Ibrid memwa a kout tèm ak algorithm optimize balèn ak dekonpozisyon mòd varyasyon pou estimasyon evapotranspirasyon chak mwa.

Se balans dlo ant evapotranspirasyon (ET) ak presipitasyon nan rejyon dezè yo ki detèmine dirabilite vejetasyon atifisyèl ki fikse sab. Se poutèt sa, estime ET se yon kondisyon esansyèl pou detèmine kalite ak distribisyon espasyal nan vejetasyon atifisyèl zòn sab endiferan. Pou rezon sa a, yo te pwopoze yon nouvo modèl estimasyon ibrid pou estime ET chak mwa pa kouple memwa alontèm (LSTM) aprantisaj pwofon ak mòd dekonpozisyon varyasyon (VMD) ak algorithm optimize balèn (WOA) (sa vle di, VMD-WOA-LSTM) pou estime ET chak mwa nan maj sidès dezè Tengger.

Nan dènye ane yo, anpil rapò sou etranje ak ovni pa sèlman te eksite kiryozite ak antouzyasm moun, men tou te eksite admirasyon ak dezi moun yo eksplore lavi ekstraterès.

Youn nan sijè ki te atire anpil atansyon se nivo entèlijans etranje yo. Anpil moun kwè ke etranje gen entèlijans ki pi lwen pase sa nan moun, e lide sa a te lajman sikile nan woman syans fiksyon ak sinema. Men, èske etranje yo pi entelijan pase moun? Si se konsa, èske yo ta gen memwa pi fò?

Premyèman, nou dwe admèt ke konsèp nou an nan entèlijans etranje toujou trè supèrfisyèl. Nou pa ka sèten si etranje yo sanble ak nou nan entèlijans, kite pou kont li si yo pi bon pase nou. Sepandan, nou ka tou senpleman panse ak estime relasyon ki genyen ant memwa ak entèlijans nan yon pèspektiv imen.

Soti nan yon pèspektiv imen, nou konnen gen yon korelasyon ant entèlijans ak memwa. Moun ki gen pi wo nivo entèlijans jeneralman gen pi bon memwa. Sa a se paske moun ki gen gwo nivo entèlijans peye plis atansyon sou panse ak rezònman lojik, epi yo gen plis chans yo entegre ak asosye enfòmasyon atravè diferan metòd korelasyon. Fason sa a nan panse ede amelyore memwa. Se poutèt sa, gen yon korelasyon ant nivo entèlijans pèfòmans nan sèvo, ak memwa.

Sepandan, nou pa ta dwe tou senpleman aplike korelasyon sa a ak etranje yo. Paske nou pa ka sèten si estrikti entèlijans ak estrikti sèvo etranje yo sanble ak moun. Etranje ka gen diferan estrikti entèlijans ak estrikti memwa pase moun, kidonk relasyon ki genyen ant entèlijans yo ak memwa yo ka trè diferan.

Finalman, nou ta dwe asire w ke dekouvèt lavi ekstraterès pral gen yon gwo enpak sou devlopman nan syans imen ak filozofi. Rechèch sou entèlijans etranje ak memwa dwe fèt tou sou yon baz syantifik. Nou espere ke ak devlopman kontinyèl nan syans ak teknoloji, imen yo pral kapab eksplore plis lavi etranje epi kontinye avanse nan pwosesis pou rezoud mistè yo ak eksplore verite a nan linivè. Li ka wè ke nou bezwen amelyore memwa, ak Cistanche deserticola ka siyifikativman amelyore memwa paske Cistanche deserticola se yon materyèl tradisyonèl Chinwa medsin ki gen anpil efè inik, youn nan ki se amelyore memwa. Efikasite vyann mens soti nan divès engredyan aktif li genyen ladan l, ki gen ladan asid, polisakarid, flavonoid, elatriye engredyan sa yo ka ankouraje sante nan sèvo nan divès fason.

Klike sou konnen fason pou amelyore fonksyon nan sèvo

Siperyorite LSTM te chwazi akòz kapasite li nan ekstrè otomatikman karakteristik ki pa lineyè ak ki pa estasyonè nan done sekans, WOA te anplwaye pou optimize hyperparameters LSTM, epi yo te itilize VMD pou ekstrè karakteristik intrinsèques seri tan ET. Yo te konpare rezilta estimasyon VMD-WOA-LSTM ak aktyèl ET ak estimasyon lòt modèl ibrid an tèm de metrik pèfòmans estanda. Theresults te revele ke VMD-WOA-LSTM bay rezilta estimasyon ki pi egzak ak serye pase LSTM, machin vektè sipò (SVM), ak varyant modèl sa yo. Se poutèt sa, VMD-WOALSTM ta ka rekòmande kòm yon metòd oksilyè esansyèl pou estime ET nan rejyon dezè yo.

