Hybrid Langtímaminni með hvalahagræðingaralgrími og breytilegum niðurbroti fyrir mánaðarlegt uppgufunarmat

Sjálfbærni tilbúins sandbindandi gróðurs ræðst af vatnsjafnvægi milli uppgufunar (ET) og úrkomu á eyðimerkursvæðum. Þar af leiðandi er nákvæm mat á ET mikilvæg forsenda þess að ákvarða gerðir og staðbundna dreifingu gervigróðurs óháðra sandsvæða. Í þessu skyni var lagt til nýtt blendingsmatslíkan til að meta mánaðarlega ET með því að tengja saman djúpnám langtímaminni (LSTM) við breytilegt niðurbrot (VMD) og hvalahagræðingaralgrím (WOA) (þ.e. VMD-WOA-LSTM) við áætla mánaðarlega ET í suðaustur jaðri Tengger eyðimerkur.

Á undanförnum árum hafa margar fréttir um geimverur og UFO ekki aðeins vakið forvitni fólks og eldmóð heldur einnig vakið aðdáun fólks og löngun til að kanna geimvera líf.

Eitt af því efni sem hefur vakið mikla athygli er greindarstig geimvera. Margir trúa því að geimverur búi yfir greind sem er langt umfram greind manna og þessari hugmynd hefur verið dreift víða í vísindaskáldsögum og kvikmyndum. En eru geimverur gáfaðari en menn? Ef svo er, myndu þeir eiga sterkari minningar?

Í fyrsta lagi verðum við að viðurkenna að hugtakið okkar um geimverugreind er enn mjög yfirborðskennt. Við getum ekki verið viss um hvort geimverur séu líkar okkur í upplýsingaöflun, hvað þá hvort þær séu betri en við. Hins vegar getum við einfaldlega hugsað og metið sambandið milli minnis og upplýsingaöflunar frá mannlegu sjónarhorni.

Frá mannlegu sjónarhorni vitum við að það er fylgni á milli greind og minni. Fólk með hærra greind hefur almennt betra minni. Þetta er vegna þess að fólk með mikla greind gefur meiri athygli að hugsun og rökréttum rökum og er líklegra til að samþætta og tengja upplýsingar með mismunandi fylgniaðferðum. Þessi hugsunarháttur hjálpar til við að bæta minni. Þess vegna er fylgni á milli greindarstigs heilans og minnis.

Hins vegar ættum við ekki einfaldlega að beita þessari fylgni á geimverur. Vegna þess að við getum ekki verið viss um hvort greind uppbygging og heilabygging geimvera sé svipuð og manna. Geimverur geta verið með mismunandi greind og minnisbyggingu en manneskjur, þannig að sambandið milli greind þeirra og minni getur verið mjög mismunandi.

Að lokum ættum við að vera viss um að uppgötvun geimverulífs mun hafa mikil áhrif á þróun mannvísinda og heimspeki. Rannsóknir á greind og minni geimvera verða einnig að fara fram á vísindalegum grunni. Við vonum að með stöðugri þróun vísinda og tækni muni mennirnir geta kannað meira framandi líf og haldið áfram að halda áfram í því ferli að leysa leyndardóma sína og kanna sannleika alheimsins. Það má sjá að við þurfum að bæta minnið og Cistanche deserticola getur bætt minnið verulega því Cistanche deserticola er hefðbundið kínverskt lækningaefni sem hefur mörg einstök áhrif, ein þeirra er að bæta minni. Virkni hakkaðs kjöts kemur frá hinum ýmsu virku innihaldsefnum sem það inniheldur, þar á meðal sýru, fjölsykrur, flavonoids o.fl. Þessi innihaldsefni geta stuðlað að heilsu heilans á ýmsan hátt.

Smelltu vita leiðir til að bæta heilastarfsemi

Yfirburðir LSTM voru valdir vegna getu þess til að draga sjálfkrafa ólínulega og óstöðugleika úr raðgögnum, WOA var notað til að fínstilla ofurfæribreytur LSTM og VMD var notað til að draga út innri eiginleika ET tímaraða. Áætlaðar niðurstöður VMD-WOA-LSTM hafa verið bornar saman við raunverulegt ET og mat á öðrum blendingslíkönum með tilliti til staðlaðra frammistöðumælinga. Niðurstöður leiddu í ljós að VMD-WOA-LSTM veitir nákvæmari og áreiðanlegri matsniðurstöður en LSTM, stuðningsvektorvélin (SVM), og afbrigði þessara líkana. Þess vegna gæti verið mælt með VMD-WOALSTM sem nauðsynlegri hjálparaðferð til að meta ET á eyðimerkursvæðum.

