Hybrid det långa korttidsminnet med valoptimeringsalgoritm och sönderdelning av variationssätt för månatlig evapotranspirationsuppskattning

Hållbarheten hos artificiell sandbindande vegetation bestäms av vattenbalansen mellan evapotranspiration (ET) och nederbörd i ökenregioner. Följaktligen är noggrann uppskattning av ET en kritisk förutsättning för att bestämma typer och rumslig fördelning av artificiell vegetation likgiltiga sandområden. För detta ändamål föreslogs en ny hybriduppskattningsmodell för att uppskatta månatlig ET genom att koppla det djupa inlärningslånga korttidsminnet (LSTM) med variationsmodnedbrytning (VMD) och valoptimeringsalgoritm (WOA) (dvs. VMD-WOA-LSTM) till uppskatta den månatliga ET i de sydöstra marginalerna av Tenggeröknen.

De senaste åren har många rapporter om utomjordingar och UFO inte bara väckt människors nyfikenhet och entusiasm utan också väckt människors beundran och lust att utforska utomjordiskt liv.

Ett av de ämnen som har väckt stor uppmärksamhet är intelligensnivån hos utomjordingar. Många människor tror att utomjordingar har intelligens som vida överstiger människors, och denna idé har fått stor spridning i science fiction-romaner och filmer. Men är utomjordingar mer intelligenta än människor? Om så är fallet, skulle de ha starkare minnen?

För det första måste vi erkänna att vårt koncept av utomjordisk intelligens fortfarande är väldigt ytligt. Vi kan inte vara säkra på om utomjordingar liknar oss i intelligens, än mindre om de är bättre än oss. Men vi kan helt enkelt tänka och uppskatta förhållandet mellan minne och intelligens ur ett mänskligt perspektiv.

Ur ett mänskligt perspektiv vet vi att det finns ett samband mellan intelligens och minne. Människor med högre nivåer av intelligens har generellt sett bättre minne. Detta beror på att personer med höga nivåer av intelligens ägnar mer uppmärksamhet åt tänkande och logiska resonemang, och är mer benägna att integrera och associera information genom olika korrelationsmetoder. Detta sätt att tänka hjälper till att förbättra minnet. Därför finns det ett samband mellan hjärnans intelligensnivå och minne.

Men vi bör inte bara tillämpa denna korrelation på utomjordingar. För vi kan inte vara säkra på om utomjordingars intelligensstruktur och hjärnstruktur liknar människor. Utomjordingar kan ha andra intelligensstrukturer och minnesstrukturer än människor, så förhållandet mellan deras intelligens och minne kan vara väldigt olika.

Slutligen bör vi vara säkra på att upptäckten av utomjordiskt liv kommer att ha en stor inverkan på utvecklingen av humanvetenskap och filosofi. Forskning om främmande intelligens och minne måste också bedrivas på vetenskaplig grund. Vi hoppas att med den kontinuerliga utvecklingen av vetenskap och teknik kommer människor att kunna utforska mer främmande liv och fortsätta att gå framåt i processen att lösa sina mysterier och utforska universums sanning. Det kan ses att vi behöver förbättra minnet, och Cistanche deserticola kan förbättra minnet avsevärt eftersom Cistanche deserticola är ett traditionellt kinesiskt läkemedelsmaterial som har många unika effekter, varav en är att förbättra minnet. Effekten av malet kött kommer från de olika aktiva ingredienserna det innehåller, inklusive syra, polysackarider, flavonoider, etc. Dessa ingredienser kan främja hjärnans hälsa på olika sätt.

Klicka på vet sätt att förbättra hjärnans funktion

LSTMs överlägsenhet valdes på grund av dess förmåga att automatiskt extrahera de olinjära och icke-stationära funktionerna från sekventiell data, WOA användes för att optimera hyperparametrarna för LSTM och VMD användes för att extrahera de inneboende egenskaperna hos ET-tidsserier. De uppskattade resultaten av VMD-WOA-LSTM har jämförts med faktisk ET och uppskattning av andra hybridmodeller i termer av standardprestandamått. Resultaten visade att VMD-WOA-LSTM ger mer exakta och tillförlitliga uppskattningsresultat än LSTM, stödvektormaskinen (SVM), och varianterna av dessa modeller. Därför kan VMD-WOALSTM rekommenderas som en viktig hjälpmetod för att uppskatta ET i ökenregioner.