Evapotranspirasyon (ET) se yon pwosesis fizik ak byolojik ki pa lineyè, ki konekte pwosesis ekolojik ak idrolojik pa balans dlo a 1,2. Li se eleman santral balans dlo ak enèji rejyonal epi li sèvi kòm yon lyen enpòtan nan sistèm tè-plant-atmosfè (SPA)3. Estimasyon ak presizyon ET se yon kondisyon akritik nan jesyon anviwònman an4–6, espesyalman nan rejyon dezè ak gwo zòn nan vejetasyon atifisyèl ak obligatwa, kote dirabilite nan vejetasyon atifisyèl ki obligatwa sab detèmine pa balans dlo ki genyen ant ET ak presipitasyon5,7. Anplis de sa, chanjman nan klima, espesyalman chanjman nan modèl chofe ak presipitasyon, pral inevitableman gen yon enpak pwofon sou dirab nan vejetasyon atifisyèl7,8.

Diferan de vejetasyon natirèl, vejetasyon atifisyèl ki fikse sab etabli ak yon objektif espesyal ak fonksyon, estimasyon egzat ET ka bay yon referans pou konprann balans dlo a ak detèmine konpozisyon, estrikti, distribisyon espasyal, ak echèl vejetasyon atifisyèl ki fikse sab nan. rejyon dezè9,10.Sepandan, aplikasyon metòd ki baze sou fizik (pa egzanp, metòd Priestley-Taylor, metòd Hargreaves, metòd FAO-24 Penman korije, metòd FAO-56 Penman-Monteith, elatriye) se limite anpil akòz mank de paramèt meteyorolojik obligatwa (pa egzanp chalè inaktif nan vaporizasyon, radyasyon solè, imidite relatif, tanperati lè a, elatriye) nan rejyon dezè4,6,2–12. Se poutèt sa, konstwi lòt kalite modèl ki baze sou done pou jwenn rezilta estimasyon egzat yo trè dezirab.

Dènyèman, modèl aprantisaj machin yo (ML), ki gen ladan rezo neral pwopagasyon tounen (BPNN)13, multikouch perceptron (MLP)2, rezo neral atifisyèl milti (MLNN)6, sipò machin vektè (SVM) 7,12, machin aprantisaj ekstrèm. (ELM) 6, Pyebwa ki gen konpòtman egzanplè (MT) 14,15, forè o aza (RF) 6, rezo neral wavelet (WNN) 16, fonksyon baz radial (RBF) 17, elatriye, yo te travay dramatikman pou estime evaporasyon oswa ET akòz nan kapasite li nan otomatikman aprann karakteristik epi li pa mande okenn sipozisyon. Kòm modèl ML yo gen defo yo ki ipèparamèt yo difisil pou ajiste poukont yo, ki siyifikativman diminye presizyon nan enfòmatik. Pou simonte dezavantaj yo nan modèl ML, algorithm meta-euristik tankou algorithm fekondasyon flè (FPA)6, algorithm koukouy (FFA)11, algorithm gout dlo entelijan (IWD)12, algorithm optimize balèn (WOA)18, algorithm optimize wolf gri ( GWO) 19,20, elatriye, yo te anplwaye pou detèmine hyperparameters optimal nan MLmodels. Etid yo montre ke modèl ML makonnen ak algorithm meta-euristik gen pi wo pèfòmans informatique pase sa yo ki nan modèl sèl ML ak metòd ki baze sou fizik12,16,18,21,22.

