страда от присъщия недостатък на смесването на режими7,24, а EEMD съществува ефект на крайна точка7. VMD е по-стабилен и адаптивен метод за предварителна обработка на данни от DWT, EMD и EEMD24, той ефективно преодолява недостатъците на тези методи и извлича характеристиките на основните вариации от неравномерните и нестационарните времеви редове24. В това проучване VMD беше използван за извличане на основните вариационни характеристики от набора от данни за ET. За да се сравни ефективността на обезшумяване на VMD, DWT беше избран като еталон. Резултатът от DWT, VMD и събраните времеви редове на ET бяха разделени на набори за обучение и набори за тестване и подавани към ML модели, за да се оцени съответно ET.

За да се подобри ефективността на обучението на моделите на ML, методът за нормализиране на min-max7,22 беше използван за нормализиране на входните и изходните набори от данни. Входните и изходните комплекти на SVM и LSTM бяха определени чрез използване на метода за надлъжна селекция (LS)7, а именно групата от обучителни проби е представена от вектор от I до k − q, изходът на обучението е означен като вектор от I + d − 1 до k − q, изходният вектор за тестване е представен от вектор от k − q + 1 до k, където i, d, k и q означават началната точка, входното измерение, размера на данните набор и съответно дължината на тестовия изход. Фигура 1 показва схематичната диаграма на метода LS с i=1, d=3 и k=336.

WOA е нов ефективен и стабилен мета-евристичен алгоритъм18, който беше широко използван за решаване на проблеми с нелинейна оптимизация, включително оптимизиране на хиперпараметрите на плитки ML модели за оценка на изпарението или ET. Въпреки това, нито един изследовател не е предложил хибриден модел чрез свързване на LSTM с мета-евристични алгоритми за оценка на ET. По този начин WOA беше използван за оптимизиране на хиперпараметрите на LSTM, за да се получат по-точни прогнозни резултати. Фигура 2 показва блок-схемата на WOA-LSTM. WOA-LSTM, свързан с VMD, се обозначава като VMD-WOA-LSTM.

Превъзходството на VMD-WOA-LSTM беше тествано чрез сравняване на очакваната производителност с LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM и VMD-GWO-SVM, където GWO-SVM показва, че най-добрите C и G на SVM са определени чрез използване на GWO алгоритъм, Фигура 3 показва блок-схемите на GWO-SVM. В процесите на числена симулация средната абсолютна процентна грешка (MAPE) беше използвана като функция за пригодност за определяне на оптималните хиперпараметри на ML моделите. Трябва да се отбележи, че математическите принципи на методите, използвани в тази статия, включително DWT, VMD, SVM, LSTM, GWO и WOA, могат да бъдат намерени в съответната литература, така че математическото описание на тези методи е пропуснато.

Метрики за оценка на ефективността. Анализът на грешката се извършва чрез използване на показателите за оценка, включително средната абсолютна грешка (MAE), MAPE, нормализирана средна квадратна грешка (NMSE), корен на средна квадратна грешка (RMSE) и коефициент на ефективност на Nash–Sutcliffe (NSCE). Дефинициите на тези показатели за оценка са както следва:

където yi и yi означават желания и прогнозен резултат. MAE, MAPE, NMSE и RMSE обикновено се използват за измерване на отклонението между желания и очаквания резултат, оценката на ефективността е по-добра, когато стойностите на тези показатели за оценка са по-малки. Тъй като MAPE е относително по-стабилен сред тези критерии, NSCE обикновено се използва за определяне на ефективността на модела в хидрологичното поле (NSCE близо до 1 показва, че предложеният модел има добра годност). Следователно MAPE и NSCE бяха избрани като основни показатели за оценка на ефективността на предложените модели.

Настройки на параметрите. Оценяващата ефективност на различните модели се определя основно от избора на параметър. Таблица 2 показва основните параметри на DWT и VMD. Броят на агентите за търсене и максималните итерации на WOA и GWO алгоритмите бяха съответно 5 и 100. Размерът на мини-партида на всички базирани на LSTM модели беше 128. Диапазонът на HL, HU, Epochs и LR на WOA-LSTM беше [1, 200], [1200], [10, 100 ] и [0.001, 0.01], съответно. Що се отнася до GWO-SVM, обхватът на C и G беше [0,01, 100].

