Hybrid Y Cof Tymor Byr Hir Gyda Algorithm Optimeiddio Morfil A Dadelfeniad Modd Amrywiol Ar gyfer Amcangyfrif Anwedd-drydarthiad Misol

Mae cynaliadwyedd llystyfiant artiffisial sy'n rhwymo â thywod yn cael ei bennu gan y cydbwysedd dŵr rhwng anwedd-drydarthiad (ET) a dyddodiad mewn rhanbarthau anialwch. O ganlyniad, mae amcangyfrif ET yn gywir yn rhagofyniad hanfodol ar gyfer pennu mathau a dosbarthiad gofodol llystyfiant artiffisial ardaloedd tywodlyd di-fai. At y diben hwn, cynigiwyd model amcangyfrif hybrid newydd i amcangyfrif ET bob mis trwy gyplu'r cof tymor byr dysgu dwfn (LSTM) â modddecomposition amrywiadwy (VMD) ac algorithm optimeiddio morfilod (WOA) (hy, VMD-WOA-LSTM) i amcangyfrif y ET misol ar ymylon de-ddwyreiniol Anialwch Tengger.

Yn ystod y blynyddoedd diwethaf, mae llawer o adroddiadau am estroniaid ac UFOs nid yn unig wedi ennyn chwilfrydedd a brwdfrydedd pobl ond hefyd wedi ennyn edmygedd ac awydd pobl i archwilio bywyd allfydol.

Un o'r pynciau sydd wedi denu llawer o sylw yw lefel cudd-wybodaeth estroniaid. Mae llawer o bobl yn credu bod gan estroniaid wybodaeth sy'n llawer mwy na gwybodaeth bodau dynol, ac mae'r syniad hwn wedi'i ddosbarthu'n eang mewn nofelau a ffilmiau ffuglen wyddonol. Ond a yw estroniaid yn fwy deallus na bodau dynol? Os felly, a fyddai ganddynt atgofion cryfach?

Yn gyntaf, rhaid inni gyfaddef bod ein cysyniad o ddeallusrwydd estron yn dal i fod yn arwynebol iawn. Ni allwn fod yn sicr a yw estroniaid yn debyg i ni mewn deallusrwydd, heb sôn am a ydynt yn well na ni. Fodd bynnag, gallwn feddwl ac amcangyfrif y berthynas rhwng cof a deallusrwydd o safbwynt dynol.

O safbwynt dynol, rydym yn gwybod bod cydberthynas rhwng deallusrwydd a chof. Yn gyffredinol, mae gan bobl â lefelau uwch o ddeallusrwydd well cof. Mae hyn oherwydd bod pobl â lefelau uchel o ddeallusrwydd yn rhoi mwy o sylw i feddwl a rhesymu rhesymegol, ac yn fwy tebygol o integreiddio a chysylltu gwybodaeth trwy wahanol ddulliau cydberthynas. Mae'r ffordd hon o feddwl yn helpu i wella'r cof. Felly, mae cydberthynas rhwng lefel deallusrwydd perfformiad yr ymennydd, a chof.

Fodd bynnag, ni ddylem gymhwyso'r gydberthynas hon i estroniaid yn unig. Oherwydd ni allwn fod yn sicr a yw strwythur cudd-wybodaeth a strwythur ymennydd estroniaid yn debyg i fodau dynol. Gall fod gan estroniaid strwythurau deallusrwydd a strwythurau cof gwahanol na bodau dynol, felly gall y berthynas rhwng eu deallusrwydd a'u cof fod yn wahanol iawn.

Yn olaf, dylem fod yn sicr y bydd darganfod bywyd allfydol yn cael effaith fawr ar ddatblygiad gwyddoniaeth ddynol ac athroniaeth. Rhaid cynnal ymchwil ar ddeallusrwydd a chof estron hefyd ar sail wyddonol. Gobeithiwn, gyda datblygiad parhaus gwyddoniaeth a thechnoleg, y bydd bodau dynol yn gallu archwilio bywyd mwy estron a pharhau i symud ymlaen yn y broses o ddatrys eu dirgelion ac archwilio gwirionedd y bydysawd. Gellir gweld bod angen i ni wella cof, a gall Cistanche deserticola wella cof yn sylweddol oherwydd bod Cistanche deserticola yn ddeunydd meddyginiaethol Tsieineaidd traddodiadol sydd â llawer o effeithiau unigryw, ac un ohonynt yw gwella cof. Mae effeithiolrwydd briwgig yn dod o'r gwahanol gynhwysion gweithredol sydd ynddo, gan gynnwys asid, polysacaridau, flavonoidau, ac ati. Gall y cynhwysion hyn hybu iechyd yr ymennydd mewn gwahanol ffyrdd.