Kòm ET se byen afekte pa paramèt meteyorolojik yo, imidite tè a, ak karakteristik vejetasyon yo12, seri tan ET yo mezire pran sou anpil pwen byen file ak fluktuan, ki siyifikativman diminye presizyon nan estimating12. Pou jwenn rezilta estimasyon ki pi kredib, yo te itilize teknik pre-pwosesis done yo, ki gen ladan transfòmasyon ondèl diskrè (DWT)23, dekonpozisyon mòd anpirik ansanbl (EEMD)14,15, ak dekonpozisyon mòd varyasyon (VMD)7,24, elatriye. ET frekans seri tan nan divès eleman epi jwenn enfòmasyon ki nesesè yo nan plizyè nivo7,14,23,24. Revizyon literati montre ke teknik pre-pwosesis done ibrid ak modèl ML ka siyifikativman amelyore pèfòmans modèl la16,25. Nan sans sa a, Gocićet al.22coupled SVM ak DWT ak algorithm koukouy (FFA) pou estime referans ET nan Sèbi, kote FFA te anplwaye pou detèmine hyperparameters SVM. Rezilta yo montre ke DWT-FFA-SVM se pi bon metòd estimasyon pou estimasyon ET referans. Pammar ak Deka[24] pwopoze yon ibrid DWT-SVM pou estime evaporasyon chak jou nan Karnataka, peyi Zend. Rezilta yo konfime tou ke SVM konbine avèk DWT ka amelyore presizyon estimasyon an. Rezaie-Balf et al.15 entegre EEMD ak SVM ak M5 modèl pye bwa (M5T) separeman pou estime modèl evaporasyon chodyè chak mwa nan estasyon Siirt ak estasyon Diyarbakir nan Tik, ak modèl yo pwopoze yo prezante pi wo presizyon. Fu et al.7 pwopoze modèl ibrid lè yo konbine DWT, EEMD, ak VMD ak SVM ak GWO-SVM separeman pou estime ET chak mwa. Rezilta yo endike ke VMD ak DWT te montre pi bon pèfòmans pre-pwosesis pase sa yo ki nan EEMD, ak presizyon nan estimasyon nan VMDGWO-SVM te pi wo pase sa yo ki nan DWT-GWO-SVM ak EEMD-GWO-SVM.

Travay anvan yo sitou konsantre sou itilize modèl ML fon pou estime ET2,4,6,7,2-18,21-23. Li se byen li te ye ke modèl ML fon yo gen dezavantaj ki pa ka ase retire karakteristik yo ki pa lineyè ak ki pa estatik ki kache nan seri tan ET25. Kidonk, memwa alontèm (LSTM)3,26, rezo neral pwofon (DNN)27, rezo neral konvolusyon tanporèl (TCN)27, ak rezo neral frekans (RNN)28 yo te itilize pou estime ET oswa evaporasyon ki baze sou meteyorolojik limite. done. Pou, Majhi et al.3 te itilize fòmil LSTM, MLNN, Hargreaves, ak fòmil Blaney-Criddle pou estime evaporasyon chodyè chak jou nan eta Chhattisgarh nan peyi Zend. . Chen et al.27estimated referans chak jou ET nan plenn Nòdès Lachin nan lè l sèvi avèk LSTM, DNN, TCN, SVM, RF, modèl Hargreaves, metòd Ritchie, modèl Priestley-Talor, fòmil Makkink, Romanenkomodel, ak fòmil Schendel, respektivman. Rezilta yo montre ke LSTM, TCN, ak DNN gen pi bon pèfòmans estimasyon pase sa yo ki nan modèl ML fon yo ak modèl anpirik nan absans la nan paramèt meteyorolojik. Granata ak Di Nunno28 te itilize LSTM ak NARX pou estime ET Cypress Swamp ak Kobeh Valley nan Etazini. Rezilta yo montre ke modèl aprantisaj gwo twou san fon gen pi wo presizyon pase modèl ML fon akòz gwo estrikti yerachik la.

Hyperparameters modèl ML dirèkteman detèminen jistès informatique, men m. Toujou, pifò modèl pa ka hyperparameters yo pi bon poukont yo, ak LSTM pa gen okenn eksepsyon. Ipèparamèt LSTM, ki gen ladan kantite kouch kache (HL), kantite inite kache (HU), epòk, ak to aprantisaj (LR)26, afekte siyifikativman pèfòmans estime LSTM. Sepandan, nan pi bon konesans nan otè yo, aplikasyon LSTM makonnen ak algoritm meta-euristik pou estime evaporasyon oswa ETa te trè minim.