Резултати

Фигури 4 и 5 показват резултатите от DWT и VMD. Както е показано на фиг. 4 и 5, събраните месечни ET времеви серии имат много остри и колебаещи се точки, които ще повлияят на оценката на ефективността. За разрешаване на тези проблемни модели в процесите на оценка на ET, db4 с ниво 1 и VMD с K=5 бяха анализирани и използвани за обезшумяване на постоянните времеви серии на ET. Остатъчната времева серия показва ниска амплитуда и високочестотна флуктуация, което предполага, че белият шум е елиминиран от оригиналния набор от данни за ET. Таблица 2 показва, че ефективността на обезшумяване на VMD (със SNR=42.6451 и RMSE=1.7934) е по-ефективна от тази на DWT (със SNR=40.8201 и RMSE{{15} }.2127). DWT има недостатъка, че вълновата основа трябва да бъде избрана предварително и също така е чувствителна към избора на прага. Следователно VMD е по-добър.

Както бе споменато, LSTM и SVM бяха използвани съответно за оценка на месечния ET. За всяко фиксирано входно измерение d в d=2, 3, …, 16, минималният MAPE беше избран от 5 репликации и оптималните хиперпараметри на WOA-LSTM и GWO-SVM бяха записани според минималния MAPE. Таблица 3 показва оптималните входни характеристики и хиперпараметри на предложените модели. Както е показано в таблица 3, MAPE на всеки модел, базиран на LSTM, е по-малък от този на базирания на SVM, което предполага, че моделите за дълбоко обучение значително превъзхождат плитките модели на ML; MAPE на единичния ML модел беше намален чрез свързване на ML модела с техниките за предварителна обработка на данни, което предполага, че производителността на ML модела може да бъде подобрена чрез използване на предварителна обработка на данни; Всички MAPE на хибридните модели с оптимални параметри са по-малки от тези на ML моделите с параметри по подразбиране, което показва, че ML моделите, интегрирани с мета-евристични алгоритми, имат умерено по-висока изчислителна производителност от тази на ML моделите с параметри по подразбиране; MAPE на хибридните модели DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM и VMD-WOA-LSTM са по-малки от тези на LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM и GWO-SVM, което предполага, че производителността на ML модела може да бъде значително подобрена чрез използване на предварителна обработка на данни и мета-евристичен алгоритъм.

Резултатите от оценката на ML моделите с минималния MAPE и оптималните хиперпараметри са представени на фиг. 6. Фигура 6 показва, че резултатите от всички предложени модели са в съответствие с повечето от точките в средния диапазон, но началната точка и екстремните стойности са надценени; Месечните ET времеви серии имат период от 12 месеца, оптималните входни размери на LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM и VMD-WOA-LSTM са приблизително равни на периода на ET времето серия (Таблица 3), което предполага, че LSTM може да се възползва напълно от моделите на исторически данни и ефективно да преодолее недостатъците на плитките ML модели. Като цяло хибридните модели DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM и VMD-WOA-LSTM имат по-добро оценяване на производителността от тази на други предложени модели.

Таблица 4 показва показателите за оценка на всеки модел в етапите на обучение и тестване, където средните показатели за оценка на ML моделите, оптимизирани от мета-евристични алгоритми, са отбелязани с удебелен шрифт. Както е показано в таблица 4, производителността на моделите DWT-LSTM, DWT-SVM, VMD-LSTM и VMD-SVM е по-добра от тази на LSTM и SVM в етап на тестване (таблица 4), което предполага, че предварителната обработка на данни е помощ за подобряване на оценката на производителността на ML моделите. Както е показано в таблица 4, показателите за оценка, включително MAE, MAPE, NMSE и RMSE на WOA-LSTM и GWO-SVM, са по-малки от тези на LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM и VMD-SVM , и NSCE се увеличават в различна степен, което показва, че оценката на ефективността на LSTM и SVM е значително подобрена, когато хиперпараметрите на LSTM и SVM са оптимизирани чрез използване на мета-евристични алгоритми.