Cliciwch gwybod ffyrdd i wella gweithrediad yr ymennydd

Dewiswyd rhagoriaeth LSTM oherwydd ei allu i dynnu'r nodweddion aflinol ac ansefydlog o ddata dilyniannol yn awtomatig, defnyddiwyd WOA i wneud y gorau o hyperparamedrau LSTM, a defnyddiwyd VMD i echdynnu nodweddion cynhenid ​​cyfres amser ET. Mae canlyniadau amcangyfrifedig VMD-WOA-LSTM wedi'u cymharu ag ET gwirioneddol ac amcangyfrif o fodelau hybrid eraill o ran metrigau perfformiad safonol. Datgelodd Theresults fod VMD-WOA-LSTM yn darparu canlyniadau amcangyfrif mwy cywir a dibynadwy na LSTM, y peiriant fector cymorth (SVM), ac amrywiadau’r modelau hynny. Felly, gellid argymell VMD-WOALSTM fel dull ategol hanfodol i amcangyfrif ET mewn rhanbarthau anialwch.

Mae anwedd-drydarthiad (ET) yn broses ffisegol a biolegol aflinol iawn, sy'n cysylltu'r prosesau ecolegol a hydrolegol â'r cydbwysedd dŵr1,2. Mae'n elfen ganolog o gydbwysedd dŵr ac ynni rhanbarthol ac mae'n gyswllt arwyddocaol yn y system pridd-planhigion-awyrgylch (SPA)3. Mae amcangyfrif ET yn gywir yn rhagofyniad hanfodol mewn rheolaeth amgylcheddol4-6, yn enwedig mewn rhanbarthau anialwch sydd ag ardaloedd mawr o lystyfiant sy'n rhwymo tywod artiffisial, lle mae cynaliadwyedd llystyfiant artiffisial sy'n rhwymo â thywod yn cael ei bennu gan y cydbwysedd dŵr rhwng ET a dyddodiad5,7. Yn ogystal, bydd newid yn yr hinsawdd, yn enwedig newidiadau mewn patrymau cynhesu a dyodiad, yn anochel yn cael effaith ddofn ar gynaliadwyedd llystyfiant artiffisial7,8.

Yn wahanol i lystyfiant naturiol, mae llystyfiant artiffisial sy'n rhwymo tywod wedi'i sefydlu gyda phwrpas a swyddogaeth arbennig, gall amcangyfrif cywir o ET ddarparu cyfeiriad ar gyfer deall y cydbwysedd dŵr a phennu cyfansoddiad, strwythur, dosbarthiad gofodol, a graddfa llystyfiant artiffisial sy'n rhwymo tywod yn rhanbarthau anialwch9,10.Fodd bynnag, cymhwysir dulliau corfforol (ee, dull Priestley-Taylor, dull Hargreaves, dull cywiredig yr FAO-24 dull Penman, FAO-56 dull Penman-Monteith, ac ati) yw gyfyngedig iawn oherwydd y diffyg paramedrau meteorolegol gofynnol (ee gwres cudd anweddu, ymbelydredd solar, lleithder cymharol, tymheredd yr aer, ac ati) mewn rhanbarthau anialwch4,6,2-12. Felly, mae adeiladu mathau eraill o fodelau sy'n cael eu gyrru gan ddata i gael canlyniadau amcangyfrif cywir yn ddymunol iawn.

Yn ddiweddar, mae'r modelau dysgu peiriant (ML), gan gynnwys rhwydweithiau niwral ôl-lluosogi (BPNN)13, perceptron amlhaenog (MLP)2, rhwydweithiau niwral artiffisial aml-haen (MLNN)6, peiriant fector cymorth (SVM)7,12, peiriant dysgu eithafol (ELM) 6, Coeden Model (MT)14,15, coedwig ar hap (RF)6, rhwydweithiau niwral tonfedd (WNN)16, swyddogaeth sail rheiddiol (RBF)17, ac ati, wedi'u defnyddio'n ddramatig i amcangyfrif anweddiad neu ET sy'n ddyledus i'w allu i ddysgu nodweddion yn awtomatig a heb fod angen unrhyw ragdybiaethau. Gan fod gan fodelau ML y diffygion y mae'r hyperparameters yn anodd eu haddasu ar eu pen eu hunain, sy'n lleihau cywirdeb cyfrifiadurol yn sylweddol. Er mwyn goresgyn anfanteision modelau ML, algorithmau meta-heuristaidd megis algorithm peillio blodau (FPA)6, algorithm pryfed tân (FFA)11, algorithm diferion dŵr deallus (IWD)12, algorithm optimeiddio morfilod (WOA)18, algorithm optimizer blaidd llwyd ( GWO) 19,20, ac ati, i bennu hyperparamedrau gorau posibl modelau ML. Mae astudiaethau wedi dangos bod gan fodelau ML ynghyd ag algorithmau meta-heuristaidd berfformiad cyfrifiadurol uwch na modelau ML sengl a dulliau ffisegol12,16,18,21,22.