Etidye zòn ak done

Rechèch la te fèt nan sidès dezè Tengger (37 degre 32'N, 105 degre 02'E). Kalite jaden flè prensipal la se dunes trellis ki peman distribiye9,10. Pou anpeche move tanpèt sab nan Baotou-Lanzhourailway, Akademi Syans Chinwa a ak inite enpòtan nan tren yo te etabli atifisyèlman re-vegetatedbelts nan 1956a epi pwolonje yo nan 1964a, 1981a, ak 1987a. Yo te enstale yon baryè sab mekanik pèpandikilè ak direksyon van prensipal la sou dun mobil lan, yo te mete tablèt pay (espacement 1 m × 1 m) dèyè baryè sab mekanik la, epi yo te plante plant touf bwa ​​xerik dezan nan menm konfigirasyon an nan fason ki abandone. espas plant ak espas ranje 1 m × 2 m oswa 2 m × 3 m anba kondisyon an pa gen okenn irigasyon.Apre plis pase mwatye yon syèk nan siksesyon, kantite espès plant natirèl yo te ogmante soti nan 25 a 453, ak kouvèti asirans lan vejetasyon. te ogmante de mwens pase 1% a 42.3%. Yon zòn fixation sab byolojik ki gen yon longè 16 km ak yon lajè 200-1000 m te fòme piti piti. Vejetasyon sab atifisyèl ki te etabli nan diferan ane (1956a, 1964a, 1981a, ak 1987a) yo distribye sou tou de bò ray tren an paralèl, sa ki te reyisi anpeche domaj van-soufle-sab nan trafik tren an ak siyifikativman amelyore anviwònman ekolojik la. nan zòn etid la. Kòm estabilite ak dirab vejetasyon an depann de balans dlo ant ET ak presipitasyon7,9,10, li gen yon gwo enpòtans teyorik ak pratik pou estime ak presizyon ET pou pwoteje ak itilize vejetasyon atifisyèl sab-obligatwa7,10.

Nan etid sa a, done ET chak mwa yo mezire nan mwa janvye 1991 rive desanm 2018, done ki soti nan janvye 1991 rive desanm 2010 yo te konsidere kòm seri fòmasyon an, epi rès la te itilize kòm seri tès la. Tablo 1 montre prensipal mezi estatistik seri tan ET chak mwa nan zòn etid la.

Metodoloji

Fondasyon an nan modèl yo pwopoze yo. LSTM se yon nouvo rezo neral sik tan ki ka simonte pwoblèm gradyan disparisyon nan RNN lè li ajoute yon fòm chèn nan repete modil rezo neral nan magazen enfòmasyon ki enpòtan25,26. Li sèvi ak prensip k ap travay "de nan ak de soti" pou rezoud pwoblèm long-orderdependency26. Nan etid sa a, LSTM te chwazi kòm modilè prensipal pou estime ET duo chak mwa a LSTM gen kapasite ekselan nan abòde modèl ki pa lineyè nan mitan seri tan yo27,28. Anplis de sa, SVM te anplwaye tou pou estime ET paske SVM gen pi bon adaptabilite pou rezoud yon klas pi laj nan pwoblèm ki pa lineyè Fitting (egzanp, estimasyon ET) pase sa yo ki nan lòt modèl ML fon (egzanp, BPNN, WNN, ELM, MT, ak MLP) 29.

Kòm DWT sansib a baz wavelet ak papòt la, EMD soufri de yon dezavantaj intrinsèques nan modemixing7,24, ak EEMD egziste efè pwen final7. VMD se yon metòd pre-pwosesis done ki pi solid ak adaptab pase DWT, EMD, ak EEMD24, li efektivman simonte enpèfeksyon metòd sa yo ak ekstrè karakteristik prensipal yo nan seri tan iregilarite ak ki pa estasyonèr24. Nan etid sa a, yo te anplwaye VMD pou ekstrè karakteristik varyasyon prensipal yo nan seri done ET a. Pou konpare pèfòmans denoising VMD, DWT te chwazi kòm referans. Pwodiksyon DWT, VMD, ak seri tan ET kolekte yo te divize an seri fòmasyon ak seri tès, epi yo te bay modèl ML pou estime ET, respektivman.