Evapotranspiration (ET) är en mycket olinjär fysisk och biologisk process, som förbinder de ekologiska och hydrologiska processerna genom vattenbalansen1,2. Det är den centrala komponenten i den regionala vatten- och energibalansen och fungerar som en viktig länk i systemet jord-växt-atmosfär (SPA)3. Att noggrant uppskatta ET är en kritisk förutsättning för miljöförvaltning4–6, särskilt i ökenregioner med stora områden av artificiell och bindande vegetation, där hållbarheten hos artificiell sandbindande vegetation bestäms av vattenbalansen mellan ET och nederbörd5,7. Dessutom kommer klimatförändringar, särskilt förändringar i uppvärmnings- och nederbördsmönster, oundvikligen att ha en djupgående inverkan på hållbarheten hos artificiell vegetation7,8.

Till skillnad från naturlig vegetation etableras artificiell sandbindande vegetation med ett speciellt syfte och funktion, den exakta uppskattningen av ET kan ge en referens för att förstå vattenbalansen och bestämma sammansättningen, strukturen, den rumsliga fördelningen och skalan av artificiell sandbindande vegetation i ökenregioner9,10. Tillämpningen av fysiskt baserade metoder (t.ex. Priestley-Taylor-metoden, Hargreaves-metoden, den korrigerade FAO-24 Penman-metoden, FAO-56 Penman–Monteith-metoden, etc.) är dock starkt begränsad på grund av bristen på erforderliga meteorologiska parametrar (t.ex. latent förångningsvärme, solstrålning, relativ fuktighet, lufttemperatur, etc.) i ökenområden4,6,2–12. Därför är det mycket önskvärt att konstruera andra typer av datadrivna modeller för att få exakta uppskattningsresultat.

Nyligen har modellerna för maskininlärning (ML), inklusive backpropagation neurala nätverk (BPNN)13, multilayer perceptron (MLP)2, Multilayer artificiella neurala nätverk (MLNN)6, stöd för vektormaskin (SVM)7,12, extrem inlärningsmaskin (ELM) 6, modellträd (MT)14,15, random skog (RF)6, wavelet neurala nätverk (WNN)16, radiell basfunktion (RBF)17, etc., har använts dramatiskt för att uppskatta avdunstning eller ET pga. till dess förmåga att automatiskt lära sig funktioner och inte kräver några antaganden. Eftersom ML-modeller har defekterna att hyperparametrarna är svåra att justera själva, vilket avsevärt minskar beräkningsnoggrannheten. För att övervinna nackdelarna med ML-modeller, metaheuristiska algoritmer som blomsterpollineringsalgoritm (FPA)6, eldflugealgoritm (FFA)11, intelligenta vattendroppar (IWD) algoritm12, valoptimeringsalgoritm (WOA)18, algoritm för gråvarg (optimeringsalgoritm). GWO)19,20, etc., användes för att bestämma de optimala hyperparametrarna för ML-modeller. Studier har visat att ML-modeller i kombination med metaheuristiska algoritmer har högre beräkningsprestanda än för enskilda ML-modeller och fysiskt baserade metoder12,16,18,21,22.

