Kết hợp bộ nhớ ngắn hạn dài với thuật toán tối ưu hóa cá voi và phân rã chế độ biến đổi để ước tính lượng thoát hơi nước hàng tháng

Tính bền vững của thảm thực vật bám cát nhân tạo được xác định bởi sự cân bằng nước giữa sự thoát hơi nước (ET) và lượng mưa ở các vùng sa mạc. Do đó, việc ước tính chính xác ET là điều kiện tiên quyết quan trọng để xác định loại và sự phân bố không gian của thảm thực vật nhân tạo ở các vùng cát khác nhau. Với mục đích này, một mô hình ước tính kết hợp mới đã được đề xuất để ước tính ET hàng tháng bằng cách kết hợp bộ nhớ ngắn hạn dài hạn (LSTM) học sâu với phân tích chế độ biến thiên (VMD) và thuật toán tối ưu hóa cá voi (WOA) (tức là VMD-WOA-LSTM) để ước tính ET hàng tháng ở rìa phía đông nam của sa mạc Tengger.

Trong những năm gần đây, nhiều báo cáo về người ngoài hành tinh và UFO không chỉ khơi dậy sự tò mò, hứng thú của con người mà còn khơi dậy lòng ngưỡng mộ và mong muốn khám phá sự sống ngoài Trái đất của con người.

Một trong những chủ đề thu hút nhiều sự quan tâm là mức độ thông minh của người ngoài hành tinh. Nhiều người tin rằng người ngoài hành tinh có trí thông minh vượt xa con người và ý tưởng này đã được lưu truyền rộng rãi trong các tiểu thuyết và phim khoa học viễn tưởng. Nhưng liệu người ngoài hành tinh có thông minh hơn con người? Nếu vậy, liệu họ có ký ức mạnh mẽ hơn không?

Đầu tiên, chúng ta phải thừa nhận rằng khái niệm về trí tuệ ngoài hành tinh của chúng ta vẫn còn rất hời hợt. Chúng ta không thể chắc chắn liệu người ngoài hành tinh có giống chúng ta về trí thông minh hay không, chứ đừng nói đến việc họ có giỏi hơn chúng ta hay không. Tuy nhiên, chúng ta có thể suy nghĩ và ước tính một cách đơn giản mối quan hệ giữa trí nhớ và trí thông minh từ góc độ con người.

Từ góc độ con người, chúng ta biết có mối tương quan giữa trí thông minh và trí nhớ. Những người có mức độ thông minh cao hơn thường có trí nhớ tốt hơn. Điều này là do những người có mức độ thông minh cao chú ý nhiều hơn đến tư duy và lý luận logic, đồng thời có nhiều khả năng tích hợp và liên kết thông tin thông qua các phương pháp tương quan khác nhau. Cách suy nghĩ này giúp cải thiện trí nhớ. Do đó, có mối tương quan giữa mức độ thông minh hoạt động của não và trí nhớ.

Tuy nhiên, chúng ta không nên chỉ áp dụng mối tương quan này với người ngoài hành tinh. Bởi vì chúng ta không thể chắc chắn liệu cấu trúc trí tuệ và cấu trúc não bộ của người ngoài hành tinh có giống con người hay không. Người ngoài hành tinh có thể có cấu trúc trí thông minh và cấu trúc trí nhớ khác với con người, vì vậy mối quan hệ giữa trí thông minh và trí nhớ của họ có thể rất khác nhau.

Cuối cùng, chúng ta nên chắc chắn rằng việc phát hiện ra sự sống ngoài Trái đất sẽ có tác động lớn đến sự phát triển khoa học và triết học của nhân loại. Nghiên cứu về trí thông minh và trí nhớ của người ngoài hành tinh cũng phải được tiến hành trên cơ sở khoa học. Chúng tôi hy vọng rằng với sự phát triển không ngừng của khoa học và công nghệ, con người sẽ có thể khám phá thêm nhiều sự sống ngoài hành tinh và tiếp tục tiến về phía trước trong quá trình giải quyết những bí ẩn của mình và khám phá sự thật của vũ trụ. Có thể thấy, chúng ta cần cải thiện trí nhớ, và Cistanche Deserticola có thể cải thiện trí nhớ đáng kể vì Cistanche Deserticola là một dược liệu cổ truyền của Trung Quốc có nhiều tác dụng độc đáo, một trong số đó là cải thiện trí nhớ. Hiệu quả của thịt băm đến từ các hoạt chất khác nhau có trong nó, bao gồm axit, polysacarit, flavonoid, v.v. Những thành phần này có thể tăng cường sức khỏe não bộ theo nhiều cách khác nhau.