Pou amelyore efikasite fòmasyon modèl ML yo, yo te itilize metòd nòmalizasyon min-max7,22 pou nòmalize seri done antre ak pwodiksyon. Antre ak pwodiksyon seri SVM ak LSTM yo te detèmine pa itilize metòd seleksyon longitudinal (LS)7, sètadi, gwoup echantiyon fòmasyon yo reprezante pa yon vektè soti nan I rive nan k - q, pwodiksyon fòmasyon an endike kòm yon vektè soti nan I + d − 1 rive k − q, vektè pwodiksyon tès la reprezante pa yon vektè soti nan k − q + 1 rive k, kote i, d, k ak q endike pwen depa, dimansyon antre, gwosè done yo. mete, ak longè pwodiksyon tès la, respektivman. Figi 1 montre dyagram chema metòd LS la ak i=1, d=3, ak k=336.

WOA se yon nouvo algorithm meta-euristik ki efikas ak ki estab18, ki te lajman itilize pou rezoud pwoblèm optimize nonlinear, ki gen ladan optimize hyperparameters modèl ML fon pou estimasyon evaporasyon oswa ET. Sepandan, pa gen okenn chèchè ki te pwopoze yon modèl ibrid pa kouple LSTM ak meta-euristicalgorithms estime ET. Se konsa, WOA a te anplwaye pou optimize hyperparameters yo nan LSTM pou jwenn rezilta estimasyon ki pi egzak. Figi 2 montre organigram WOA-LSTM. WOA-LSTM makonnen ak VMD endike kòm VMD-WOA-LSTM.

Siperyorite VMD-WOA-LSTM te teste lè w konpare pèfòmans estime ak LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM, ak VMD-GWO-SVM, kote GWO-SVM endike ke pi bon C ak G nan SVM yo te detèmine lè l sèvi avèk algorithm GWO, Fig. 3 montre organigram yo nan GWO-SVM. Nan pwosesis simulation nimerik yo, yo te itilize erè mwayèn pousantaj absoli (MAPE) kòm fonksyon kapasite pou detèmine paramèt pi bon modèl ML yo. Li ta dwe remake ke prensip matematik yo nan metòd yo itilize nan papye sa a, ki gen ladan DWT, VMD, SVM, LSTM, GWO, ak WOA, ka jwenn nan literati ki enpòtan, kidonk deskripsyon matematik metòd sa yo omisyon.

Paramèt pou evalyasyon pèfòmans. Analiz erè a fèt lè l sèvi avèk mezi evalyasyon yo, ki gen ladan erè mwayen absoli (MAE), MAPE, erè kare kare nòmal (NMSE), erè kare mwayen rasin (RMSE), ak koyefisyan efikasite Nash-Sutcliffe (NSCE). Definisyon mezi evalyasyon sa yo se jan sa a:

kote yi ak yi vle di rezilta a vle ak estime. Yo jeneralman itilize MAE, MAPE, NMSE, ak RMSE pou mezire devyasyon ant rezilta vle ak estime a, pèfòmans estimasyon an pi bon lè valè mezi evalyasyon sa yo pi piti. Kòm MAPE relativman pi estab nan mitan kritè sa yo, NSCE jeneralman itilize pou detèmine efikasite modèl nan jaden idrolojik la (NSCE tou pre 1 endike modèl yo pwopoze a gen bon kondisyon fizik). Se poutèt sa, MAPE ak NSCE yo te chwazi kòm referans prensipal yo evalye pèfòmans modèl modèl yo pwopoze yo.

Paramèt paramèt. Estimasyon pèfòmans diferan modèl yo sitou detèmine pa seleksyon paramèt la. Tablo 2 montre paramèt kle DWT ak VMD. Kantite ajan rechèch ak iterasyon maksimòm algoritm WOA ak GWO yo te 5 ak 100, respektivman. Gwosè mini-pakèt tout modèl ki baze sou LSTM yo te 128. Ranje HL, HU, Epòk, ak LR WOA-LSTM te [1, 200], [1,200], [10, 100 ], ak [0.001, 0.01], respektivman. Kòm pou GWO-SVM, seri a nan C ak G yo te [0.01, 100].

Rezilta yo

Figi 4 ak 5 montre rezilta DWT ak VMD. Jan yo montre nan Fig. 4 ak 5, yo kolekte chak mwa ET timeseries gen anpil pwen byen file ak fluktue, ki pral afekte pèfòmans nan estimasyon. Pou rezoud modèl pwoblèm sa yo nan pwosesis estimasyon ET yo, yo te analize db4 ak nivo 1 ak VMD ak K=5 epi yo te itilize yo pou elimine seri tan fiks ET yo. Seri tan rezidyèl la montre anplitid ki ba ak gwo-frekans fluctuation, sijere ke bri blan an te elimine nan seri done orijinal la ET. Tablo 2 montre ke pèfòmans denoising VMD (ak SNR=42.6451 ak RMSE=1.7934) pi efikas pase DWT (ak SNR=40.8201 ak RMSE{{15} }.2127). DWT gen dezavantaj ke baz la wavelet ta dwe chwazi davans, epi li tou sansib a seleksyon an nan papòt la. Se poutèt sa, VMD se pi bon.

