ترکیبی از حافظه بلند مدت کوتاه مدت با الگوریتم بهینه سازی نهنگ و تجزیه حالت متغیر برای تخمین تبخیر و تعرق ماهانه

پایداری پوشش گیاهی متصل به شن و ماسه توسط تعادل آب بین تبخیر و تعرق (ET) و بارش در مناطق بیابانی تعیین می شود. در نتیجه، برآورد دقیق ET یک پیش نیاز حیاتی برای تعیین انواع و توزیع فضایی پوشش گیاهی مصنوعی مناطق شنی بی‌تفاوت است. برای این منظور، یک مدل تخمین ترکیبی جدید برای تخمین ET ماهانه با جفت کردن حافظه کوتاه مدت یادگیری عمیق (LSTM) با تجزیه حالت متغیر (VMD) و الگوریتم بهینه سازی نهنگ (WOA) (یعنی VMD-WOA-LSTM) پیشنهاد شد. تخمین ET ماهانه در حاشیه جنوب شرقی صحرای تنگر.

در سال‌های اخیر، گزارش‌های زیادی درباره موجودات فضایی و بشقاب پرنده‌ها نه تنها کنجکاوی و اشتیاق مردم را برانگیخته، بلکه تحسین و تمایل مردم را برای کشف حیات فرازمینی برانگیخته است.

یکی از موضوعاتی که توجه زیادی را به خود جلب کرده است میزان هوش موجودات فضایی است. بسیاری از مردم بر این باورند که هوش بیگانگان بسیار فراتر از هوش انسان ها است و این ایده به طور گسترده در رمان ها و فیلم های علمی تخیلی منتشر شده است. اما آیا موجودات فضایی از انسان ها باهوش ترند؟ اگر چنین است، آیا آنها حافظه قوی تری خواهند داشت؟

اول، باید بپذیریم که مفهوم ما از هوش بیگانه هنوز بسیار سطحی است. ما نمی توانیم مطمئن باشیم که آیا بیگانگان از نظر هوش شبیه ما هستند، چه رسد به اینکه آنها بهتر از ما هستند یا خیر. با این حال، ما می توانیم به سادگی بین حافظه و هوش از دیدگاه انسانی فکر و تخمین بزنیم.

از دیدگاه انسانی، ما می دانیم که بین هوش و حافظه همبستگی وجود دارد. افراد با سطح هوش بالاتر معمولا حافظه بهتری دارند. این به این دلیل است که افراد با سطح هوش بالا به تفکر و استدلال منطقی توجه بیشتری می کنند و احتمال بیشتری دارد که اطلاعات را از طریق روش های مختلف همبستگی ادغام و مرتبط کنند. این طرز تفکر به بهبود حافظه کمک می کند. بنابراین بین سطح هوش عملکرد مغز و حافظه همبستگی وجود دارد.

با این حال، ما نباید این همبستگی را به سادگی در مورد بیگانگان اعمال کنیم. زیرا نمی توان مطمئن بود که ساختار هوش و ساختار مغز موجودات فضایی شبیه انسان است یا خیر. بیگانگان ممکن است ساختارهای هوش و ساختار حافظه متفاوتی نسبت به انسان ها داشته باشند، بنابراین رابطه بین هوش و حافظه آنها ممکن است بسیار متفاوت باشد.

در نهایت باید مطمئن بود که کشف حیات فرازمینی تاثیر زیادی در پیشرفت علم و فلسفه بشری خواهد داشت. تحقیقات در مورد هوش و حافظه بیگانه نیز باید بر مبنای علمی انجام شود. ما امیدواریم که با پیشرفت مداوم علم و فناوری، انسان ها بتوانند زندگی بیگانه بیشتری را کشف کنند و در روند حل اسرار خود و کاوش در حقیقت جهان به پیشروی ادامه دهند. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانچ دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد زیرا سیستانچ دسرتیکولا یک ماده دارویی سنتی چینی است که اثرات منحصر به فرد بسیاری دارد که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از مواد فعال مختلفی که شامل اسید، پلی ساکاریدها، فلاونوئیدها و غیره است، ناشی می شود. این مواد می توانند به طرق مختلف سلامت مغز را ارتقا دهند.