Bấm vào biết cách cải thiện chức năng não

Tính ưu việt của LSTM đã được lựa chọn do khả năng tự động trích xuất các tính năng phi tuyến tính và không cố định từ dữ liệu tuần tự, WOA được sử dụng để tối ưu hóa các siêu tham số của LSTM và VMD được sử dụng để trích xuất các đặc điểm nội tại của chuỗi thời gian ET. Kết quả ước tính của VMD-WOA-LSTM đã được so sánh với ET thực tế và ước tính của các mô hình lai khác về các chỉ số hiệu suất tiêu chuẩn. Kết quả cho thấy VMD-WOA-LSTM cung cấp kết quả ước lượng chính xác và đáng tin cậy hơn LSTM, máy vectơ hỗ trợ (SVM) và các biến thể của các mô hình đó. Do đó, VMD-WOALSTM có thể được đề xuất như một phương pháp phụ trợ thiết yếu để ước tính ET ở các vùng sa mạc.

Sự thoát hơi nước (ET) là một quá trình vật lý và sinh học phi tuyến tính cao, kết nối các quá trình sinh thái và thủy văn bằng cân bằng nước1,2. Nó là thành phần trung tâm của cân bằng năng lượng và nước trong khu vực và đóng vai trò là mối liên kết quan trọng trong hệ thống đất-thực vật-khí quyển (SPA)3. Ước tính chính xác ET là điều kiện tiên quyết quan trọng trong quản lý môi trường4–6, đặc biệt là ở các vùng sa mạc có diện tích lớn thảm thực vật bám cát nhân tạo, nơi tính bền vững của thảm thực vật bám cát nhân tạo được xác định bởi sự cân bằng nước giữa ET và lượng mưa5,7. Ngoài ra, biến đổi khí hậu, đặc biệt là những thay đổi về mô hình ấm lên và lượng mưa, chắc chắn sẽ có tác động sâu sắc đến tính bền vững của thảm thực vật nhân tạo7,8.

Khác với thảm thực vật tự nhiên, thảm thực vật bám cát nhân tạo được thiết lập với mục đích và chức năng đặc biệt, việc ước tính chính xác ET có thể cung cấp tài liệu tham khảo để hiểu sự cân bằng nước và xác định thành phần, cấu trúc, phân bố không gian và quy mô của thảm thực vật bám cát nhân tạo ở vùng sa mạc9,10.Tuy nhiên, việc áp dụng các phương pháp dựa trên vật lý (ví dụ: phương pháp Priestley-Taylor, phương pháp Hargreaves, phương pháp FAO-24 Penman đã hiệu chỉnh, phương pháp FAO-56 Penman–Monteith, v.v.) bị hạn chế nghiêm trọng do thiếu các thông số khí tượng cần thiết (ví dụ: ẩn nhiệt bay hơi, bức xạ mặt trời, độ ẩm tương đối, nhiệt độ không khí, v.v.) ở các vùng sa mạc4,6,2–12. Do đó, việc xây dựng các loại mô hình dựa trên dữ liệu khác để có được kết quả ước tính chính xác là điều rất đáng mong đợi.

Gần đây, các mô hình học máy (ML), bao gồm mạng nơ-ron lan truyền ngược (BPNN)13, perceptron đa lớp (MLP)2, mạng nơ-ron nhân tạo đa lớp (MLNN)6, máy vectơ hỗ trợ (SVM)7,12, máy học cực đoan (ELM) 6, Cây mô hình (MT)14,15, rừng ngẫu nhiên (RF)6, mạng nơ-ron sóng con (WNN)16, hàm cơ sở xuyên tâm (RBF)17, v.v., đã được sử dụng đáng kể để ước tính lượng bốc hơi hoặc ET do về khả năng tự động học các tính năng và không yêu cầu bất kỳ giả định nào. Vì các mô hình ML có những khiếm khuyết là các siêu tham số khó có thể tự điều chỉnh, điều này làm giảm đáng kể độ chính xác của máy tính. Để khắc phục nhược điểm của mô hình ML, các thuật toán siêu heuristic như thuật toán thụ phấn hoa (FPA)6, thuật toán đom đóm (FFA)11, thuật toán giọt nước thông minh (IWD)12, thuật toán tối ưu hóa cá voi (WOA)18, thuật toán tối ưu hóa sói xám ( GWO)19,20, v.v., đã được sử dụng để xác định các siêu tham số tối ưu của mô hình ML. Các nghiên cứu đã chỉ ra rằng các mô hình ML kết hợp với các thuật toán siêu kinh nghiệm có hiệu suất tính toán cao hơn so với các mô hình ML đơn lẻ và các phương pháp dựa trên vật lý12,16,18,21,22.