Gan fod paramedrau meteorolegol, lleithder pridd, a nodweddion llystyfiant yn effeithio'n agos ar ET12, mae'r gyfres amser ET fesuredig yn cymryd llawer o bwyntiau miniog ac anwadal, sy'n lleihau'r cywirdeb amcangyfrif yn sylweddol12. Er mwyn cael canlyniadau amcangyfrif mwy credadwy, defnyddiwyd technegau rhag-brosesu data, gan gynnwys trawsnewid tonnau arwahanol (DWT)23, dadelfeniad modd empirig ensemble (EEMD)14,15, a dadelfennu modd amrywiadol (VMD)7,24, ac ati, i ddadelfennu Amledd cyfres amser ET i wahanol gydrannau a chael y wybodaeth ofynnol ar lefelau lluosog7,14,23,24. Mae adolygiad o lenyddiaeth yn dangos y gall technegau rhag-brosesu data sydd wedi’u hybrideiddio â modelau ML wella perfformiad y model yn sylweddol16,25. Yn hyn o beth, cysylltodd Gocićet al.22 SVM â DWT ac algorithm firefly (FFA) i amcangyfrif cyfeirnod ET yn Serbia, lle cyflogwyd FFA i bennu hyperparamedrau SVM. Mae'r canlyniadau'n dangos mai DWT-FFA-SVM yw'r dull amcangyfrif gorau ar gyfer amcangyfrif cyfeirnod ET. Cynigiodd Pammar a Deka[24]DWT-SVM hybrid i amcangyfrif anweddiad y badell ddyddiol yn Karnataka, India. Mae'r canlyniadau hefyd yn cadarnhau y gall SVM ynghyd â DWT wella cywirdeb amcangyfrif. Integreiddiodd Rezaie-Balf et al.15 EEMD gyda choeden fodel SVM a M5 (M5T) ar wahân fodelau anweddiad sosban misol gorsaf Siirt a gorsaf Diyarbakir yn Nhwrci, a chyflwynodd y modelau arfaethedig gywirdeb llawer uwch. Cynigiodd Fu et al.7 fodelau hybrid trwy gyfuno'r DWT, EEMD, aVMD gyda SVM a GWO-SVM ar wahân i amcangyfrif yr ET misol. Dangosodd y canlyniadau fod VMD aDWT yn arddangos perfformiad cyn-brosesu gwell na pherfformiad EEMD, ac roedd cywirdeb amcangyfrif VMDGWO-SVM yn uwch na DWT-GWO-SVM ac EEMD-GWO-SVM.

Mae'r gwaith blaenorol yn canolbwyntio'n bennaf ar ddefnyddio modelau ML bas i amcangyfrif ET2,4,6,7,2–18,21–23. Mae'n hysbys bod gan y modelau ML bas anfanteision na allant dynnu'n ddigonol y nodweddion aflinol ac ansefydlog cudd o'r gyfres amser ET25. Felly, mae cof tymor byr hir (LSTM)3,26, rhwydwaith niwral dwfn (DNN)27, rhwydwaith niwral troelliad amser (TCN)27, a rhwydwaith niwral cylchol (RNN)28 wedi'u defnyddio i amcangyfrif ET neu anweddiad yn seiliedig ar feteorolegol cyfyngedig). data. Ar gyfer, defnyddiodd Majhi et al.3 fformiwla LSTM, MLNN, Hargreaves, a fformiwla Blaney-Criddle i amcangyfrif anweddiad dyddiol sosban cyflwr Chhattisgarh yn India. . Amcangyfrifodd Chen et al.27 y cyfeirnod dyddiol ET yng ngwastadedd Gogledd-ddwyrain Tsieina trwy ddefnyddio model LSTM, DNN, TCN, SVM, RF, Hargreaves, dull Ritchie, model Priestley-Talor, fformiwla Makkink, model Romanenko, a fformiwla Schendel, yn y drefn honno. Mae'r canlyniadau'n dangos bod gan yr LSTM, TCN, a DNN berfformiad amcangyfrif gwell na'r modelau ML bas a'r modelau empirig yn absenoldeb paramedrau meteorolegol. Defnyddiodd Granata a Di Nunno28 LSTM a NARX i amcangyfrif ET Cypress Swamp a Kobeh Valleyin UDA. Dengys y canlyniadau fod modelau dysgu dwfn yn fwy manwl gywir na modelau ML bas oherwydd y strwythur hierarchaidd uchel.

Mae hyperparameters modelau ML yn pennu cywirdeb cyfrifiadurol yn uniongyrchol, ond m. Still, ni all mostmodels y hyperparameters gorau posibl gan eu hunain, ac LSTM yn eithriad. Mae hyperparameters LSTM, gan gynnwys nifer yr haenau cudd (HL), nifer yr unedau cudd (HU), cyfnodau, a chyfradd dysgu (LR)26, yn effeithio'n sylweddol ar berfformiad amcangyfrifedig LSTM. Fodd bynnag, hyd eithaf gwybodaeth yr awduron, ychydig iawn o ddefnydd a wnaed o LSTM ynghyd ag algorithmau meta-heuristig i amcangyfrif anweddiad neu EThas.