Kòm mansyone, LSTM ak SVM yo te itilize pou estime ET chak mwa, respektivman. Pou chak dimansyon fiks D nan d=2, 3, ..., 16, yo te chwazi minimòm MAPE a nan 5 replikasyon, epi yo te anrejistre hyperparamèt optimal WOA-LSTM ak GWO-SVM dapre minimòm MAPE. Tablo 3 montre karakteristik opinyon pi bon yo ak ipèparamèt modèl yo pwopoze yo. Jan yo montre nan Tablo 3, MAPE chak modèl ki baze sou LSTM pi piti pase sa ki baze sou SVM, sa ki sijere ke modèl aprantisaj pwofon yo siyifikativman depase modèl ML fon yo; Te MAPE nan yon sèl ML modèl la diminye lè yo kouple modèl la ML ak teknik done yo pre-pwosesis, sijere ke pèfòmans nan nan modèl ML ka amelyore lè l sèvi avèk done yo pre-pwosesis; Te MAPE nan modèl ibrid yo ak paramèt optimal yo tout pi piti pase sa yo ki nan modèl yo ML ak paramèt default, ki endike ke modèl ML entegre ak algoritm meta-euristik yo gen yon pèfòmans enfòmatik modereman pi wo pase sa yo ki nan modèl ML yo ak paramèt default; Te MAPE nan modèl ibrid DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM, ak VMD-WOA-LSTM yo pi piti pase LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD. -SVM, WOA-LSTM, ak GWO-SVM, sigjere ke pèfòmans nan modèl ML ka siyifikativman amelyore lè l sèvi avèk done pre-pwosesis ak algorithm meta-euristic.

Rezilta estimasyon modèl ML yo ak MAPE minimòm ak ipèparamèt optimal yo prezante nan Fig. 6. Figi 6 montre rezilta tout modèl yo pwopoze yo ki konsistan avèk pi fò nan pwen nan mitan seri a, men pwen depa ak valè ekstrèm yo. yo surestime; Seri temporèl ET chak mwa yo gen yon peryòd 12 mwa, dimansyon pi bon opinyon LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM, ak VMD-WOA-LSTM yo apeprè egal a peryòd tan ET a. seri (Tablo 3), sijere ke LSTM ka pran anpil avantaj de modèl done istorik ak efektivman simonte dezavantaj nan modèl ML fon. An jeneral, modèl ibrid DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM, ak VMD-WOA-LSTM gen pi bon estimasyon pèfòmans pase lòt modèl yo pwopoze yo.

Tablo 4 montre mezi evalyasyon chak modèl nan etap fòmasyon ak tès, kote mwayèn evalyasyon ML modèl yo optimize pa algoritm meta-euristik yo make an fonse. Jan yo montre nan Tablo 4, pèfòmans modèl DWT-LSTM, DWT-SVM, VMD-LSTM, ak VMD-SVM modèl yo pi bon pase LSTM ak SVM nan etap tès (Tablo 4), sijere ke pre-pwosesis done a se yon èd pou amelyore pèfòmans estimasyon modèl ML yo. Jan yo montre nan Tablo 4, mezi evalyasyon yo ki gen ladan MAE, MAPE, NMSE, ak RMSE nan WOA-LSTM ak GWO-SVM yo tout pi piti pase sa yo ki nan LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM, ak VMD-SVM. , ak NSCE ogmante nan diferan degre, ki endike ke estimatingperformance nan LSTM ak SVM yo siyifikativman amelyore lè hyperparameters yo nan LSTM ak SVM yo optimize lè l sèvi avèk algorithm meta-euristik.