Vì ET bị ảnh hưởng chặt chẽ bởi các thông số khí tượng, độ ẩm của đất và đặc điểm thảm thực vật12 nên chuỗi thời gian ET đo được có nhiều điểm dao động rõ ràng, làm giảm đáng kể độ chính xác của ước tính12. Để có được kết quả ước tính đáng tin cậy hơn, các kỹ thuật tiền xử lý dữ liệu, bao gồm Biến đổi bước sóng rời rạc (DWT)23, phân rã chế độ thực nghiệm tổng hợp (EEMD)14,15 và phân tách chế độ biến phân (VMD)7,24, v.v., đã được sử dụng để phân tách Tần số chuỗi thời gian ET thành nhiều thành phần khác nhau và thu được thông tin cần thiết ở nhiều cấp độ7,14,23,24. Đánh giá tài liệu cho thấy các kỹ thuật tiền xử lý dữ liệu được kết hợp với các mô hình ML có thể cải thiện đáng kể hiệu suất của mô hình16,25. Về vấn đề này, Gocićet al.22 đã kết hợp SVM với DWT và thuật toán đom đóm (FFA) để ước tính ET tham chiếu ở Serbia, nơi FFA được sử dụng để xác định các siêu tham số của SVM. Kết quả cho thấy DWT-FFA-SVM là phương pháp ước lượng tốt nhất để ước lượng ET tham khảo. Pammar và Deka[24]đã đề xuất một DWT-SVM lai để ước tính lượng bốc hơi hàng ngày ở Karnataka, Ấn Độ. Kết quả cũng xác nhận rằng SVM kết hợp với DWT có thể cải thiện độ chính xác của ước lượng. Rezaie-Balf và cộng sự15 đã tích hợp EEMD với cây mô hình SVM và M5 (M5T) để ước tính riêng các mô hình bốc hơi chảo hàng tháng của trạm Siirt và trạm Diyarbakir ở Thổ Nhĩ Kỳ và các mô hình đề xuất có độ chính xác cao hơn nhiều. Fu et al.7 đã đề xuất các mô hình kết hợp bằng cách kết hợp DWT, EEMD vàVMD với SVM và GWO-SVM riêng biệt để ước tính ET hàng tháng. Kết quả chỉ ra rằng VMD và DWT thể hiện hiệu suất xử lý trước tốt hơn so với EEMD và độ chính xác ước tính của VMDGWO-SVM cao hơn DWT-GWO-SVM và EEMD-GWO-SVM.

Các công việc trước đây chủ yếu tập trung vào việc sử dụng các mô hình ML nông để ước tính ET2,4,6,7,2–18,21–23. Người ta biết rằng các mô hình ML nông có nhược điểm là không thể trích xuất đầy đủ các đặc điểm phi tuyến và không tĩnh ẩn từ chuỗi thời gian ET25. Do đó, bộ nhớ ngắn hạn dài (LSTM)3,26, mạng nơ-ron sâu (DNN)27, mạng nơ-ron tích chập thời gian (TCN)27 và mạng nơ-ron hồi quy (RNN)28 đã được sử dụng để ước tính ET hoặc bốc hơi dựa trên khí tượng hạn chế dữ liệu. Vì, Majhi và cộng sự.3 đã sử dụng công thức LSTM, MLNN, Hargreaves và công thức Blaney-Criddle để ước tính lượng bốc hơi hàng ngày ở bang Chhattisgarh ở Ấn Độ. Kết quả chỉ ra rằng LSTM có thể đạt được ước tính chính xác về lượng bốc hơi nước và ước tính tốt hơn các mô hình khác . Chen và cộng sự27 đã ước tính ET tham chiếu hàng ngày ở vùng đồng bằng Đông Bắc Trung Quốc bằng cách sử dụng lần lượt LSTM,DNN, TCN, SVM, RF, mô hình Hargreaves, phương pháp Ritchie, mô hình Priestley-Talor, công thức Makkink, mô hình Romanenko và công thức Schendel. Kết quả cho thấy LSTM, TCN và DNN có hiệu suất ước lượng tốt hơn so với các mô hình ML nông và mô hình thực nghiệm khi không có tham số khí tượng. Granata và Di Nunno28 đã sử dụng LSTM và NARX để ước tính ET của Cypress Swamp và Kobeh Valley ở Hoa Kỳ. Kết quả cho thấy các mô hình deep learning có độ chính xác cao hơn các mô hình ML nông nhờ cấu trúc phân cấp cao.

Các siêu tham số của mô hình ML xác định trực tiếp độ chính xác của tính toán, nhưng m. Tuy nhiên, hầu hết các mô hình không thể tự mình đưa ra các siêu tham số tối ưu và LSTM cũng không ngoại lệ. Các siêu tham số của LSTM, bao gồm số lượng lớp ẩn (HL), số lượng đơn vị ẩn (HU), kỷ nguyên và tốc độ học tập (LR)26, ảnh hưởng đáng kể đến hiệu suất ước tính của LSTM. Tuy nhiên, theo hiểu biết tốt nhất của các tác giả, việc áp dụng LSTM kết hợp với các thuật toán siêu kinh nghiệm để ước tính độ bốc hơi hoặc ET là rất ít.