Метриките за оценка на SVM, интегрирани с GWO, са по-малки от тези на LSTM, съчетани с техники за предварителна обработка на данни; Te MAPE на хибридния VMD-GWO-SVM е по-малък от този на други базирани на SVM модели и LSTM, DWT-LSTM, VMD-LSTM модели (Таблица 4), което предполага, че плитките ML модели са интегрирани с техники за предварителна обработка на данни и мета-евристични алгоритми може да се използва за оценка на ET. Като има предвид, че производителността на модела на плитките ML модели все още трябва да бъде подобрена. Както е показано в таблица 4, моделите за задълбочено обучение значително превъзхождат плитките ML модели, а производителността на модела на хибридните WOA-LSTM, DWT-WOA-LSTM и VMD-WOA-LSTM е по-добра от тази на базираните на SVM хибридни модели. В сравнение с VMD-GWO-SVM, MAPE на DWT-WOA-LSTM намалява от 23,22% на 18,90%, а NSCE се подобрява от 0.8754 на 0.8578; MAPE на VMD-WOA-LSTM е намален от 23,22% на 18,72%, а NSCE е подобрен от 0.8754 на 0,8917. Тези резултати показват, че хибридните модели DWT-WOA-LSTM и VMD-WOA-LSTM имат отлична способност за оценка на месечния ET спрямо други предложени методи. MAPE на хибридните модели VMD-WOA-LSTM е най-малкият сред предложените модели, което показва, че че VMD-WOA-LSTM е най-точният модел за оценка на месечния ET сред предложените модели. Следователно VMD-WOA-LSTM може да се препоръча като основен спомагателен метод за оценка на ET в пустинни региони.

Дискусия

Както бе споменато, хибридни модели, базирани на ML модели, техники за предварителна обработка на данни и мета-евристични алгоритми бяха предложени за оценка на ET в изследваната област. Като цяло, конструирането на хибридни ML модели е сложна и отнемаща време процедура6, 14–18. Хибридните ML модели обаче имат по-висока точност от физически базираните методи 20–23. Следователно използването на хибридните ML модели за прецизна оценка на ET е основен проблем в хидрологията и екологията.

Моделите на задълбочено обучение като цяло превъзхождат плитките модели на машинно обучение3. Въпреки това, само използването на ML модели за оценка на ET може да доведе до големи грешки, когато предварителната обработка на данните не е извършена7, 14–16. Както е показано на фиг. 4 и 5, събраните времеви редове на ET показват неравномерност и нестационарност, тъй като ET се определя от метеорологични фактори и е тясно свързан с влажността на почвата, геоморфологичните и растителните характеристики в пустинните региони. По този начин техниката за предварителна обработка на данни трябва да се използва за достигане до основните характеристики на вариацията от събраните времеви редове на ЕТ, за да се получат надеждни резултати от оценката. Методите за предварителна обработка на данни като DWT и VMD могат да се прилагат за елиминиране на шума от нелинейните и нестационарните времеви редове. Докато DWT е чувствителен към избора на праг, VMD е по-стабилен и ефективен метод за предварителна обработка на данни от емпиричния режим разлагане (EMD) и EEMD, които могат да се използват за премахване на шума от времеви серии чрез разлагане на нелинейния и нестационарен сигнал на няколко ограничени в лентата функции на вътрешния режим (IMFs)7,24. Следователно ефективността на обезшумяване на DWT е по-лоша от тази на VMD (Таблица 2).

Прегледът на литературата показва, че ML моделите, интегрирани с техники за предварителна обработка на данни, са ефективна стратегия за получаване на по-достоверни резултати от оценката7, 21–23, резултатите от нашето изследване също потвърждават това заключение. Както е показано в таблици 3 и 4, средните показатели за оценка на ML моделите, интегрирани с DWTor VMD, са по-малки от тези на единични SVM и LSTM модели. Следователно извличането на полезни функции чрез използване на техника за предварителна обработка на данни е необходимо за по-достоверни резултати от оценката (допълнителен файл 1).