Eftersom ET är nära påverkat av de meteorologiska parametrarna, markfuktigheten och vegetationsegenskaperna12, tar den uppmätta ET-tidsserien många skarpa och fluktuerande punkter, vilket avsevärt minskar uppskattningsnoggrannheten12. För att erhålla mer trovärdiga uppskattningsresultat användes dataförbehandlingstekniker, inklusive Discrete wavelettransform (DWT)23, ensemble empirical mode decomposition (EEMD)14,15 och variational mode decomposition (VMD)7,24, etc., för att sönderdela ET tidsseriefrekvens i olika komponenter och erhåll den information som krävs på flera nivåer7,14,23,24. Litteraturgenomgång visar att dataförbehandlingstekniker hybridiserade med ML-modeller avsevärt kan förbättra modellens prestanda16,25. I detta avseende kopplade Gocićet al.22 SVM med DWT och eldflugealgoritm (FFA) för att uppskatta referens ET i Serbien, där FFA användes för att bestämma hyperparametrarna för SVM. Resultaten visar att DWT-FFA-SVM är den bästa uppskattningsmetoden för referens-ET-uppskattning. Pammar och Deka[24]föreslog en hybrid DWT-SVM för att uppskatta den dagliga pannavdunstning i Karnataka, Indien. Resultaten bekräftar också att SVM i kombination med DWT kan förbättra uppskattningsnoggrannheten. Rezaie-Balf et al.15 integrerade EEMD med SVM- och M5-modellträd (M5T) separat för att uppskatta de månatliga panindunstningsmodellerna för Siirt-stationen och Diyarbakir-stationen på turkiska, och de föreslagna modellerna visade mycket högre noggrannhet. Fu et al.7 föreslog hybridmodeller genom att kombinera DWT, EEMD och VMD med SVM och GWO-SVM separat för att uppskatta den månatliga ET. Resultaten indikerade att VMD och DWT uppvisade bättre förbehandlingsprestanda än för EEMD, och den uppskattade noggrannheten för VMDGWO-SVM var högre än den för DWT-GWO-SVM och EEMD-GWO-SVM.

De tidigare arbetena är främst inriktade på att använda grunda ML-modeller för att uppskatta ET2,4,6,7,2–18,21–23. Det är välkänt att de grunda ML-modellerna har nackdelar som inte tillräckligt kan extrahera de dolda olinjära och icke-statiska egenskaperna från ET-tidsserien25. Sålunda har långtidsminne (LSTM)3,26, djupt neuralt nätverk (DNN)27, temporalt konvolutionsneuralt nätverk (TCN)27 och recurrent neuralt nätverk (RNN)28 använts för att uppskatta ET eller förångning baserat på begränsade meteorologiska data. Majhi et al.3 använde nämligen LSTM, MLNN, Hargreaves formel och Blaney-Criddles formel för att uppskatta den dagliga pannavdunstningen i delstaten Chhattisgarh i Indien. Resultaten indikerar att LSTM kan uppnå exakt uppskattning av evapotranspiration och har bättre uppskattning än andra modeller . Chen et al.27 uppskattade den dagliga referensen ET i den nordöstra slätten i Kina genom att använda LSTM, DNN, TCN, SVM, RF, Hargreaves-modellen, Ritchie-metoden, Priestley-Talor-modellen, Makkink-formeln, Romanenkomodellen respektive Schendel-formeln. Resultaten visar att LSTM, TCN och DNN har bättre uppskattningsprestanda än för de grunda ML-modellerna och empiriska modellerna i frånvaro av meteorologiska parametrar. Granata och Di Nunno28 använde LSTM och NARX för att uppskatta ET för Cypress Swamp och Kobeh Valley i USA. Resultaten visar att djupinlärningsmodeller har högre precision än grunda ML-modeller på grund av den höga hierarkiska strukturen.

Hyperparametrarna för ML-modeller bestämmer direkt beräkningsnoggrannheten, men m. Ändå kan de flesta modeller inte de optimala hyperparametrarna själva, och LSTM är inget undantag. Hyperparametrarna för LSTM, inklusive antalet dolda lager (HL), antal dolda enheter (HU), epoker och inlärningshastighet (LR)26, påverkar signifikant den uppskattade prestandan för LSTM. Såvitt författarna känner till har dock tillämpningen av LSTM i kombination med metaheuristiska algoritmer för att uppskatta avdunstning eller ET varit mycket minimal.