Khu vực nghiên cứu và dữ liệu

Nghiên cứu được thực hiện ở rìa phía đông nam của sa mạc Tengger (37 độ 32'N, 105 độ 02'E). Kiểu cảnh quan chính là các cồn lưới mắt cáo phân bố dày đặc9,10. Để ngăn ngừa tác hại của bão cát đối với tuyến đường sắt Bao Đầu-Lan Châu, Viện Hàn lâm Khoa học Trung Quốc và các đơn vị đường sắt liên quan đã thành lập các vành đai tái trồng thực vật nhân tạo vào năm 1956a và mở rộng chúng vào các năm 1964a, 1981a và 1987a. Một rào chắn cát cơ học vuông góc với hướng gió chính đã được lắp đặt trên cồn cát di động, các bàn cờ bằng rơm (khoảng cách 1 m × 1 m) được đặt phía sau rào chắn cát cơ học và các cây con cây bụi xeric hai năm tuổi được trồng theo cùng một cấu hình theo cách bỏ hoang với khoảng cách cây và khoảng cách hàng 1 m×2 m hoặc 2 m×3 m trong điều kiện không tưới nước. Sau hơn nửa thế kỷ kế thừa, số lượng loài thực vật tự nhiên đã tăng từ 25 lên 453, và độ che phủ của thảm thực vật đã tăng từ dưới 1% lên 42,3%. Vùng cố định cát chắn gió sinh học có chiều dài 16 km và chiều rộng 200-1000 m đang dần được hình thành. Thảm thực vật ràng buộc cát nhân tạo được hình thành trong các năm khác nhau (1956a, 1964a, 1981a và 1987a) được phân bổ song song ở cả hai bên đường sắt, đã ngăn chặn thành công thiệt hại do gió thổi cát gây ra cho giao thông đường sắt và cải thiện đáng kể môi trường sinh thái. của khu vực nghiên cứu. Vì tính ổn định và bền vững của thảm thực vật phụ thuộc vào sự cân bằng nước giữa ET và lượng mưa7,9,10, nên việc ước tính chính xác ET để bảo vệ và sử dụng thảm thực vật bám cát nhân tạo7,10 có ý nghĩa rất lớn về mặt lý thuyết và thực tiễn.

Trong nghiên cứu này, dữ liệu ET hàng tháng được đo từ tháng 1 năm 1991 đến tháng 12 năm 2018, dữ liệu từ tháng 1 năm 1991 đến tháng 12 năm 2010 được coi là tập huấn luyện và phần còn lại được sử dụng làm tập kiểm tra. Bảng 1 cho thấy số liệu thống kê chính của chuỗi thời gian ET hàng tháng trong khu vực nghiên cứu.

Phương pháp luận

Khung mô hình đề xuất. LSTM là một mạng thần kinh chu kỳ thời gian mới có thể khắc phục vấn đề biến mất độ dốc trong RNN bằng cách thêm một dạng chuỗi lặp lại các mô-đun mạng thần kinh để lưu trữ thông tin liên quan25,26. Nó sử dụng nguyên tắc làm việc "hai vào và hai ra" để giải quyết vấn đề phụ thuộc đơn hàng dài26. Trong nghiên cứu này, LSTM được chọn làm mô-đun chính để ước tính bộ đôi ET hàng tháng vì LSTM có khả năng tuyệt vời trong việc giải quyết các mô hình phi tuyến trong chuỗi thời gian27,28. Ngoài ra, SVM cũng được sử dụng để ước tính ET vì SVM có khả năng thích ứng tốt hơn để giải quyết một loại vấn đề phù hợp phi tuyến rộng hơn (ví dụ: ước tính ET) so với các mô hình ML nông khác (ví dụ: BPNN, WNN, ELM, MT và MLP) 29.

Vì DWT nhạy cảm với cơ sở sóng con và ngưỡng, EMD gặp phải nhược điểm nội tại của việc trộn modem7,24 và EEMD tồn tại các hiệu ứng điểm cuối7. VMD là phương pháp xử lý trước dữ liệu mạnh mẽ và thích ứng hơn DWT, EMD và EEMD24, nó khắc phục một cách hiệu quả những thiếu sót của các phương pháp đó và trích xuất các đặc điểm biến đổi chính từ chuỗi thời gian bất quy tắc và không cố định24. Trong nghiên cứu này, VMD được sử dụng để trích xuất các đặc điểm biến thể chính từ tập dữ liệu ET. Để so sánh hiệu suất khử nhiễu của VMD, DWT được chọn làm tham chiếu. Đầu ra của DWT, VMD và chuỗi thời gian ET được thu thập được chia thành các tập huấn luyện và tập thử nghiệm, rồi đưa vào các mô hình ML để ước tính ET tương ứng.