Ardal astudiaeth a data

Cynhaliwyd yr ymchwil ar ymylon de-ddwyreiniol Anialwch Tengger (37 gradd 32'N, 105 gradd 02'E). Y prif fath o dirwedd yw twyni delltwaith gwasgaredig9,10. Er mwyn atal niwed stormydd tywod i'r Baotou-Lanzhourailway, sefydlodd Academi Gwyddorau Tsieineaidd ac unedau rheilffordd perthnasol wregysau ail-lystyfiant artiffisial ym 1956a a'u hymestyn ym 1964a, 1981a, a 1987a. Gosodwyd rhwystr tywod mecanyddol sy'n berpendicwlar i gyfeiriad y prif wynt ar y twyni symudol, gosodwyd byrddau gwirio gwellt (1 m × 1 m) y tu ôl i'r rhwystr tywod mecanyddol, a phlannwyd eginblanhigion llwyni xeric dwy flynedd yn yr un ffurfweddiad mewn modd segur. bylchiad planhigion a bylchiad rhesi o 1 m × 2 m neu 2 m × 3 m o dan gyflwr dim dyfrhau. Ar ôl mwy na hanner canrif o olyniaeth, mae nifer y rhywogaethau planhigion naturiol wedi cynyddu o 25 i 453, a gorchudd y llystyfiant wedi cynyddu o lai nag 1% i 42.3%. Mae parth gosod tywod atal gwynt biolegol sydd â hyd o 16 km a lled o 200-1000 m wedi'i ffurfio'n raddol. Mae'r llystyfiant tywod-rhwymo artiffisial a sefydlwyd mewn gwahanol flynyddoedd (1956a, 1964a, 1981a, a 1987a) yn cael eu dosbarthu ar ddwy ochr y rheilffordd yn gyfochrog, a lwyddodd i atal difrod difrod tywod a chwythwyd gan y gwynt i draffig y rheilffordd a gwella'r amgylchedd ecolegol yn sylweddol. o ardal yr astudiaeth. Gan fod sefydlogrwydd a chynaliadwyedd y llystyfiant hwnnw'n dibynnu ar y cydbwysedd dŵr rhwng ET a dyddodiad7,9,10, mae o arwyddocâd damcaniaethol ac ymarferol mawr i amcangyfrif ET yn gywir ar gyfer diogelu a defnyddio llystyfiant artiffisial sy'n rhwymo tywod7,10.

Yn yr astudiaeth hon, roedd y data ET misol a fesurwyd rhwng Ionawr 1991 a Rhagfyr 2018, y data rhwng Ionawr 1991 a Rhagfyr 2010 yn cael eu hystyried fel y set hyfforddi, a defnyddiwyd y gweddill fel y set brofi. Mae Tabl 1 yn dangos prif fetrigau ystadegol y gyfres amser ET fisol yn ardal yr astudiaeth.

Methodoleg

Fframwaith y modelau arfaethedig. Mae LSTM yn rhwydwaith niwral cylch amser newydd a all oresgyn y broblem graddiant ddiflannu yn RNN trwy ychwanegu ffurf cadwyn o fodiwlau rhwydwaith niwral ailadroddus i storio gwybodaeth berthnasol25,26. Mae'n defnyddio'r egwyddor weithredol o "dau i mewn a dau allan" i ddatrys y broblem o ddibyniaeth trefn hir26. Yn yr astudiaeth hon, dewiswyd LSTM fel y prif fodiwlaidd i amcangyfrif bod gan y ddeuawd ET misol i'r LSTM y gallu rhagorol i fynd i'r afael â phatrymau aflinol ymhlith y gyfres amser27,28. Yn ogystal, defnyddiwyd SVM hefyd i amcangyfrif ET gan fod gan SVM well gallu i addasu i ddatrys dosbarth ehangach o broblemau gosod aflinol (ee amcangyfrif ET) na modelau ML bas eraill (ee, BPNN, WNN, ELM, MT, ac MLP) 29.

Gan fod DWT yn sensitif i sail y donfedd a'r trothwy, mae EMD yn dioddef o anfantais gynhenid ​​o modemixing7,24, ac mae EEMD yn bodoli effeithiau endpoint7. Mae VMD yn ddull cyn-brosesu data mwy cadarn ac addasol na DWT, EMD, ac EEMD24, mae'n goresgyn diffygion y dulliau hynny i bob pwrpas ac yn tynnu'r prif nodweddion amrywiad o'r gyfres amser afreoleidd-dra ac ansefydlogrwydd24. Yn yr astudiaeth hon, defnyddiwyd VMD i dynnu'r prif nodweddion amrywiad o set ddata ET. I gymharu perfformiad dadleuol VMD, dewiswyd DWT fel y cyfeiriad. Rhannwyd allbwn DWT, VMD, a'r gyfres amser ET a gasglwyd yn setiau hyfforddi a setiau profi, a'u bwydo i fodelau ML i amcangyfrif ET, yn y drefn honno.