Studieområde och data

Forskningen utfördes i de sydöstra marginalerna av Tenggeröknen (37 grader 32'N, 105 grader 02'E). Den primära landskapstypen är tätt fördelade spaljédyner9,10. För att förhindra skadan av sandstormar på Baotou-Lanzhou-järnvägen, etablerade den kinesiska vetenskapsakademin och relevanta järnvägsenheter artificiellt återväxta bälten 1956a och utökade dem 1964a, 1981a och 1987a. En mekanisk sandbarriär vinkelrätt mot huvudvindens riktning installerades på den mobila dynen, halmruta (avstånd 1 m × 1 m) placerades bakom den mekaniska sandbarriären, och tvååriga xeriska buskplantor planterades i samma konfiguration på övergivet sätt med växtavstånd och radavstånd på 1 m×2 m eller 2 m×3 m under förutsättning att ingen bevattning. Efter mer än ett halvt sekel i följd har antalet naturliga växtarter ökat från 25 till 453, och vegetationstäckningen har ökat från mindre än 1 % till 42,3 %. En biologisk sandfixeringszon för vindskydd med en längd på 16 km och en bredd på 200-1000 m har gradvis bildats. Den konstgjorda sandbindande vegetationen som etablerats under olika år (1956a, 1964a, 1981a och 1987a) fördelas parallellt på båda sidor om järnvägen, vilket framgångsrikt förhindrade skadan av vindblåsta sandskador på järnvägstrafiken och avsevärt förbättrade den ekologiska miljön av studieområdet. Eftersom vegetationens stabilitet och hållbarhet beror på vattenbalansen mellan ET och nederbörd7,9,10, är ​​det av stor teoretisk och praktisk betydelse att noggrant uppskatta ET för att skydda och utnyttja artificiell sandbindande vegetation7,10.

I denna studie betraktades de månatliga ET-data som mättes från januari 1991 till december 2018, data från januari 1991 till december 2010 som träningsuppsättningen och resten användes som testuppsättning. Tabell 1 visar de viktigaste statistiska måtten för den månatliga ET-tidsserien i studieområdet.

Metodik

Ramen för de föreslagna modellerna. LSTM är ett nytt neuralt nätverk med tidscykel som kan övervinna problemet med gradientförsvinnande i RNN genom att lägga till en kedjeform av repeterande neurala nätverksmoduler för att lagra relevant information25,26. Den använder arbetsprincipen "två in och två ut" för att lösa problemet med långvarigt orderberoende26. I denna studie valdes LSTM som huvudmodul för att uppskatta den månatliga ET-duon till att LSTM har den utmärkta förmågan att hantera olinjära mönster bland tidsserierna27,28. Dessutom användes SVM också för att uppskatta ET eftersom SVM har bättre anpassningsförmåga för att lösa en bredare klass av icke-linjära passningsproblem (t.ex. uppskatta ET) än andra grunda ML-modeller (t.ex. BPNN, WNN, ELM, MT och MLP) 29.

Eftersom DWT är känsligt för wavelet-basen och tröskeln, lider EMD av en inneboende nackdel med modemixing7,24, och EEMD existerar endpoint-effekter7. VMD är en mer robust och adaptiv dataförbehandlingsmetod än DWT, EMD och EEMD24, den övervinner effektivt dessa metoders brister och extraherar huvudvariationsfunktionerna från tidsserierna för oregelbundenhet och icke-stationaritet24. I denna studie användes VMD för att extrahera de viktigaste variationsfunktionerna från ET-datauppsättningen. För att jämföra denoising-prestandan hos VMD valdes DWT som referens. Utdata från DWT, VMD och de insamlade ET-tidsserierna delades upp i träningsuppsättningar och testuppsättningar och matades till ML-modeller för att uppskatta ET.