Để cải thiện hiệu quả đào tạo của các mô hình ML, phương pháp chuẩn hóa tối thiểu-tối đa7,22 đã được sử dụng để chuẩn hóa các tập dữ liệu đầu vào và đầu ra. Các tập đầu vào và đầu ra của SVM và LSTM được xác định bằng phương pháp chọn dọc (LS)7, cụ thể là nhóm mẫu huấn luyện được biểu diễn bằng một vectơ từ I đến k − q, đầu ra huấn luyện được ký hiệu là một vectơ từ I + d − 1 đến k − q, vectơ đầu ra thử nghiệm được biểu thị bằng vectơ từ k − q + 1 đến k, trong đó i, d, k và q biểu thị điểm bắt đầu, thứ nguyên đầu vào, kích thước của dữ liệu đặt và độ dài của đầu ra thử nghiệm tương ứng. Hình 1 thể hiện sơ đồ nguyên lý của phương pháp LS với i=1, d=3 và k=336.

WOA là một thuật toán siêu heuristic18 hiệu quả và ổn định mới, được sử dụng rộng rãi để giải quyết các vấn đề tối ưu hóa phi tuyến tính, bao gồm tối ưu hóa các siêu tham số của các mô hình ML nông để ước tính độ bay hơi hoặc ET. Tuy nhiên, chưa có nhà nghiên cứu nào đề xuất một mô hình lai bằng cách kết hợp LSTM với các thuật toán siêu nghiệm để ước tính ET. Do đó, WOA đã được sử dụng để tối ưu hóa các siêu tham số của LSTM nhằm thu được kết quả ước tính chính xác hơn. Hình 2 thể hiện sơ đồ của WOA-LSTM. WOA-LSTM kết hợp với VMD được ký hiệu là VMD-WOA-LSTM.

Tính ưu việt của VMD-WOA-LSTM được kiểm tra bằng cách so sánh hiệu suất ước tính với LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM và VMD-GWO-SVM, trong đó GWO-SVM chỉ ra rằng C và G tốt nhất của SVM được xác định bằng cách sử dụng thuật toán GWO, Hình 3 hiển thị sơ đồ của GWO-SVM. Trong các quy trình mô phỏng số, sai số phần trăm tuyệt đối trung bình (MAPE) được sử dụng làm hàm thích nghi để xác định các siêu tham số tối ưu của các mô hình ML. Cần lưu ý rằng các nguyên tắc toán học của các phương pháp được sử dụng trong bài viết này, bao gồm DWT, VMD, SVM, LSTM, GWO và WOA, có thể được tìm thấy trong các tài liệu liên quan, vì vậy mô tả toán học của các phương pháp này bị bỏ qua.

Các thước đo để đánh giá hiệu suất. Việc phân tích lỗi được thực hiện bằng cách sử dụng các số liệu đánh giá, bao gồm sai số tuyệt đối trung bình (MAE), MAPE, sai số bình phương trung bình chuẩn hóa (NMSE), sai số bình phương trung bình gốc (RMSE) và hệ số hiệu quả Nash–Sutcliffe (NSCE). Các định nghĩa về các thước đo đánh giá đó như sau:

trong đó yi và yi biểu thị kết quả mong muốn và ước tính. MAE, MAPE, NMSE và RMSE thường được sử dụng để đo độ lệch giữa kết quả mong muốn và kết quả ước tính, hiệu suất ước tính sẽ tốt hơn khi giá trị của các số liệu đánh giá này nhỏ hơn. AsMAPE tương đối ổn định hơn trong số các tiêu chí này, NSCE thường được sử dụng để xác định hiệu quả của mô hình trong lĩnh vực thủy văn (NSCE gần bằng 1 cho thấy mô hình đề xuất có độ phù hợp tốt). Do đó, MAPE vàNSCE được chọn làm tiêu chuẩn chính để đánh giá hiệu suất mô hình của các mô hình đề xuất.

Cài đặt tham số. Hiệu suất ước tính của các mô hình khác nhau chủ yếu được xác định bằng cách lựa chọn tham số. Bảng 2 thể hiện các thông số chính của DWT và VMD. Số lượng tác nhân tìm kiếm và số lần lặp tối đa của thuật toán WOA và GWO lần lượt là 5 và 1{13}}0. Kích thước lô nhỏ của tất cả các mô hình dựa trên LSTM là 128. Phạm vi HL, HU, Epochs và LR của WOA-LSTM là [1, 200], [1.200], [10, 100 ] và [0,001, 0,01] tương ứng. Đối với GWO-SVM, phạm vi của C và G là [0,01, 100].