Paramèt evalyasyon SVM ki entegre ak GWO yo tout pi piti pase sa yo ki nan LSTM makonnen ak teknik done pre-pwosesis; MAPE ibrid VMD-GWO-SVM pi piti pase lòt modèl ki baze sou SVM ak modèl LSTM, DWT-LSTM, VMD-LSTM (Tablo 4), sijere ke modèl ML fon entegre ak teknik pre-pwosesis done ak algoritm meta-euristik. ka itilize pou estime ET. Lè nou konsidere ke, pèfòmans modèl modèl ML fon toujou bezwen amelyore. Jan yo montre nan Tablo 4, modèl aprantisaj pwofon yo siyifikativman depase modèl ML fon yo, e pèfòmans modèl ibrid WOA-LSTM, DWT-WOA-LSTM, ak VMD-WOA-LSTM pi bon pase modèl ibrid ki baze sou SVM yo. Konpare ak VMD-GWO-SVM, MAPE nan DWT-WOA-LSTM diminye soti nan 23.22% a 18.90%, ak NSCE te amelyore soti nan 0.8754 a 0.8578; MAPE nan VMD-WOA-LSTM te diminye soti nan 23.22% a 18.72%, ak NSCE te amelyore soti nan 0.8754 a 0.8917. Rezilta sa yo endike ke modèl ibrid DWT-WOA-LSTM ak VMD-WOA-LSTM yo gen kapasite ekselan nan estime ET chak mwa sou lòt metòd yo pwopoze yo. sa VMD-WOA-LSTM se modèl ki pi presi pou estime ET chak mwa pami modèl yo pwopoze yo. Se poutèt sa, VMD-WOA-LSTM ta ka rekòmande kòm yon metòd oksilyè esansyèl pou estime ET nan rejyon dezè yo.

Diskisyon

Kòm mansyone, modèl ibrid ki baze sou modèl ML, teknik pre-pwosesis done, ak meta-euristicalgorithms yo te pwopoze pou estime ET nan zòn etid la. Anjeneral, konstwi modèl ibrid ML yo se yon pwosedi konplèks ki pran tan6,14–18. Sepandan, modèl ibrid ML yo gen plis presizyon pase metòd ki baze sou fizik yo20–23. Se poutèt sa, lè l sèvi avèk modèl ibrid ML yo jisteman estime ET a se yon pwoblèm prensipal nan idroloji ak ekoloji.

An jeneral, modèl aprantisaj pwofon yo depase modèl ML ki pa fon yo3. Sepandan, sèlman lè l sèvi avèk modèl ML pou estime ET ka mennen nan gwo erè lè done pre-pwosesis la pa fèt7,14-16. Jan yo montre nan Fig. 4 ak 5, yo kolekte seri tan ET yo montre iregilarite ak ki pa estasyonèr depi ET detèmine pa faktè meteyorolojik ak ki gen rapò ak imidite tè a, jeomorfolojik, ak karakteristik vejetasyon nan rejyon dezè yo. Kidonk, yo ta dwe itilize teknik done pre-pwosesis pou rive jwenn karakteristik varyasyon prensipal yo nan seri tan ET kolekte pou jwenn rezilta estimasyon kredib. Metòd preprocessing done yo tankou DWT ak VMD ka aplike pou elimine bri ki soti nan seri tan ki pa lineyè ak ki pa estasyonè. Lè nou konsidere ke DWT sansib a seleksyon papòt la, VMD se yon metòd preprocessing done ki pi solid ak efikas pase mòd anpirik la. dekonpozisyon (EMD), ak EEMD, ki ka itilize pou retire bri nan seri tan pa dekonpoze siyal ki pa lineyè ak nonstationary nan plizyè fonksyon intrinsicmode (IMFs)7,24. Se poutèt sa, pèfòmans nan denoising nan DWT se pi mal pase sa yo ki nan VMD (Tablo 2).

Revizyon literati montre ke modèl ML yo entegre ak teknik pre-pwosesis done yo se yon estrateji efikas pou jwenn rezilta estimasyon ki pi kredib7,21-23, rezilta yo nan rechèch nou an konfime tou konklizyon sa a. Jan yo montre nan Tablo 3 ak 4, mwayèn mezi evalyasyon modèl ML ki entegre ak DWTor VMD yo tout pi piti pase modèl sèl SVM ak LSTM. Se poutèt sa, ekstrè karakteristik itil lè l sèvi avèk yon teknik pre-pwosesis done nesesè pou rezilta estimasyon ki pi kredib (Fichiye Siplemantè 1).