Evapotranspiration (ET) er mjög ólínulegt eðlis- og líffræðilegt ferli sem tengir vistfræðilega og vatnsfræðilega ferla með vatnsjafnvæginu1,2. Það er aðalþáttur svæðisbundins vatns- og orkujafnvægis og þjónar sem mikilvægur tenging í jarðvegs-plöntu-andrúmsloftskerfinu (SPA)3. Nákvæmt mat á ET er mikilvæg forsenda í umhverfisstjórnun4–6, sérstaklega á eyðimerkursvæðum með stórum svæðum með gervi- og bindandi gróðri, þar sem sjálfbærni gervi sandbindandi gróðurs ræðst af vatnsjafnvægi milli ET og úrkomu5,7. Þar að auki munu loftslagsbreytingar, sérstaklega breytingar á hlýnun og úrkomumynstri, óhjákvæmilega hafa mikil áhrif á sjálfbærni gervigróðurs7,8.

Ólíkt náttúrulegum gróðri er tilbúnum sandbindandi gróður komið á með sérstökum tilgangi og hlutverki, nákvæmt mat á ET getur veitt viðmiðun til að skilja vatnsjafnvægið og ákvarða samsetningu, uppbyggingu, dreifingu í rýminu og mælikvarða tilbúins sandbindandi gróðurs í eyðimerkursvæðum9,10. Hins vegar er beiting líkamlegra aðferða (td Priestley-Taylor aðferð, Hargreaves aðferð, leiðrétta FAO-24 Penman aðferð, FAO-56 Penman–Monteith aðferð o.s.frv.) verulega takmörkuð vegna skorts á nauðsynlegum veðurfræðilegum breytum (td duldum uppgufunarhita, sólargeislun, hlutfallslegan raka, lofthita osfrv.) á eyðimerkursvæðum4,6,2–12. Þess vegna er mjög æskilegt að smíða aðrar gerðir gagnadrifna líkana til að ná nákvæmum matsniðurstöðum.

Nýlega hafa vélanám (ML) líkanin, þar á meðal bakútbreiðsla taugakerfi (BPNN)13, fjöllaga skynjara (MLP)2, fjöllaga gervi taugakerfi (MLNN)6, stuðnings vektor vél (SVM)7,12, öfgakennsluvél (ELM) 6, líkantré (MT)14,15, tilviljunarkenndur skógur (RF)6, bylgjutauganet (WNN)16, geislagrunnsvirkni (RBF)17, o.s.frv., hefur verið notað verulega til að meta uppgufun eða ET vegna til getu þess til að læra sjálfkrafa eiginleika og þurfa ekki neinar forsendur. Þar sem ML líkön hafa þá galla að erfitt er að stilla ofurfæribreyturnar sjálfar, sem dregur verulega úr tölvunákvæmni. Til að vinna bug á göllum ML líkana, meta-heuristic reiknirit eins og blóm frævun reiknirit (FPA)6, eldflugu reiknirit (FFA)11, greindur vatnsdropar (IWD) reiknirit12, hvala hagræðingar reiknirit (WOA)18, grey wolf (fínstillingar reiknirit) GWO)19,20 o.s.frv., voru notuð til að ákvarða ákjósanlegustu ofurfæribreytur MLlíkana. Rannsóknir hafa sýnt að ML líkön ásamt meta-heuristic reiknirit hafa meiri tölvuframmistöðu en einstakra ML líkön og líkamlega byggðar aðferðir12,16,18,21,22.