Er mwyn gwella effeithlonrwydd hyfforddi modelau ML, defnyddiwyd y dull normaleiddio lleiafswm7,22 i normaleiddio setiau data mewnbwn ac allbwn. Penderfynwyd ar setiau mewnbwn ac allbwn y SVM a'r LSTM gan ddefnyddio'r dull dewis hydredol (LS)7, sef, cynrychiolir y grŵp o samplau hyfforddi gan fector o I i k − q, dynodir yr allbwn hyfforddi fel fector o I + d − 1 i k − q, mae'r fector allbwn profi yn cael ei gynrychioli gan fector o k − q + 1 i k, lle mae i, d, k a q yn dynodi'r man cychwyn, y dimensiwn mewnbwn, maint y data set, a hyd yr allbwn profi, yn y drefn honno. Mae Ffigur 1 yn dangos y diagram sgematig o'r dull LS gyda i=1, d=3, a k=336.

Mae WOA yn algorithm meta-hewristig newydd effeithlon a sefydlog18, a ddefnyddiwyd yn eang i ddatrys problemau optimeiddio aflinol, gan gynnwys optimeiddio hyperparamedrau modelau ML bas ar gyfer amcangyfrif anweddiad neu ET. Fodd bynnag, nid oes unrhyw ymchwilydd wedi cynnig model hybrid trwy gyplu LSTM â meta-hewristiggorithmau i amcangyfrif ET. Felly, defnyddiwyd y WOA i wneud y gorau o hyperparamedrau LSTM i gael canlyniadau amcangyfrifedig mwy cywir. Mae Ffigur 2 yn dangos siart llif WOA-LSTM. Dynodir y WOA-LSTM ynghyd â VMD fel VMD-WOA-LSTM.

Profwyd rhagoriaeth VMD-WOA-LSTM trwy gymharu'r perfformiad amcangyfrifedig â LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM, a VMD-GWO-SVM, lle mae GWO-SVM yn nodi bod y C a G gorau o SVM wedi'u pennu trwy ddefnyddio algorithm GWO, mae Ffig. 3 yn dangos siartiau llif GWO-SVM. Yn y prosesau efelychu rhifiadol, defnyddiwyd y gwall canrannol absoliwt cymedrig (MAPE) fel y swyddogaeth ffitrwydd i bennu hyperparamedrau optimaidd modelau ML. Dylid nodi bod egwyddorion mathemategol y dulliau a ddefnyddir yn y papur hwn, gan gynnwys DWT, VMD, SVM, LSTM, GWO, a WOA, i'w cael yn y llenyddiaeth berthnasol, felly mae disgrifiad mathemategol y dulliau hyn wedi'i hepgor.

Metrigau ar gyfer gwerthuso perfformiad. Mae'r dadansoddiad gwall yn cael ei berfformio gan ddefnyddio'r metrigau gwerthuso, gan gynnwys y gwall absoliwt cymedrig (MAE), MAPE, gwall sgwâr cymedrig normaleiddio (NMSE), gwall sgwâr cymedrig gwraidd (RMSE), a chyfernod effeithlonrwydd Nash-Sutcliffe (NSCE). Mae diffiniadau’r metrigau gwerthuso hynny fel a ganlyn:

lle mae yi ac yi yn dynodi'r canlyniad dymunol ac amcangyfrifedig. Yn gyffredinol, defnyddir yr MAE, MAPE, NMSE, ac RMSE i fesur y gwyriad rhwng y canlyniad dymunol ac amcangyfrifedig, mae'r perfformiad amcangyfrif yn well pan fo gwerthoedd y metrigau gwerthuso hyn yn llai. Gan fod MAPE yn gymharol fwy sefydlog ymhlith y meini prawf hyn, defnyddir NSCE yn gyffredinol i bennu effeithlonrwydd model yn y maes hydrolegol (mae NSCE yn agos at 1 yn nodi bod gan y model arfaethedig ffitrwydd da). Felly, dewiswyd MAPE aNSCE fel y prif feincnodau i werthuso perfformiad model y modelau arfaethedig.

Gosodiadau paramedr. Mae perfformiad amcangyfrif gwahanol fodelau yn cael ei bennu'n bennaf gan y dewis paramedr. Mae Tabl 2 yn dangos paramedrau allweddol y DWT a'r VMD. Nifer yr asiantau chwilio ac uchafswm iteriadau algorithmau WOA a GWO oedd 5 ac 100, yn y drefn honno. Maint swp bach yr holl fodelau seiliedig ar LSTM oedd 128. Yr ystod o HL, HU, Epochs, a LR o WOA-LSTM oedd [1, 2{00], [1,200], [10, 100 ], a [0.001, 0.01], yn y drefn honno. O ran GWO-SVM, yr ystod o C a G oedd [0.01, 100].