Kết quả

Hình 4 và 5 thể hiện kết quả của DWT và VMD. Như thể hiện trong hình. 4 và 5, chuỗi thời gian ET hàng tháng được thu thập có nhiều điểm dao động mạnh sẽ ảnh hưởng đến hiệu suất ước tính. Để giải quyết các mẫu có vấn đề này trong quy trình ước tính ET, db4 với cấp 1 và VMD với K=5 đã được phân tích và sử dụng để khử nhiễu chuỗi thời gian ET ổn định. Chuỗi thời gian còn lại cho thấy biên độ thấp và dao động tần số cao, cho thấy rằng nhiễu trắng đã bị loại khỏi tập dữ liệu ET ban đầu. Bảng 2 cho thấy hiệu suất khử nhiễu của VMD (với SNR=42.6451 và RMSE=1.7934) hiệu quả hơn so với DWT (với SNR=40.8201 và RMSE{{15} }.2127). DWT có nhược điểm là cơ sở wavelet phải được chọn trước và nó cũng nhạy cảm với việc chọn ngưỡng. Vì vậy, VMD tốt hơn.

Như đã đề cập, LSTM và SVM được sử dụng để ước tính ET hàng tháng tương ứng. Đối với mỗi thứ nguyên đầu vào cố định d trong d=2, 3, …, 16, MAPE tối thiểu đã được chọn từ 5 lần lặp lại và các siêu tham số tối ưu của WOA-LSTM và GWO-SVM đã được ghi lại theo MAPE tối thiểu. Bảng 3 thể hiện các đặc tính đầu vào và siêu tham số tối ưu của các mô hình đề xuất. Như được hiển thị trong Bảng 3, MAPE của từng mô hình dựa trên LSTM nhỏ hơn MAPE dựa trên SVM, cho thấy rằng các mô hình học sâu hoạt động tốt hơn đáng kể so với các mô hình ML nông; Te MAPE của mô hình ML đơn đã bị giảm bằng cách ghép mô hình ML với các kỹ thuật xử lý trước dữ liệu, cho thấy rằng hiệu suất của mô hình ML có thể được cải thiện bằng cách sử dụng tiền xử lý dữ liệu; Te MAPE của các mô hình lai với các tham số tối ưu đều nhỏ hơn so với mô hình ML có tham số mặc định, cho thấy rằng các mô hình ML được tích hợp với thuật toán siêu heuristic có hiệu suất tính toán cao hơn vừa phải so với mô hình ML có tham số mặc định; Te MAPE của các mẫu hybrid DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM và VMD-WOA-LSTM nhỏ hơn LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM và GWO-SVM, cho thấy rằng hiệu suất của mô hình ML có thể được cải thiện đáng kể bằng cách sử dụng thuật toán tiền xử lý dữ liệu và siêu heuristic.

Kết quả ước lượng của các mô hình ML với MAPE tối thiểu và các siêu tham số tối ưu được trình bày trong Hình 6. Hình 6 cho thấy kết quả của tất cả các mô hình đề xuất phù hợp với hầu hết các điểm ở phạm vi giữa, nhưng điểm bắt đầu và giá trị cực trị được đánh giá quá cao; Chuỗi thời gian ET hàng tháng có khoảng thời gian là 12 tháng, kích thước đầu vào tối ưu của LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM và VMD-WOA-LSTM xấp xỉ bằng khoảng thời gian của ET series (Bảng 3), cho thấy LSTM có thể tận dụng tối đa các mẫu dữ liệu lịch sử và khắc phục một cách hiệu quả những nhược điểm của các mô hình ML nông. Nhìn chung, các mô hình lai DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM và VMD-WOA-LSTM có hiệu suất ước tính tốt hơn so với các mô hình được đề xuất khác.

Bảng 4 hiển thị số liệu đánh giá của từng mô hình trong giai đoạn đào tạo và thử nghiệm, trong đó mức trung bình của số liệu đánh giá của các mô hình ML được tối ưu hóa bằng thuật toán siêu phỏng đoán được đánh dấu in đậm. Như được trình bày trong Bảng 4, hiệu suất mô hình của các mô hình DWT-LSTM, DWT-SVM, VMD-LSTM và VMD-SVM tốt hơn so với LSTM và SVM trong giai đoạn thử nghiệm (Bảng 4), cho thấy rằng quá trình tiền xử lý dữ liệu là một hỗ trợ nâng cao hiệu suất ước tính của các mô hình ML. Như thể hiện trong Bảng 4, các số liệu đánh giá bao gồm MAE, MAPE,NMSE và RMSE của WOA-LSTM và GWO-SVM đều nhỏ hơn LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM và VMD-SVM và NSCE tăng ở các mức độ khác nhau, cho thấy hiệu suất ước tính của LSTM và SVM được cải thiện đáng kể khi các siêu tham số của LSTM và SVM được tối ưu hóa bằng cách sử dụng thuật toán siêu phỏng đoán.