Þar sem ET er fyrir nánum áhrifum af veðurfræðilegum breytum, jarðvegsraka og gróðureiginleikum12, tekur mæld ET tímaröð á sig marga skarpa og sveiflukennda punkta, sem dregur verulega úr nákvæmni matsins12. Til að fá áreiðanlegri matsniðurstöður voru gagnaforvinnsluaðferðir, þar á meðal Discrete wavelettransform (DWT)23, ensemble empirical mode decomposition (EEMD)14,15, og variational mode decomposition (VMD)7,24, o.s.frv. ET tímaröð tíðni í ýmsa hluti og fáðu nauðsynlegar upplýsingar á mörgum stigum7,14,23,24. Bókmenntarýni sýnir að forvinnsluaðferðir gagna sem eru blendnar við ML líkan geta bætt afköst líkansins verulega16,25. Í þessu sambandi tengdi Gocićet al.22 SVM við DWT og eldflugu reiknirit (FFA) til að áætla viðmiðun ET í Serbíu, þar sem FFA var notað til að ákvarða ofbreytur SVM. Niðurstöðurnar sýna að DWT-FFA-SVM er besta matsaðferðin til viðmiðunar ET mats. Pammar og Deka[24] lögðu til blendingur DWT-SVM til að meta daglega uppgufun í Karnataka á Indlandi. Niðurstöðurnar staðfesta einnig að SVM ásamt DWT getur bætt matsnákvæmni. Rezaie-Balf o.fl.15 samþætt EEMD með SVM og M5 líkantré (M5T) sérstaklega til að meta mánaðarlega pönnuuppgufunarlíkön Siirt stöðvar og Diyarbakir stöðvar á tyrknesku, og fyrirhugaðar gerðir sýndu mun meiri nákvæmni. Fu et al.7 lagði til blendingslíkön með því að sameina DWT, EEMD og VMD með SVM og GWO-SVM sérstaklega til að áætla mánaðarlega ET. Niðurstöðurnar bentu til þess að VMD og DWT sýndu betri forvinnsluárangur en EEMD og matsnákvæmni VMDGWO-SVM var meiri en DWT-GWO-SVM og EEMD-GWO-SVM.

Fyrri verkin beinast aðallega að því að nota grunn ML líkön til að áætla ET2,4,6,7,2–18,21–23. Það er vel þekkt að grunnu ML módelin hafa galla sem geta ekki dregið nægilega út falið ólínulega og óstöðugleika úr ET tímaröðinni25. Þannig hefur langtímaminni (LSTM) 3,26, djúpt taugakerfi (DNN) 27, tímaskekkju taugakerfi (TCN) 27 og endurtekið taugakerfi (RNN) 28 verið notað til að meta ET eða uppgufun út frá takmörkuðum veðurathugunum. gögn. Fyrir, Majhi o.fl.3 notuðu LSTM, MLNN, Hargreaves formúlu og Blaney-Criddle formúlu til að áætla daglega uppgufun á pönnu í Chhattisgarh fylki á Indlandi. Niðurstöðurnar benda til þess að LSTM geti náð nákvæmu mati á uppgufun og hefur betra mat en önnur líkön . Chen o.fl.27 áætluðu daglega viðmiðun ET á Norðaustur-sléttu Kína með því að nota LSTM, DNN, TCN, SVM, RF, Hargreaves líkan, Ritchie aðferð, Priestley-Talor líkan, Makkink formúlu, Romanenkomodel og Schendel formúlu, í sömu röð. Niðurstöðurnar sýna að LSTM, TCN og DNN hafa betri matsárangur en grunnu ML líkanin og reynslulíkön án veðurfarsbreyta. Granata og Di Nunno28 notuðu LSTM og NARX til að meta ET Cypress Swamp og Kobeh Valley í Bandaríkjunum. Niðurstöðurnar sýna að djúpnámslíkön hafa meiri nákvæmni en grunn ML líkön vegna hárrar stigskipunar.

Ofurfæribreytur ML líkana ákvarða beinlínis reikninákvæmni, en m. Samt sem áður geta flestar gerðir ekki ákjósanlegustu hyperparameters ein og sér og LSTM er engin undantekning. Ofurbreytur LSTM, þar á meðal fjöldi falinna laga (HL), fjölda falinna eininga (HU), tímabila og námshraða (LR)26, hafa veruleg áhrif á áætlaðan árangur LSTM. Hins vegar, eftir bestu vitund höfunda, hefur notkun LSTM ásamt meta-heuristic reikniritum til að meta uppgufun eða ET verið mjög lítil.