Canlyniadau

Mae Ffigurau 4 a 5 yn dangos canlyniadau DWT a VMD. Fel y dangosir yn Ffigys. 4 a 5, mae gan y cyfresi amseroedd ET misol a gesglir lawer o bwyntiau sydyn ac anwadal, a fydd yn effeithio ar y perfformiad amcangyfrif. I ddatrys y patrymau problemus hyn mewn prosesau amcangyfrif ET, dadansoddwyd a chyflogwyd y db4 gyda lefel 1 a VMD gyda K=5 i wanhau'r gyfres amser ET gyson. Mae'r gyfres amser gweddilliol yn dangos osgled isel ac amrywiad amledd uchel, sy'n awgrymu bod y sŵn gwyn wedi'i ddileu o'r set ddata ET wreiddiol. Mae Tabl 2 yn dangos bod perfformiad dadleuol VMD (gyda SNR=42.6451 a RMSE=1.7934) yn fwy effeithlon na pherfformiad DWT (gyda SNR=40.8201 a RMSE{{15} }.2127). Mae gan DWT yr anfantais y dylid dewis sail y donfedd ymlaen llaw, ac mae hefyd yn sensitif i ddewis y trothwy. Felly, mae VMD yn well.

Fel y crybwyllwyd, defnyddiwyd LSTM a SVM i amcangyfrif yr ET misol, yn y drefn honno. Ar gyfer pob dimensiwn mewnbwn sefydlog d yn d=2, 3, …, 16, dewiswyd y lleiafswm MAPE o 5 atgynhyrchiad, a chofnodwyd hyperparameters optimaidd y WOA-LSTM a GWO-SVM yn ôl yr isafswm MAPE. Mae Tabl 3 yn dangos y nodweddion mewnbwn gorau posibl a hyperparameters y modelau arfaethedig. Fel y dangosir yn Nhabl 3, mae MAPE model sy'n seiliedig ar eachLSTM yn llai na'r model seiliedig ar SVM, sy'n awgrymu bod y modelau dysgu dwfn wedi perfformio'n sylweddol well na'r modelau ML bas; Lleihawyd y MAPE o'r model ML sengl trwy gyplysu'r model ML â'r technegau rhag-brosesu data, sy'n awgrymu y gellir gwella perfformiad model ML trwy ddefnyddio'r rhag-brosesu data; Mae MAPE o'r modelau hybrid gyda pharamedrau gorau oll yn llai na modelau theML gyda pharamedrau rhagosodedig, sy'n dangos bod gan fodelau ML sydd wedi'u hintegreiddio ag algorithmau meta-heuristaidd berfformiad cyfrifiadurol cymharol uwch na'r modelau ML â pharamedrau rhagosodedig; Mae MAPE o fodelau hybrid DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM, a VMD-WOA-LSTM yn llai na modelau LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM, a GWO-SVM, yn awgrymu y gellir gwella perfformiad model ML yn sylweddol trwy ddefnyddio'r algorithm rhag-brosesu data a meta-heuristig.

Cyflwynir canlyniadau amcangyfrif y modelau ML gyda'r lleiafswm MAPE a'r hyperparameters optimaidd yn Ffig. 6. Mae Ffigur 6 yn dangos bod canlyniadau'r holl fodelau arfaethedig yn gyson â'r rhan fwyaf o'r pwyntiau yn yr ystod ganol, ond y man cychwyn a'r gwerthoedd eithafol yn cael eu goramcangyfrif; Mae gan gyfresi amser ET misol gyfnod o 12 mis, mae dimensiynau mewnbwn gorau posibl LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM, a VMD-WOA-LSTM bron yn hafal i gyfnod yr amser ET cyfres (Tabl 3), sy'n awgrymu y gall LSTM fanteisio'n llawn ar batrymau data hanesyddol a goresgyn anfanteision modelau ML bas yn effeithiol. Ar y cyfan, mae gan y modelau hybrid DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM, a VMD-WOA-LSTM berfformiad sy'n amcangyfrif perfformiad yn well na modelau arfaethedig eraill.

Mae Tabl 4 yn dangos metrigau gwerthuso pob model yn y camau hyfforddi a phrofi, lle mae cyfartaledd gwerthuso'r modelau ML sydd wedi'u hoptimeiddio gan algorithmau meta-heuristaidd wedi'u marcio mewn print trwm. Fel y dangosir yn Nhabl 4, mae perfformiad model modelau DWT-LSTM, DWT-SVM, VMD-LSTM, a VMD-SVM yn well na pherfformiad LSTM a SVM yn y cam profi (Tabl 4), sy'n awgrymu bod y rhag-brosesu data yn cymorth i wella perfformiad amcangyfrif modelau ML. Fel y dangosir yn Nhabl 4, mae'r metrigau gwerthuso gan gynnwys MAE, MAPE, NMSE, ac RMSE WOA-LSTM a GWO-SVM i gyd yn llai na rhai LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM, a VMD-SVM , a NSCE wedi cynyddu i raddau amrywiol, sy'n dangos bod perfformiad amcangyfrifol LSTM a SVM yn cael eu gwella'n sylweddol pan fydd hyperparameters LSTM a SVM yn cael eu optimeiddio trwy ddefnyddio algorithmau meta-heuristaidd.