För att förbättra träningseffektiviteten för ML-modeller användes min–max-normaliseringsmetoden7,22 för att normalisera in- och utdatauppsättningarna. In- och utgångsuppsättningarna för SVM och LSTM bestämdes med hjälp av longitudinell urvalsmetod (LS)7, nämligen gruppen av träningsprov representeras av en vektor från I till k − q, träningsutgången betecknas som en vektor från I + d − 1 till k − q, testningsutgångsvektorn representeras av en vektor från k − q + 1 till k, där i, d, k och q anger startpunkten, inmatningsdimensionen, storleken på datan set och längden på testutgången. Figur 1 visar det schematiska diagrammet för LS-metoden med i=1, d=3 och k=336.

WOA är en ny effektiv och stabil metaheuristisk algoritm18, som användes flitigt för att lösa olinjära optimeringsproblem, inklusive optimering av hyperparametrarna för grunda ML-modeller för uppskattning av förångning eller ET. Ingen forskare har dock föreslagit en hybridmodell genom att koppla LSTM med metaheuristiska algoritmer för att uppskatta ET. Således användes WOA för att optimera hyperparametrarna för LSTM för att erhålla mer exakta uppskattade resultat. Figur 2 visar flödesschemat för WOA-LSTM. WOA-LSTM kopplat med VMD betecknas som VMD-WOA-LSTM.

VMD-WOA-LSTMs överlägsenhet testades genom att jämföra den uppskattade prestandan med LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM och VMD-GWO-SVM, där GWO-SVM indikerar att de bästa C och G för SVM bestämdes genom att använda GWO-algoritm, Fig. 3 visar flödesscheman för GWO-SVM. I de numeriska simuleringsprocesserna användes det genomsnittliga absoluta procentuella felet (MAPE) som fitnessfunktion för att bestämma de optimala hyperparametrarna för ML-modeller. Det bör noteras att de matematiska principerna för metoderna som används i detta dokument, inklusive DWT, VMD, SVM, LSTM, GWO och WOA, finns i relevant litteratur, så den matematiska beskrivningen av dessa metoder utelämnas.

Mätvärden för prestationsutvärdering. Felanalysen utförs med hjälp av utvärderingsmåtten, inklusive det genomsnittliga absoluta felet (MAE), MAPE, normaliserat medelkvadratfel (NMSE), root mean squarederror (RMSE) och Nash–Sutcliffe-effektivitetskoefficienten (NSCE). Definitionerna av dessa utvärderingsmått är följande:

där yi och yi anger det önskade och uppskattade resultatet. MAE, MAPE, NMSE och RMSE används i allmänhet för att mäta avvikelsen mellan det önskade och det uppskattade resultatet, uppskattningsprestandan är bättre när värdena för dessa utvärderingsmått är mindre. AsMAPE är relativt stabilare bland dessa kriterier, NSCE används vanligtvis för att bestämma modelleffektivitet inom det hydrologiska området (NSCE nära 1 indikerar att den föreslagna modellen har god kondition). Därför valdes MAPE och NSCE ut som de viktigaste riktmärkena för att utvärdera modellprestandan för de föreslagna modellerna.

Parameterinställningar. Uppskattningen av prestanda för olika modeller bestäms i första hand av parametervalet. Tabell 2 visar nyckelparametrarna för DWT och VMD. Antalet sökagenter och de maximala iterationerna av WOA- och GWO-algoritmerna var 5 respektive 100. Minibatchstorleken för alla de LSTM-baserade modellerna var 128. Utbudet av HL, HU, epoker och LR för WOA-LSTM var [1, 200], [1 200], [10, 100 ] respektive [0,001, 0,01]. När det gäller GWO-SVM var intervallet för C och G [0,01, 100].