Námssvæði og gögn

Rannsóknin var gerð á suðausturjaðri Tengger-eyðimörkarinnar (37 gráður 32'N, 105 gráður 02'E). Aðal landslagsgerðin eru þéttdreifðar trjásaldir9,10. Til að koma í veg fyrir skaða af sandstormi á Baotou-Lanzhou járnbrautinni, stofnuðu kínverska vísindaakademían og viðeigandi járnbrautareiningar tilbúnar gróðurbelti árið 1956a og framlengdu þau 1964a, 1981a og 1987a. Vélræn sandhindrun hornrétt á meginvindstefnuna var sett upp á hreyfanlegu sandölduna, stráskálar (millibil 1 m × 1 m) voru settar fyrir aftan vélræna sandhindrunina og tveggja ára xeric runnaplöntur voru gróðursettar í sömu stillingu á yfirgefinn hátt með plöntubil og raðabil 1 m×2 m eða 2 m×3 m við skilyrði um enga vökvun. Eftir meira en hálfrar aldar röð hefur náttúrulegum plöntutegundum fjölgað úr 25 í 453 og gróðurþekja hefur aukist úr innan við 1% í 42,3%. Líffræðilegt festingarsvæði fyrir vindbreiður með 16 km lengd og 200-1000 m breidd hefur smám saman myndast. Gervi sandbindandi gróður sem komið var fyrir á mismunandi árum (1956a, 1964a, 1981a og 1987a) er dreift beggja vegna járnbrautarinnar samhliða, sem tókst að koma í veg fyrir skemmdir af vindblásnu sandskemmdum á járnbrautarumferð og bætti vistfræðilegt umhverfi verulega. af námssvæðinu. Þar sem stöðugleiki og sjálfbærni gróðurs er háð vatnsjafnvægi milli ET og úrkomu7,9,10, hefur mikla fræðilega og hagnýta þýðingu að meta ET nákvæmlega til að vernda og nýta tilbúna sandbindandi gróður7,10.

Í þessari rannsókn var litið á mánaðarleg ET gögn mæld frá janúar 1991 til desember 2018, gögnin frá janúar 1991 til desember 2010 sem þjálfunarsett og restin notuð sem prófunarsett. Tafla 1 sýnir helstu tölfræðilegu mælikvarða mánaðarlegrar ET tímaraðar á rannsóknarsvæðinu.

Aðferðafræði

Rammi fyrirhugaðra líkana. LSTM er nýtt tímahrings tauganet sem getur sigrast á hallavandamálinu í RNN með því að bæta við keðjuformi endurtekinna taugakerfiseininga til að geyma viðeigandi upplýsingar25,26. Það notar vinnuregluna „tveir inn og tveir út“ til að leysa vandamálið með langvarandi pöntunarháð26. Í þessari rannsókn var LSTM valið sem aðaleiningin til að áætla að mánaðarlega ET tvíeykið til að LSTM hafi framúrskarandi getu til að takast á við ólínuleg mynstur meðal tímaraðanna27,28. Að auki var SVM einnig notað til að áætla ET þar sem SVM hefur betri aðlögunarhæfni til að leysa víðtækari flokk ólínulegra festingarvandamála (td áætla ET) en annarra grunnra ML líkana (td BPNN, WNN, ELM, MT og MLP) 29.

Þar sem DWT er viðkvæmt fyrir bylgjugrunninum og þröskuldinum, þjáist EMD af innri göllum mótablöndunar7,24 og EEMD eru til endapunktaáhrif7. VMD er öflugri og aðlagandi gagnaforvinnsluaðferð en DWT, EMD og EEMD24, hún sigrar í raun galla þessara aðferða og dregur út helstu breytileikaeiginleikana úr óreglulegu og óstöðugleika tímaröðunum24. Í þessari rannsókn var VMD notað til að draga út helstu breytileikaeiginleikana úr ET gagnasettinu. Til að bera saman afköst VMD var DWT valið sem viðmið. Framleiðsla DWT, VMD og söfnuðu ET tímaröðanna var skipt í þjálfunarsett og prófunarsett og færð til ML líkana til að meta ET, í sömu röð.