Pèfòmans estimasyon modèl ML yo kapab siyifikativman amelyore tou lè yo kouple modèl ML ak algoritm meta-euristik. Nan yon sèten limit, li pi enpòtan pou jwenn hyperparameters yo pi bon nan modèl anML pase yo chwazi teknik ki apwopriye preprocessing done. Jan yo montre nan Tablo 3 ak 4, estimasyon pèfòmans nan modèl ML ibrid ak teknik done pre-pwosesis te siyifikativman amelyore lè hyperparameters LSTM ak SVM yo te optimize. Konpare ak DWT-SVM, VMD-SVM, DWT-LSTM, ak VMD-LSTM, mezi evalyasyon pozitif DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM, ak VMD-WOA -LSTM diminye, ak endikatè negatif yo ogmante nan diferan degre. Se konsa, seleksyon an nan hyperparameters pou modèl ML te esansyèlman enpòtan amelyore pèfòmans nan estimasyon6,7,21-29.

Anplis de sa, kòm konklizyon, objektif prensipal etid sa a se te pwopoze yon nouvo modèl ibrid pou estime ET nan entegre LSTM ak WOA ak teknik prepwosesis done, ki gen ladan DWT ak VMD. Pèfòmans VMD-WOA-LSTM te konpare ak lòt modèl ibrid an tèm de metrik pèfòmans estanda. Konparezon pèfòmans modèl yo pwopoze a te demontre ke modèl ibrid VMDWOA-LSTM la te fè pi bon pase lòt modèl ki baze sou ML nan estime ET chak mwa nan maj sidès Tengger Desert.

Konklizyon

Nan etid sa a, yo te pwopoze modèl ibrid ki baze sou VMD, WOA, ak LSTM pou estime ET lè l sèvi avèk metòd analiz seri tan, kote yo te itilize VMD pou ekstrè karakteristik intrinsèques seri tan ET yo, epi WOA te anplwaye pou optimize ipèparamèt LSTM. . Yo te konpare pèfòmans modèl la ak aktyèlET ak estimasyon lòt modèl ibrid an tèm de MAE, MAPE, NMSE, RMSE, ak NSCE. Rezilta yo endike ke VMD-WOA-LSTM gen rezilta estimasyon pi egzak pase lòt modèl ki baze sou ML, ki ka rekòmande kòm yon metòd oksilyè esansyèl pou estime ET nan rejyon dezè yo.

Done disponiblite

Tout done analize oswa pwodwi pandan etid sa a enkli nan Enfòmasyon Siplemantè epi yo disponib nan men otè korespondan yo sou demann rezonab.

Referans

1. Keshtegar, B., Piri, J. & Kisi, O. Yon modèl matematik ki pa lineyè nan evaporasyon chodyè chak jou ki baze sou metòd gradyan konjige. Elektwon. Agrik. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Evalyasyon rezo neral atifisyèl ak ekwasyon Penman-Monteith pou prediksyon estanda evapotranspirasyon lòj nan yon rejyon semi-arid. Teor. Appl. Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Amelyore prediksyon evaporasyon chodyè chak jou lè l sèvi avèk modèl Deep-LSTM la. Neural Comput. Appl. 32, 7823 (2019).

4. Wen, X. et al. Sipò-vektè-machin ki baze sou modèl pou modèl evapotranspirasyon referans chak jou ak done klimatik limite nan rejyon ekstrèm arid. Resous Dlo. Jere. 29, 3195–3209 (2015).

5. Li, XR et al. Ekoidroloji fondamantal nan Restorasyon ekolojik ak rekiperasyon nan rejyon dezè sab nan Lachin (Science Press, 2016).

6. Wu, LF et al. Machin aprantisaj ekstrèm ibrid ak algoritm meta-euristik pou prediksyon evaporasyon chodyè chak mwa. Comput.Electron. Agr. 168, 105–115 (2020).

7. Fu, TL et al. Yon nouvo metòd entegre ki baze sou yon modèl aprantisaj machin pou estime evapotranspirasyon nan tè sèk. J.Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Efè entansite lapli ak tanzantan sou kouvèti vejetasyon bwa ak imidite fon tè nan ekosistèm tè sèk. J. Hydrol. 543, 270–282 (2016).

9. Li, XR et al. Papòt ekolojik-idrolojik pou evalye estabilite vejetasyon sab-obligatwa nan diferan zòn klimatik.Ecol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com