Resultat

Figurerna 4 och 5 visar resultaten av DWT och VMD. Såsom visas i Fig. 4 och 5 har de insamlade månatliga ET-tidsserierna många skarpa och fluktuerande punkter, vilket kommer att påverka estimeringsprestandan. För att lösa dessa problematiska mönster i ET-uppskattningsprocesser analyserades db4 med nivå 1 och VMD med K=5 och användes för att försvaga den stadiga ET-tidsserien. Den återstående tidsserien visar låg amplitud och högfrekventa fluktuationer, vilket tyder på att det vita bruset eliminerades från den ursprungliga ET-datauppsättningen. Tabell 2 visar att denoising-prestandan för VMD (med SNR=42.6451 och RMSE=1.7934) är mer effektiv än den för DWT (med SNR=40.8201 och RMSE{{15} }.2127). DWT har nackdelen att wavelet-basen bör väljas i förväg, och den är också känslig för valet av tröskel. Därför är VMD bättre.

Som nämnts användes LSTM och SVM för att uppskatta den månatliga ET, respektive. För varje fast indatadimension d i d=2, 3, …, 16 valdes den lägsta MAPE från 5 replikationer, och de optimala hyperparametrarna för WOA-LSTM och GWO-SVM registrerades enligt lägsta MAPE. Tabell 3 visar de optimala indatafunktionerna och hyperparametrarna för de föreslagna modellerna. Som visas i tabell 3 är MAPE för varje LSTM-baserad modell mindre än den för SVM-baserade, vilket tyder på att djupinlärningsmodellerna avsevärt överträffade de grunda ML-modellerna; MAPE för den enda ML-modellen minskades genom att koppla ML-modellen med dataförbehandlingsteknikerna, vilket tyder på att prestandan hos ML-modellen kan förbättras genom att använda dataförbehandlingen; Hybridmodellernas MAPE med optimala parametrar är alla mindre än ML-modellerna med standardparametrar, vilket indikerar att ML-modeller integrerade med metaheuristiska algoritmer har måttligt högre beräkningsprestanda än ML-modellerna med standardparametrar; MAPE av hybridmodellerna DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM och VMD-WOA-LSTM är mindre än den för LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM och GWO-SVM, vilket tyder på att ML-modellens prestanda kan förbättras avsevärt genom att använda dataförbearbetning och metaheuristisk algoritm.

Uppskattningsresultaten för ML-modellerna med minsta MAPE och de optimala hyperparametrarna presenteras i Fig. 6. Figur 6 visar att resultaten för alla föreslagna modeller överensstämmer med de flesta punkter i mellanområdet, men startpunkten och extremvärdena. är överskattade; De månatliga ET-tidsserierna har en period på 12 månader, de optimala inmatningsdimensionerna för LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM och VMD-WOA-LSTM är ungefär lika med perioden för ET-tiden serier (tabell 3), vilket tyder på att LSTM kan dra full nytta av historiska datamönster och effektivt övervinna nackdelarna med grunda ML-modeller. Totalt sett har hybridmodellerna DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM och VMD-WOA-LSTM bättre uppskattningsprestanda än andra föreslagna modeller.

Tabell 4 visar utvärderingsmåtten för varje modell i tränings- och teststadierna, där evaluationmetrics-genomsnittet för ML-modellerna optimerade med metaheuristiska algoritmer är markerade med fet stil. Som visas i tabell 4 är modellprestandan för DWT-LSTM-, DWT-SVM-, VMD-LSTM- och VMD-SVM-modeller bättre än för LSTM och SVM i teststadiet (tabell 4), vilket tyder på att dataförbehandlingen är en stöd för att förbättra uppskattningsprestandan för ML-modeller. Som visas i tabell 4 är utvärderingsmåtten inklusive MAE, MAPE, NMSE och RMSE för WOA-LSTM och GWO-SVM alla mindre än de för LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM och VMD-SVM , och NSCE ökade i varierande grad, vilket indikerar att uppskattningsprestandan för LSTM och SVM förbättras avsevärt när hyperparametrarna för LSTM och SVM optimeras genom att använda metaheuristiska algoritmer.