Til að bæta skilvirkni þjálfunar ML líkana var lágmarks-hámarks stöðlunaraðferð7,22 notuð til að staðla inn- og úttaksgagnasett. Inntaks- og úttakssett SVM og LSTM voru ákvörðuð með því að nota lengdarvalsaðferð (LS)7, þ.e. hópur þjálfunarsýna er táknaður með vektor frá I til k − q, þjálfunarúttakið er táknað sem vektor frá I + d − 1 til k − q, prófunarúttaksvigurinn er táknaður með vigri frá k − q + 1 til k, þar sem i, d, k og q tákna upphafspunkt, inntaksvídd, stærð gagnanna sett, og lengd prófunarúttaksins, í sömu röð. Mynd 1 sýnir skýringarmynd LS-aðferðarinnar með i=1, d=3 og k=336.

WOA er nýtt skilvirkt og stöðugt meta-heuristic reiknirit18, sem var mikið notað til að leysa ólínuleg hagræðingarvandamál, þar á meðal að fínstilla ofurfæribreytur grunnra ML líkana fyrir mat á uppgufun eða ET. Hins vegar hefur enginn vísindamaður lagt til blendingslíkan með því að tengja LSTM við meta-heuristicalgorithms til að meta ET. Þannig var WOA notað til að fínstilla ofurfæribreytur LSTM til að fá nákvæmari áætlaðar niðurstöður. Mynd 2 sýnir flæðirit WOA-LSTM. WOA-LSTM ásamt VMD er táknað VMD-WOA-LSTM.

Yfirburðir VMD-WOA-LSTM voru prófaðir með því að bera saman áætlaðan árangur við LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM og VMD-GWO-SVM, þar sem GWO-SVM gefur til kynna að besta C og G SVM hafi verið ákvarðað með því að nota GWO reiknirit, mynd 3 sýnir flæðirit GWO-SVM. Í tölulegu hermunarferlunum var meðaltalshlutfallsvilla (MAPE) notuð sem hæfniaðgerð til að ákvarða ákjósanlegast ofurfæribreytur ML líkana. Það skal tekið fram að stærðfræðireglur aðferðanna sem notaðar eru í þessari grein, þar á meðal DWT, VMD, SVM, LSTM, GWO og WOA, er að finna í viðkomandi bókmenntum, þannig að stærðfræðilegri lýsingu á þessum aðferðum er sleppt.

Mælingar fyrir árangursmat. Villugreiningin er framkvæmd með því að nota matsmælikvarðana, þar á meðal meðaltalsvillu (MAE), MAPE, normalized mean squared error (NMSE), root mean squarederror (RMSE) og Nash–Sutcliffe skilvirknistuðull (NSCE). Skilgreiningar þessara matsmælinga eru sem hér segir:

þar sem yi og yi tákna æskilega og áætlaða niðurstöðu. MAE, MAPE, NMSE og RMSE eru almennt notuð til að mæla frávik á milli æskilegrar og áætlaðrar niðurstöðu, matsárangur er betri þegar gildi þessara matsmælinga eru minni. AsMAPE er tiltölulega stöðugra meðal þessara viðmiðana, NSCE er almennt notað til að ákvarða skilvirkni líkans á vatnafræðilegu sviði (NSCE nálægt 1 gefur til kynna að fyrirhugað líkan hafi góða hæfni). Þess vegna voru MAPE og NSCE valin sem aðalviðmið til að leggja mat á frammistöðu líkana fyrirhugaðra líkana.

Stillingar á færibreytum. Mat á frammistöðu mismunandi gerða ræðst fyrst og fremst af færibreytuvalinu. Tafla 2 sýnir lykilbreytur DWT og VMD. Fjöldi leitaraðila og hámarksendurtekningar WOA og GWO reiknirit voru 5 og 100, í sömu röð. Lítil lotustærð allra LSTM-undirstaða gerða var 128. Bil HL, HU, Epochs og LR WOA-LSTM voru [1, 200], [1.200], [10, 100 ], og [0,001, 0,01], í sömu röð. Hvað GWO-SVM varðar var bil C og G [0,01, 100].