Оценяващата производителност на ML моделите също може да бъде значително подобрена чрез свързване на ML модели с мета-евристични алгоритми. До известна степен е по-важно да се получат оптималните хиперпараметри на anML модела, отколкото да се избере подходящата техника за предварителна обработка на данни. Както е показано в таблици 3 и 4, оценката на производителността на ML модели, хибридизирани с техника за предварителна обработка на данни, беше значително подобрена, когато хиперпараметрите на LSTM и SVM бяха оптимизирани. В сравнение с DWT-SVM, VMD-SVM, DWT-LSTM и VMD-LSTM, положителните показатели за оценка на DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM и VMD-WOA -LSTM намаля, а отрицателните показатели се увеличиха в различна степен. По този начин изборът на хиперпараметри за ML модели беше изключително важен за подобряване на оценката на ефективността6,7,21–29.

Освен това, както беше заключено, основната цел на това проучване беше да предложи нов хибриден модел за оценка на ET чрез интегриране на LSTM с WOA и техники за предварителна обработка на данни, включително DWT и VMD. Производителността на VMD-WOA-LSTM беше сравнена с други хибридни модели по отношение на стандартни показатели за производителност. Сравнението на производителността на предложените модели показа, че хибридният модел VMDWOA-LSTM се представи по-добре от други базирани на ML модели при оценката на месечния ET в югоизточните граници на пустинята Tengger.

Изводи

В това проучване хибридните модели, базирани на VMD, WOA и LSTM, бяха предложени за оценка на ET с помощта на методите за анализ на времеви серии, където VMD беше използван за извличане на присъщите черти на ET времеви редове, а WOA беше използван за оптимизиране на хиперпараметрите на LSTM . Производителността на модела беше сравнена с действителния ET и оценка на други хибридни модели по отношение на MAE, MAPE, NMSE, RMSE и NSCE. Резултатите показват, че VMD-WOA-LSTM има по-точни резултати за оценка от други базирани на ML модели, които могат да бъдат препоръчани като основен спомагателен метод за оценка на ET в пустинни региони.

Наличност на данни

Всички данни, анализирани или генерирани по време на това проучване, са включени в допълнителната информация и са достъпни от съответните автори при разумно искане.

Препратки

1. Keshtegar, B., Piri, J. & Kisi, O. Нелинейно математическо моделиране на ежедневното изпарение в тигана, базирано на метода на конюгирания градиент. Електрон. Agric. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Оценка на изкуствената невронна мрежа и уравнението на Penman-Monteith за прогнозиране на стандартната евапотранспирация на ечемика в полусух регион. теор. Приложение Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Подобрено прогнозиране на ежедневното изпарение в съда с помощта на модела Deep-LSTM. Невронен компютър. Приложение 32, 7823 (2019).

4. Wen, X. et al. Модели, базирани на опорни вектори и машини за моделиране на дневна референтна евапотранспирация с ограничени климатични данни за изключително сухи региони. Воден ресурс. Управл. 29, 3195–3209 (2015).

5. Li, XR и др. Фундаментална екохидрология на екологичното възстановяване и възстановяване в регионите на пясъчните пустини на Китай (Science Press, 2016).

6. Wu, LF и др. Хибридна екстремна машина за обучение с мета-евристични алгоритми за месечно прогнозиране на изпарението в съда. Изчисл.Електрон. Агр. 168, 105–115 (2020).

7. Fu, TL et al. Нов интегриран метод, базиран на модел за машинно обучение за оценка на евапотранспирацията в сухите земи. J.Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Ефекти от интензивността на валежите и периодичността върху покритието на дървесната растителност и дълбоката влага на почвата в сухите екосистеми. J. Hydrol. 543, 270–282 (2016).

9. Li, XR и др. Екохидроложкият праг за оценка на стабилността на пясъчнозадържащата растителност в различни климатични зони. Екол. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com