Utvärderingsmåtten för SVM integrerad med GWO är alla mindre än LSTM:s i kombination med dataförbehandlingstekniker; MAPE för hybrid VMD-GWO-SVM är mindre än den för andra SVM-baserade modeller och LSTM, DWT-LSTM, VMD-LSTM-modeller (tabell 4), vilket tyder på att grunda ML-modeller integrerade med dataförbehandlingstekniker och metaheuristiska algoritmer kan användas för att uppskatta ET. Medan modellprestandan för grunda ML-modeller fortfarande behöver förbättras. Som visas i tabell 4 överträffade modellerna för djupinlärning avsevärt de grunda ML-modellerna, och modellprestandan för hybrid WOA-LSTM, DWT-WOA-LSTM och VMD-WOA-LSTM är bättre än för de SVM-baserade hybridmodellerna. Jämfört med VMD-GWO-SVM minskade MAPE för DWT-WOA-LSTM från 23,22 % till 18,90%, och NSCE förbättrades från 0.8754 till 0.8578; MAPE för VMD-WOA-LSTM minskade från 23,22 % till 18,72 %, och NSCE förbättrades från 0.8754 till 0,8917. Dessa resultat indikerar att hybridmodellerna DWT-WOA-LSTM och VMD-WOA-LSTM har utmärkt förmåga att uppskatta den månatliga ET jämfört med andra föreslagna metoder. MAPE för hybrid VMD-WOA-LSTM-modellerna är den minsta bland de föreslagna modellerna, vilket indikerar att VMD-WOA-LSTM är den mest exakta modellen för att uppskatta den månatliga ET bland de föreslagna modellerna. Därför kan VMD-WOA-LSTM rekommenderas som en viktig hjälpmetod för att uppskatta ET i ökenregioner.

Diskussion

Som nämnts föreslogs hybridmodeller baserade på ML-modeller, dataförbehandlingstekniker och metaheuristiska algoritmer för att uppskatta ET inom studieområdet. Generellt sett är konstruktionen av hybrid-ML-modellerna en komplex och tidskrävande procedur6,14–18. Hybrid-ML-modellerna har dock högre noggrannhet än de fysiskt baserade metoderna20–23. Att använda hybrid-ML-modellerna för att exakt uppskatta ET är därför en kärnfråga inom hydrologi och ekologi.

Deep learning-modellerna överträffade generellt de grunda ML-modellerna3. Men att endast använda ML-modeller för att uppskatta ET kan leda till stora fel när dataförbehandlingen inte utförs7,14–16. Såsom visas i Fig. 4 och 5 uppvisar de insamlade ET-tidsserierna oregelbundenhet och icke-stationaritet eftersom ET bestäms av meteorologiska faktorer och är nära relaterat till markfuktigheten, geomorfologiska och vegetationsegenskaper i ökenregioner. Således bör dataförbehandlingstekniken användas för att nå de viktigaste variationsfunktionerna från den insamlade ET-tidsserien för att erhålla trovärdiga uppskattningsresultat. Dataförbehandlingsmetoderna som DWT och VMD kan användas för att eliminera bruset från de icke-linjära och icke-stationära tidsserierna. Medan DWT är känsligt för valet av tröskel, är VMD en mer robust och effektiv dataförbehandlingsmetod än det empiriska läget nedbrytning (EMD) och EEMD, som kan användas för att ta bort bruset från tidsserier genom att sönderdela den olinjära och icke-stationära signalen i flera bandbegränsade intrinsicmode-funktioner (IMF)7,24. Därför är denoising-prestandan för DWT sämre än den för VMD (tabell 2).

Litteraturgenomgång visar att ML-modellerna integrerade med dataförbehandlingstekniker är en effektiv strategi för att få mer trovärdiga uppskattningsresultat7,21–23, resultaten i vår forskning bekräftar också denna slutsats. Såsom visas i tabellerna 3 och 4 är genomsnittet för utvärderingsmåtten för ML-modellerna integrerade med DWTor VMD alla mindre än för enskilda SVM- och LSTM-modeller. Därför är det nödvändigt att extrahera användbara funktioner med hjälp av en dataförbehandlingsteknik för mer trovärdiga uppskattningsresultat (tilläggsfil 1).