Niðurstöður

Myndir 4 og 5 sýna niðurstöður DWT og VMD. Eins og sýnt er á myndum. 4 og 5, innheimtu mánaðarlega ET tímaröðin hafa marga skarpa og sveiflukennda punkta, sem munu hafa áhrif á mat á frammistöðu. Til að leysa þessi vandræðamynstur í ET matsferlum voru db4 með stigi 1 og VMD með K=5 greind og notuð til að afmerkja stöðugu ET tímaröðina. Tímaröðin sem eftir er sýnir lágt amplitude og hátíðni sveiflur, sem bendir til þess að hvítur hávaði hafi verið eytt úr upprunalegu ET gagnasettinu. Tafla 2 sýnir að afköst VMD (með SNR=42.6451 og RMSE=1.7934) eru skilvirkari en DWT (með SNR=40.8201 og RMSE{{15} }.2127). DWT hefur þann galla að bylgjugrunnurinn ætti að vera valinn fyrirfram og það er einnig viðkvæmt fyrir vali á þröskuldinum. Þess vegna er VMD betri.

Eins og fram hefur komið voru LSTM og SVM notuð til að áætla mánaðarlega ET, í sömu röð. Fyrir hverja fasta inntaksvídd d í d=2, 3, …, 16 var lágmarks MAPE valið úr 5 endurtekningum og ákjósanlegustu ofurbreytur WOA-LSTM og GWO-SVM voru skráðar í samræmi við lágmarks MAPE. Tafla 3 sýnir bestu innsláttareiginleika og ofurfæribreytur fyrirhugaðra líkana. Eins og sýnt er í töflu 3, er MAPE hvers LSTM byggt líkan minna en SVM byggt, sem bendir til þess að djúpnámslíkönin hafi verið verulega betri en grunnu ML líkanin; MAPE eins ML líkansins var minnkað með því að tengja ML líkanið við gagnaforvinnslutæknina, sem bendir til þess að hægt sé að bæta árangur ML líkansins með því að nota forvinnslu gagna; MAPE blendingslíkana með bestu færibreytur eru öll minni en ML líkananna með sjálfgefna færibreytur, sem gefur til kynna að ML líkön sem eru samþætt við meta-heuristic reiknirit hafa í meðallagi meiri tölvuafköst en ML líkanin með sjálfgefna færibreytur; MAPE af blendingum DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM og VMD-WOA-LSTM gerðum eru minni en LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM og GWO-SVM, sem bendir til þess að hægt sé að bæta árangur ML líkansins verulega með því að nota forvinnslu gagna og meta-heuristic reiknirit.

Áætlunarniðurstöður ML líkananna með lágmarks MAPE og ákjósanlegustu ofbreytur eru sýndar á mynd 6. Mynd 6 sýnir að niðurstöður allra fyrirhugaðra líkana eru í samræmi við flesta punkta á miðsviðinu, en upphafspunktur og öfgagildi eru ofmetnir; Mánaðarlegar ET tímaraðir hafa 12 mánaða tímabil, bestu inntaksvíddir LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM og VMD-WOA-LSTM eru um það bil jöfn tímabil ET tímans röð (tafla 3), sem bendir til þess að LSTM geti nýtt sér söguleg gagnamynstur til fulls og sigrast á göllum grunnra ML líkana á áhrifaríkan hátt. Á heildina litið hafa blendingar DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM og VMD-WOA-LSTM líkön betri mat á frammistöðu en annarra fyrirhugaðra gerða.

Tafla 4 sýnir matsmælikvarða hvers líkans á þjálfunar- og prófunarstigum, þar sem meðaltal matsmælinga ML líkananna sem eru fínstillt með meta-heuristic reikniritum eru feitletruð. Eins og sýnt er í töflu 4 er frammistaða líkana DWT-LSTM, DWT-SVM, VMD-LSTM og VMD-SVM líkana betri en LSTM og SVM á prófunarstigi (tafla 4), sem bendir til þess að forvinnsla gagna sé aðstoð til að auka mat á frammistöðu ML líkana. Eins og sýnt er í töflu 4 eru matsmælingar, þar á meðal MAE, MAPE, NMSE og RMSE fyrir WOA-LSTM og GWO-SVM, allar minni en LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM og VMD-SVM , og NSCE jókst í mismiklum mæli, sem gefur til kynna að matsárangur LSTM og SVM sé verulega bættur þegar ofurfæribreytur LSTM og SVM eru fínstilltar með því að nota meta-heuristic algrím.