Các số liệu đánh giá của SVM được tích hợp với GWO đều nhỏ hơn so với LSTM kết hợp với các kỹ thuật xử lý trước dữ liệu; Te MAPE của VMD-GWO-SVM lai nhỏ hơn so với các mô hình dựa trên SVM khác và các mô hình LSTM, DWT-LSTM, VMD-LSTM (Bảng 4), cho thấy rằng các mô hình ML nông được tích hợp với các kỹ thuật tiền xử lý dữ liệu và thuật toán siêu phỏng đoán có thể được sử dụng để ước tính ET. Trong khi đó, hiệu suất mô hình của các mô hình ML nông vẫn cần được cải thiện. Như được hiển thị trong Bảng 4, các mô hình deep learning vượt trội đáng kể so với các mô hình ML nông và hiệu suất mô hình của các mô hình lai WOA-LSTM, DWT-WOA-LSTM và VMD-WOA-LSTM tốt hơn so với các mô hình lai dựa trên SVM. So với VMD-GWO-SVM, MAPE của DWT-WOA-LSTM giảm từ 23,22% xuống 18,90% và NSCE được cải thiện từ 0.8754 xuống 0.8578; MAPE của VMD-WOA-LSTM đã giảm từ 23,22% xuống 18,72% và NSCE được cải thiện từ 0.8754 xuống 0,8917. Những kết quả đó chỉ ra rằng các mô hình lai DWT-WOA-LSTM và VMD-WOA-LSTM có khả năng tuyệt vời trong việc ước tính ET hàng tháng so với các phương pháp được đề xuất khác. MAPE của các mô hình lai VMD-WOA-LSTM là nhỏ nhất trong số các mô hình được đề xuất, cho thấy thatVMD-WOA-LSTM là mô hình chính xác nhất để ước tính ET hàng tháng trong số các mô hình được đề xuất. Do đó, VMD-WOA-LSTM có thể được đề xuất như một phương pháp phụ trợ thiết yếu để ước tính ET ở các vùng sa mạc.

Cuộc thảo luận

Như đã đề cập, các mô hình kết hợp dựa trên mô hình ML, kỹ thuật tiền xử lý dữ liệu và thuật toán siêu nghiệm đã được đề xuất để ước tính ET trong khu vực nghiên cứu. Nói chung, việc xây dựng các mô hình ML lai là một thủ tục phức tạp và tốn thời gian6,14–18. Tuy nhiên, các mô hình ML lai có độ chính xác cao hơn các phương pháp dựa trên vật lý20–23. Do đó, việc sử dụng các mô hình ML lai để ước tính chính xác ET là vấn đề cốt lõi trong thủy văn và sinh thái.

Các mô hình học sâu thường hoạt động tốt hơn các mô hình ML nông3. Tuy nhiên, chỉ sử dụng mô hình ML để ước tính ET có thể dẫn đến sai số lớn khi quá trình xử lý trước dữ liệu không được thực hiện7,14–16. Như thể hiện trong hình. Như được hiển thị trong Hình 4 và 5, chuỗi thời gian ET được thu thập thể hiện tính không đồng đều và không cố định do ET được xác định bởi các yếu tố khí tượng và liên quan chặt chẽ đến độ ẩm đất, đặc điểm địa mạo và thảm thực vật ở các vùng sa mạc. Do đó, nên sử dụng kỹ thuật tiền xử lý dữ liệu để đạt được các đặc điểm biến thể chính từ chuỗi thời gian ET được thu thập để thu được kết quả ước tính đáng tin cậy. Các phương pháp tiền xử lý dữ liệu như DWT và VMD có thể được áp dụng để loại bỏ nhiễu khỏi chuỗi thời gian phi tuyến tính và không cố định. Trong khi DWT nhạy cảm với việc lựa chọn ngưỡng, VMD là phương pháp tiền xử lý dữ liệu mạnh mẽ và hiệu quả hơn chế độ thực nghiệm phân tách (EMD) và EEMD, có thể được sử dụng để loại bỏ nhiễu khỏi chuỗi thời gian bằng cách phân tách tín hiệu phi tuyến và không cố định thành một số hàm chế độ nội tại giới hạn băng tần (IMF)7,24. Do đó, hiệu suất khử nhiễu của DWT kém hơn VMD (Bảng 2).

Đánh giá tài liệu cho thấy các mô hình ML được tích hợp với các kỹ thuật tiền xử lý dữ liệu là một chiến lược hiệu quả để thu được kết quả ước tính đáng tin cậy hơn7,21–23, kết quả trong nghiên cứu của chúng tôi cũng xác nhận kết luận này. Như được hiển thị trong Bảng 3 và 4, chỉ số đánh giá trung bình của các mô hình ML được tích hợp với DWTor VMD đều nhỏ hơn so với chỉ số trung bình của các mô hình SVM và LSTM đơn lẻ. Do đó, việc trích xuất các tính năng hữu ích bằng cách sử dụng kỹ thuật tiền xử lý dữ liệu là cần thiết để có kết quả ước tính đáng tin cậy hơn (Tệp bổ sung 1).