Uppskattningsprestandan för ML-modellerna kan också förbättras avsevärt genom att koppla ML-modeller med metaheuristiska algoritmer. Till viss del är det viktigare att erhålla de optimala hyperparametrarna för en ML-modell än att välja lämplig dataförbehandlingsteknik. Som visas i tabellerna 3 och 4 förbättrades uppskattningsprestandan för ML-modeller hybridiserade med dataförbehandlingsteknik avsevärt när hyperparametrarna för LSTM och SVM optimerades. Jämfört med DWT-SVM, VMD-SVM, DWT-LSTM och VMD-LSTM, de positiva utvärderingsmåtten för DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM och VMD-WOA -LSTM minskade, och de negativa indikatorerna ökade i varierande grad. Således var valet av hyperparametrar för ML-modeller avgörande för att förbättra uppskattningsprestandan6,7,21–29.

Dessutom, som slutsatsen, var huvudsyftet med denna studie att föreslå en ny hybridmodell för att uppskatta ET genom att integrera LSTM med WOA och dataförbehandlingstekniker, inklusive DWT och VMD. Prestandan hos VMD-WOA-LSTM jämfördes med andra hybridmodeller när det gäller standardprestandamått. Prestandajämförelsen av de föreslagna modellerna visade att hybrid VMDWOA-LSTM-modellen presterade bättre än andra ML-baserade modeller när det gällde att uppskatta den månatliga ET i de sydöstra marginalerna av Tenggeröknen.

Slutsatser

I denna studie föreslogs hybridmodellerna baserade på VMD, WOA och LSTM för att uppskatta ET med hjälp av tidsserieanalysmetoder, där VMD användes för att extrahera de inneboende egenskaperna hos ET-tidsserier, och WOA användes för att optimera hyperparametrarna för LSTM . Modellens prestanda jämfördes med faktisk ET och uppskattning av andra hybridmodeller i termer av MAE, MAPE, NMSE, RMSE och NSCE. Resultaten indikerar att VMD-WOA-LSTM har mer exakta uppskattningsresultat än andra ML-baserade modeller, vilket kan rekommenderas som en viktig hjälpmetod för att uppskatta ET i ökenregioner.

Datatillgänglighet

All data som analyseras eller genereras under denna studie ingår i den kompletterande informationen och är tillgänglig från motsvarande författare på rimlig begäran.

Referenser

1. Keshtegar, B., Piri, J. & Kisi, O. En ickelinjär matematisk modellering av daglig pannavdunstning baserad på konjugatgradientmetod.Comput. Elektron. Agric. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Utvärdering av artificiella neurala nätverk och Penman-Monteith ekvation för förutsägelse av korn standard evapotranspiration i en semi-arid region. Teor. Appl. Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Förbättrad förutsägelse av daglig pannavdunstning med hjälp av Deep-LSTM-modellen. Neural Comput. Appl. 32, 7823 (2019).

4. Wen, X. et al. Stöd-vektor-maskin-baserade modeller för modellering av daglig referens evapotranspiration med begränsade klimatdata i extrema torra områden. Vattenresurs. Manag. 29, 3195–3209 (2015).

5. Li, XR et al. Fundamental Ecohydrology of Ecological Restoration and Recovery in Sand Desert Regions of China (Science Press,2016).

6. Wu, LF et al. Hybrid extrem inlärningsmaskin med metaheuristiska algoritmer för månatlig förutsägelse av pannavdunstning. Datorelektron. Agr. 168, 105–115 (2020).

7. Fu, TL et al. En ny integrerad metod baserad på en maskininlärningsmodell för att uppskatta evapotranspiration i torrland. J. Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Effekter av nederbördsintensitet och intermittens på träig vegetation och djup jordfuktighet i torra ekosystem. J. Hydrol. 543, 270–282 (2016).

9. Li, XR et al. Den ekohydrologiska tröskeln för att utvärdera stabiliteten hos sandbindande vegetation i olika klimatzoner.Ecol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com