Matsmælingar SVM samþættra GWO eru allar minni en LSTM ásamt gagnaforvinnslutækni; MAPE blendings VMD-GWO-SVM er minni en annarra SVM-byggðra líkana og LSTM, DWT-LSTM, VMD-LSTM líkana (tafla 4), sem bendir til þess að grunn ML líkan séu samþætt við forvinnslu gagna og meta-heuristic reiknirit hægt að nota til að meta ET. Enn þarf að bæta frammistöðu líkana grunnra ML líkana. Eins og sést í töflu 4 voru djúpnámslíkönin verulega betri en grunnu ML módelunum og frammistaða líkananna WOA-LSTM, DWT-WOA-LSTM og VMD-WOA-LSTM er betri en SVM-undirstaða blendingslíkana. Í samanburði við VMD-GWO-SVM lækkaði MAPE DWT-WOA-LSTM úr 23,22% í 18,90% og NSCE var bætt úr 0.8754 í 0}.8578; MAPE af VMD-WOA-LSTM var lækkað úr 23,22% í 18,72% og NSCE var bætt úr 0.8754 í 0.8917. Þessar niðurstöður benda til þess að hybrid DWT-WOA-LSTM og VMD-WOA-LSTM líkönin hafi framúrskarandi getu til að áætla mánaðarlega ET umfram aðrar fyrirhugaðar aðferðir. KORT af blendingum VMD-WOA-LSTM líkananna er það minnsta meðal fyrirhugaðra gerða, sem gefur til kynna að VMD-WOA-LSTM er nákvæmasta líkanið til að meta mánaðarlega ET meðal fyrirhugaðra líkana. Þess vegna gæti verið mælt með VMD-WOA-LSTM sem nauðsynlegri hjálparaðferð til að meta ET á eyðimerkursvæðum.

Umræða

Eins og fram hefur komið voru blönduð líkön byggð á ML líkönum, gagnaforvinnslutækni og meta-heuristicalgorithms lögð til til að meta ET á rannsóknarsvæðinu. Almennt séð er það flókið og tímafrekt ferli að smíða blendinga ML líkanin6,14–18. Hins vegar hafa hybrid ML módelin meiri nákvæmni en líkamlega byggðar aðferðirnar20–23. Því að nota blendings ML líkanin til að meta ET nákvæmlega er aðalatriði í vatnafræði og vistfræði.

Djúpnámslíkönin voru almennt betri en grunnu ML líkanin3. Hins vegar getur aðeins notkun ML líkan til að meta ET leitt til stórra villna þegar forvinnsla gagna er ekki framkvæmd7,14–16. Eins og sýnt er á myndum. 4 og 5 sýna ET tímaröðin sem safnað er óreglu og óstöðugleika þar sem ET er ákvarðað af veðurfræðilegum þáttum og nátengt jarðvegsraka, jarðgerð og gróðureiginleikum á eyðimerkursvæðum. Þannig ætti að nota gagnaforvinnslutæknina til að ná helstu afbrigðaeiginleikum frá innheimtu ET tímaröðunum til að fá trúverðugar matsniðurstöður. Hægt er að beita gagnaforvinnsluaðferðum eins og DWT og VMD til að útrýma hávaða frá ólínulegu og óstöðugustu tímaröðunum. Á meðan DWT er viðkvæmt fyrir vali á þröskuldi er VMD öflugri og áhrifaríkari gagnaforvinnsluaðferð en reynsluaðferðin. niðurbrot (EMD), og EEMD, sem hægt er að nota til að fjarlægja hávaða úr tímaröðum með því að sundra ólínulega og óstöðugðu merkinu í nokkrar bandtakmarkaðar innri stillingar (IMF)7,24. Þess vegna er afköst DWT verri en VMD (tafla 2).

Bókmenntarýni sýnir að ML líkönin samþætt við gagnaforvinnslutækni eru áhrifarík aðferð til að fá trúverðugri matsniðurstöður7,21–23, niðurstöður rannsókna okkar staðfesta einnig þessa niðurstöðu. Eins og sýnt er í töflum 3 og 4, er meðaltal matsmælinga ML líkananna sem eru samþætt DWTor VMD öll minni en meðaltals einstæðra SVM og LSTM líkana. Þess vegna er nauðsynlegt að draga út gagnlega eiginleika með því að nota forvinnslu gagna til að meta niðurstöður áreiðanlegri (viðbótarskrá 1).