Hiệu suất ước tính của các mô hình ML cũng có thể được cải thiện đáng kể bằng cách kết hợp các mô hình ML với các thuật toán siêu phỏng đoán. Ở một mức độ nhất định, điều quan trọng hơn là thu được các siêu tham số tối ưu của mô hình anML hơn là chọn kỹ thuật tiền xử lý dữ liệu thích hợp. Như được hiển thị trong Bảng 3 và 4, hiệu suất ước tính của các mô hình ML kết hợp với kỹ thuật tiền xử lý dữ liệu đã được cải thiện đáng kể khi các siêu tham số của LSTM và SVM được tối ưu hóa. So với DWT-SVM, VMD-SVM, DWT-LSTM và VMD-LSTM, các chỉ số đánh giá tích cực của DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM và VMD-WOA -LSTM giảm và các chỉ số tiêu cực tăng ở các mức độ khác nhau. Do đó, việc lựa chọn siêu tham số cho các mô hình ML là cực kỳ quan trọng để cải thiện hiệu suất ước tính6,7,21–29.

Hơn nữa, như đã kết luận, mục tiêu chính của nghiên cứu này là đề xuất một mô hình kết hợp mới để ước tính ET bằng cách tích hợp LSTM với WOA và các kỹ thuật tiền xử lý dữ liệu, bao gồm DWT và VMD. Hiệu suất của VMD-WOA-LSTM được so sánh với các mẫu xe hybrid khác về mặt chỉ số hiệu suất tiêu chuẩn. So sánh hiệu suất của các mô hình được đề xuất đã chứng minh rằng mô hình lai VMDWOA-LSTM hoạt động tốt hơn các mô hình dựa trên ML khác trong việc ước tính ET hàng tháng ở rìa phía đông nam của Sa mạc Tengger.

Kết luận

Trong nghiên cứu này, các mô hình lai dựa trên VMD, WOA và LSTM đã được đề xuất để ước tính ET bằng các phương pháp phân tích chuỗi thời gian, trong đó VMD được sử dụng để trích xuất các đặc điểm nội tại của chuỗi thời gian ET và WOA được sử dụng để tối ưu hóa các siêu tham số của LSTM . Hiệu suất của mô hình được so sánh với thực tếET và ước tính của các mô hình lai khác về MAE, MAPE, NMSE, RMSE và NSCE. Kết quả chỉ ra rằng VMD-WOA-LSTM có kết quả ước tính chính xác hơn so với các mô hình dựa trên ML khác, có thể được đề xuất như một phương pháp phụ trợ thiết yếu để ước tính ET ở các vùng sa mạc.

Tính khả dụng của dữ liệu

Tất cả dữ liệu được phân tích hoặc tạo ra trong nghiên cứu này đều được bao gồm trong Thông tin bổ sung và có sẵn từ các tác giả tương ứng theo yêu cầu hợp lý.

Người giới thiệu

1. Keshtegar, B., Piri, J. & Kisi, O. Một mô hình toán học phi tuyến về sự bay hơi chảo hàng ngày dựa trên phương pháp gradient liên hợp.Comput. Điện tử. Nông nghiệp. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Đánh giá mạng lưới thần kinh nhân tạo và phương trình Penman-Monteith để dự đoán lượng thoát hơi nước tiêu chuẩn của lúa mạch ở vùng bán khô cằn. Teor. ứng dụng. Khí hậu. 139, 275–285 (2020).

3. Majhi, B. và cộng sự. Cải thiện dự đoán về sự bốc hơi hàng ngày trong chảo bằng mô hình Deep-LSTM. Máy tính thần kinh. ứng dụng. 32, 7823 (2019).

4. Wen, X. và cộng sự. Các mô hình dựa trên máy vectơ hỗ trợ để lập mô hình thoát hơi nước tham chiếu hàng ngày với dữ liệu khí hậu hạn chế ở các vùng cực kỳ khô cằn. Tài nguyên nước. Quản lý. 29, 3195–3209 (2015).

5. Li, XR và cộng sự. Sinh thái thủy văn cơ bản về phục hồi và phục hồi sinh thái ở các vùng sa mạc cát của Trung Quốc (Nhà xuất bản khoa học, 2016).

6. Wu, LF và cộng sự. Máy học cực đoan kết hợp với các thuật toán siêu kinh nghiệm để dự đoán sự bốc hơi chảo hàng tháng. Máy tính.Electron. Nông nghiệp. 168, 105–115 (2020).

7. Fu, TL và cộng sự. Một phương pháp tích hợp mới dựa trên mô hình học máy để ước tính lượng bốc thoát hơi nước ở vùng đất khô hạn. J.Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Ảnh hưởng của cường độ mưa và lượng mưa không liên tục đến lớp phủ thực vật thân gỗ và độ ẩm đất sâu trong hệ sinh thái đất khô. J. Hydrol. 543, 270–282 (2016).

9. Li, XR và cộng sự. Ngưỡng sinh thái thủy văn để đánh giá tính ổn định của thảm thực vật bám cát ở các vùng khí hậu khác nhau.Ecol. Ấn Độ 83, 404–415 (2017).

For more information:1950477648nn@gmail.com