Mae metrigau gwerthuso SVM sydd wedi'u hintegreiddio â GWO i gyd yn llai na rhai'r LSTM ynghyd â thechnegau prosesu data; Mae Te MAPE o VMD-GWO-SVM hybrid yn llai na modelau SVM eraill a modelau LSTM, DWT-LSTM, VMD-LSTM (Tabl 4), sy'n awgrymu bod modelau ML bas wedi'u hintegreiddio â thechnegau cyn-brosesu data ac algorithmau meta-hewristig. gellir ei gyflogi i amcangyfrif ET. Tra, mae angen gwella perfformiad model modelau ML bas o hyd. Fel y dangosir yn Nhabl 4, perfformiodd y modelau dysgu dwfn yn sylweddol well na'r modelau ML bas, ac mae perfformiad model hybrid WOA-LSTM, DWT-WOA-LSTM, a VMD-WOA-LSTM yn well na pherfformiad y modelau hybrid seiliedig ar SVM. O'i gymharu â VMD-GWO-SVM, gostyngodd MAPE DWT-WOA-LSTM o 23.22% i 18.90%, a gwellodd NSCE o 0.8754 i {{34}.8578; gostyngwyd MAPE VMD-WOA-LSTM o 23.22% i 18.72%, a gwellwyd NSCE o 0.8754 i 0.8917. Mae'r canlyniadau hynny'n dangos bod gan y modelau hybrid DWT-WOA-LSTM aVMD-WOA-LSTM allu rhagorol i amcangyfrif yr ET misol dros ddulliau arfaethedig eraill. MAPE y modelau hybrid VMD-WOA-LSTM yw'r lleiaf ymhlith y modelau arfaethedig, gan nodi mai VMD-WOA-LSTM yw'r model mwyaf manwl gywir i amcangyfrif yr ET misol ymhlith y modelau arfaethedig. Felly, gellid argymell VMD-WOA-LSTM fel dull ategol hanfodol i amcangyfrif ET mewn rhanbarthau anialwch.

Trafodaeth

Fel y crybwyllwyd, cynigiwyd modelau hybrid yn seiliedig ar fodelau ML, technegau rhag-brosesu data, a meta-hewristiggorithmau i amcangyfrif ET yn ardal yr astudiaeth. Yn gyffredinol, mae adeiladu'r modelau ML hybrid yn weithdrefn gymhleth sy'n cymryd llawer o amser6,14-18. Fodd bynnag, mae gan y modelau ML hybrid gywirdeb uwch na'r dulliau ffisegol20–23. Felly, mae defnyddio'r modelau ML hybrid i amcangyfrif yr ET yn fanwl gywir yn fater craidd mewn hydroleg ac ecoleg.

Yn gyffredinol, perfformiodd y modelau dysgu dwfn yn well na'r modelau ML bas3. Fodd bynnag, gall defnyddio modelau ML yn unig i amcangyfrif ET arwain at wallau mawr pan na fydd y rhag-brosesu data yn cael ei wneud7,14-16. Fel y dangosir yn Ffigys. 4 a 5, mae'r gyfres amser ET a gasglwyd yn dangos afreoleidd-dra ac ansefydlogrwydd gan fod ET yn cael ei bennu gan ffactorau meteorolegol ac yn perthyn yn agos i nodweddion lleithder pridd, geomorffolegol a llystyfiant mewn rhanbarthau anial. Felly, dylid defnyddio'r dechneg rhagbrosesu data i gyrraedd y prif nodweddion amrywiad o'r gyfres amser ET a gasglwyd i gael canlyniadau amcangyfrif credadwy. Gellir cymhwyso'r dulliau rhagbrosesu data fel DWT a VMD i ddileu'r sŵn o'r gyfres amser aflinol ac ansefydlog.Wrth fod DWT yn sensitif i ddewis trothwy, mae VMD yn ddull prosesu data mwy cadarn ac effeithiol na'r modd empirig dadelfennu (EMD), ac EEMD, y gellir eu defnyddio i dynnu'r sŵn o'r gyfres amser trwy ddadelfennu'r signal aflinol ac ansefydlog yn sawl swyddogaeth modd cynhenid ​​â chyfyngiad band (IMFs)7,24. Felly, mae perfformiad dadelfennu DWT yn waeth na pherfformiad VMD (Tabl 2).

Mae adolygiad llenyddiaeth yn dangos bod y modelau ML sydd wedi’u hintegreiddio â thechnegau rhag-brosesu data yn strategaeth effeithiol ar gyfer cael canlyniadau amcangyfrif mwy credadwy7, 21–23, mae canlyniadau ein hymchwil hefyd yn cadarnhau’r casgliad hwn. Fel y dangosir yn Nhablau 3 a 4, mae cyfartaledd metrigau gwerthuso'r modelau ML sydd wedi'u hintegreiddio â DWTor VMD i gyd yn llai na'r modelau SVM a LSTM sengl. Felly, mae echdynnu nodweddion defnyddiol trwy ddefnyddio techneg rhagbrosesu data yn angenrheidiol ar gyfer amcangyfrif canlyniadau mwy credadwy (Ffeil Atodol 1).