Einnig er hægt að bæta mat á frammistöðu ML líkananna verulega með því að tengja ML líkan við meta-heuristic reiknirit. Að vissu marki er mikilvægara að fá ákjósanlegustu ofurfæribreytur anML líkans en að velja viðeigandi gagnaforvinnslutækni. Eins og sýnt er í töflum 3 og 4 var mat á frammistöðu ML líkana sem voru blandað saman við gagnaforvinnslutækni verulega bætt þegar ofurfæribreytur LSTM og SVM voru fínstilltar. Í samanburði við DWT-SVM, VMD-SVM, DWT-LSTM og VMD-LSTM eru jákvæðar matsmælingar DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM og VMD-WOA -LSTM lækkaði og neikvæðu vísbendingar jukust í mismiklum mæli. Þannig var val á ofurbreytum fyrir ML líkan afar mikilvægt til að bæta mat á frammistöðu6,7,21–29.

Ennfremur, eins og ályktað var, var meginmarkmið þessarar rannsóknar að leggja til nýtt blendingslíkan til að meta ET með því að samþætta LSTM við WOA og gagnaforvinnslutækni, þar á meðal DWT og VMD. Frammistaða VMD-WOA-LSTM var borin saman við aðrar blendingsgerðir hvað varðar staðlaða frammistöðumælingar. Frammistöðusamanburður fyrirhugaðra líkana sýndi fram á að hybrid VMDWOA-LSTM líkanið stóð sig betur en önnur ML-undirstaða líkön við að meta mánaðarlegan ET í suðausturjaðri Tengger-eyðimerkurinnar.

Ályktanir

Í þessari rannsókn voru blendingslíkönin byggð á VMD, WOA og LSTM lagt til að meta ET með því að nota tímaraðgreiningaraðferðir, þar sem VMD var notað til að draga út innri eiginleika ET tímaraða og WOA var notað til að fínstilla ofurfæribreytur LSTM . Frammistaða líkansins var borin saman við raunverulegt ET og mat á öðrum blendingum gerðum hvað varðar MAE, MAPE, NMSE, RMSE og NSCE. Niðurstöðurnar gefa til kynna að VMD-WOA-LSTM hafi nákvæmari matsniðurstöður en önnur ML-undirstaða líkön, sem hægt er að mæla með sem nauðsynlegri hjálparaðferð til að meta ET á eyðimerkursvæðum.

Aðgengi gagna

Öll gögn sem greind eru eða myndast við þessa rannsókn eru innifalin í viðbótarupplýsingunum og eru fáanlegar frá samsvarandi höfundum ef sanngjarnt er óskað eftir því.

Heimildir

1. Keshtegar, B., Piri, J. & Kisi, O. Ólínuleg stærðfræðileg líkan af daglegri uppgufun á pönnu byggt á samtengdum hallaaðferð.Comput. Rafeind. Agric. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Mat á gervi taugakerfi og Penman-Monteith jöfnu til að spá fyrir um bygg staðlaða uppgufun á hálfþurrkuðu svæði. Teor. Appl. Climatol. 139, 275–285 (2020).

3. Majhi, B. o.fl. Bætt spá um daglega uppgufun á pönnu með því að nota Deep-LSTM líkanið. Neural Comput. Appl. 32, 7823 (2019).

4. Wen, X. o.fl. Stuðnings-vektor-vél-undirstaða líkön til að reikna út daglega viðmiðunaruppgufun með takmörkuðum loftslagsgögnum á mjög þurrum svæðum. Vatnsauðlind. Stjórn. 29, 3195–3209 (2015).

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

6. Wu, LF o.fl. Hybrid Extreme-námsvél með meta-heuristic reiknirit fyrir mánaðarlega spá um pönnuuppgufun. Tölvurafeindir. Agr. 168, 105–115 (2020).

7. Fu, TL o.fl. Ný samþætt aðferð byggð á vélanámslíkani til að meta uppgufun á þurrlendi. J.Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Áhrif úrkomustyrks og hléum á viðargróðrarþekju og djúpan raka jarðvegs í vistkerfum þurrlendis. J. Hydrol. 543, 270–282 (2016).

9. Li, XR o.fl. Vistvatnsfræðilegur þröskuldur fyrir mat á stöðugleika sandbindandi gróðurs á mismunandi loftslagssvæðum.Ecol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com