Gellir gwella perfformiad amcangyfrifol y modelau ML yn sylweddol hefyd trwy gyplu modelau ML ag algorithmau meta-hewristig. I ryw raddau, mae'n bwysicach cael y hyperparameters gorau posibl o fodel anML na dewis y dechneg ragbrosesu data priodol. Fel y dangosir yn Nhablau 3 a 4, roedd perfformiad amcangyfrifedig modelau ML wedi'u hybrideiddio â thechneg rhagbrosesu data wedi'i wella'n sylweddol pan gafodd hyperparamedrau LSTM a SVM eu hoptimeiddio. O'i gymharu â DWT-SVM, VMD-SVM, DWT-LSTM, a VMD-LSTM, mae metrigau gwerthuso cadarnhaol DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM, a VMD-WOA - Gostyngodd LSTM, a chynyddodd y dangosyddion negyddol i raddau amrywiol. Felly, roedd dewis hyperparamedrau ar gyfer modelau ML yn hanfodol bwysig i wella'r perfformiad amcangyfrif 6,7,21-29.

Ymhellach, fel y casglwyd, prif amcan yr astudiaeth hon oedd cynnig model hybrid newydd i amcangyfrifET trwy integreiddio LSTM gyda WOA a thechnegau rhagbrosesu data, gan gynnwys DWT a VMD. Cymharwyd perfformiad VMD-WOA-LSTM â modelau hybrid eraill o ran metrigau perfformiad safonol. Dangosodd cymhariaeth perfformiad y modelau arfaethedig fod y model hybrid VMDWOA-LSTM yn perfformio'n well na modelau eraill sy'n seiliedig ar ML wrth amcangyfrif yr ET misol ar ymylon de-ddwyreiniol Anialwch Tengger.

Casgliadau

Yn yr astudiaeth hon, cynigiwyd y modelau hybrid yn seiliedig ar y VMD, WOA, a LSTM i amcangyfrif ET gan ddefnyddio dulliau dadansoddi cyfres amser, lle defnyddiwyd VMD i echdynnu nodweddion cynhenid ​​cyfres amser ET, a chyflogwyd WOAwas i optimeiddio hyperparamedrau LSTM. . Cymharwyd perfformiad y model â realET ac amcangyfrif o fodelau hybrid eraill o ran MAE, MAPE, NMSE, RMSE, ac NSCE. Mae'r canlyniadau'n nodi bod gan VMD-WOA-LSTM ganlyniadau amcangyfrif mwy cywir na modelau eraill sy'n seiliedig ar ML, y gellir eu hargymell fel dull ategol hanfodol i amcangyfrif ET mewn rhanbarthau anialwch.

Argaeledd data

Mae'r holl ddata a ddadansoddwyd neu a gynhyrchir yn ystod yr astudiaeth hon wedi'u cynnwys yn y Wybodaeth Atodol ac maent ar gael gan yr awduron cyfatebol ar gais rhesymol.

Cyfeiriadau

1. Keshtegar, B., Piri, J. & Kisi, O. Modelu mathemategol aflinol o anweddiad padell dyddiol yn seiliedig ar ddull graddiant cyfun.Comput. Electron. Amaeth. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Gwerthusiad o rwydwaith niwral artiffisial a hafaliad Penman-Monteith ar gyfer rhagfynegi anwedd-drydarthiad safonol haidd mewn rhanbarth lled-gras. Teor. Appl. Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Gwell rhagfynegiad o anweddiad padell dyddiol gan ddefnyddio'r model Deep-LSTM. Cyfrifiadur Niwral. Appl. 32, 7823 (2019).

4. Wen, X. et al. Modelau cymorth-fector-peiriant ar gyfer modelu anwedd-drydarthiad cyfeirio dyddiol gyda data hinsoddol cyfyngedig mewn rhanbarthau cras eithafol. Adnodd Dwr. Manag. 29, 3195–3209 (2015).

5. Li, XR et al. Ecohydroleg Sylfaenol Adfer ac Adfer Ecolegol yn Rhanbarthau Anialwch Tywod Tsieina (Gwasg Gwyddoniaeth, 2016).

6. Wu, LF et al. Peiriant dysgu eithafol hybrid gydag algorithmau meta-heuristaidd ar gyfer rhagfynegi anweddiad padell fisol. Cyfrifiadur.Electron. Agr. 168, 105–115 (2020).

7. Fu, TL et al. Dull integredig newydd yn seiliedig ar fodel dysgu peirianyddol ar gyfer amcangyfrif anwedd-drydarthiad mewn tir sych. J.Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Effeithiau dwyster glawiad ac ysbeidiol ar orchudd llystyfiant coediog a lleithder pridd dwfn mewn ecosystemau tir sych. J. Hydrol. 543, 270–282 (2016).

9. Li, XR et al. Y trothwy eco-hydrolegol ar gyfer gwerthuso sefydlogrwydd llystyfiant sy'n rhwymo tywod mewn gwahanol barthau hinsoddol.Ecol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com