روی روش های بهبود عملکرد مغز کلیک کنید

برتری LSTM به دلیل قابلیت استخراج خودکار ویژگی‌های غیرخطی و غیر ثابت از داده‌های متوالی انتخاب شد، WOA برای بهینه‌سازی فراپارامترهای LSTM و VMD برای استخراج ویژگی‌های ذاتی سری‌های زمانی ET استفاده شد. نتایج تخمین زده شده VMD-WOA-LSTM با ET واقعی و تخمین مدل های هیبریدی دیگر از نظر معیارهای عملکرد استاندارد مقایسه شده است. نتایج نشان داد که VMD-WOA-LSTM نتایج تخمینی دقیق‌تر و مطمئن‌تری را نسبت به LSTM، ماشین بردار پشتیبانی (SVM) و انواع آن مدل‌ها ارائه می‌دهد. بنابراین، VMD-WOALSTM می تواند به عنوان یک روش کمکی ضروری برای تخمین ET در مناطق بیابانی توصیه شود.

تبخیر و تعرق (ET) یک فرآیند فیزیکی و بیولوژیکی بسیار غیرخطی است که فرآیندهای اکولوژیکی و هیدرولوژیکی را توسط تعادل آب به هم متصل می کند. این جزء مرکزی تعادل آب و انرژی منطقه ای است و به عنوان یک پیوند مهم در سیستم خاک-گیاه-اتمسفر (SPA) عمل می کند. برآورد دقیق ET پیش نیاز حیاتی در مدیریت محیطی 4-6 است، به ویژه در مناطق بیابانی با مناطق وسیعی از پوشش گیاهی متصل به شن مصنوعی، که در آن پایداری پوشش گیاهی متصل به شن مصنوعی توسط تعادل آب بین ET و بارش تعیین می شود. علاوه بر این، تغییرات آب و هوایی، به ویژه تغییر در الگوهای گرمایش و بارش، به ناچار تأثیر عمیقی بر پایداری پوشش گیاهی مصنوعی خواهد داشت.

متفاوت از پوشش گیاهی طبیعی، پوشش گیاهی متصل به شن مصنوعی با هدف و عملکرد خاصی ایجاد می شود، تخمین دقیق ET می تواند مرجعی برای درک تعادل آب و تعیین ترکیب، ساختار، توزیع فضایی و مقیاس پوشش گیاهی شنی مصنوعی در مناطق بیابانی9،10. با این حال، استفاده از روش‌های مبتنی بر فیزیکی (به عنوان مثال، روش پریستلی-تیلور، روش هارگریوز، روش تصحیح شده FAO-24 روش پنمن، FAO-56 روش پنمن-مونتیث، و غیره) است. به دلیل عدم وجود پارامترهای هواشناسی مورد نیاز (مانند گرمای نهان تبخیر، تابش خورشید، رطوبت نسبی، دمای هوا و غیره) در مناطق بیابانی 4،6،2-12 به شدت محدود شده است. بنابراین، ساخت انواع دیگر مدل‌های مبتنی بر داده برای دستیابی به نتایج برآورد دقیق بسیار مطلوب است.

اخیراً مدل‌های یادگیری ماشین (ML) شامل شبکه‌های عصبی پس انتشار (BPNN)13، پرسپترون چندلایه (MLP)2، شبکه‌های عصبی مصنوعی چندلایه (MLNN)6، ماشین بردار پشتیبانی (SVM)7،12، ماشین یادگیری افراطی (ELM) 6، درخت مدل (MT)14،15، جنگل تصادفی (RF)6، شبکه های عصبی موجک (WNN)16، تابع پایه شعاعی (RBF)17، و غیره، به طور چشمگیری برای تخمین تبخیر یا ET ناشی از آن استفاده شده است. به توانایی آن در یادگیری خودکار ویژگی ها و بدون نیاز به هیچ فرضی. از آنجایی که مدل‌های ML دارای نقص‌هایی هستند که تنظیم فراپارامترها به خودی خود دشوار است، که به طور قابل‌توجهی دقت محاسبات را کاهش می‌دهد. برای غلبه بر اشکالات مدل های ML، الگوریتم های فراابتکاری مانند الگوریتم گرده افشانی گل (FPA)6، الگوریتم کرم شب تاب (FFA)11، الگوریتم قطرات آب هوشمند (IWD)12، الگوریتم بهینه سازی نهنگ (WOA) 18، الگوریتم بهینه ساز گرگ خاکستری GWO)19،20 و غیره برای تعیین فراپارامترهای بهینه مدل‌های ML استفاده شد. مطالعات نشان داده اند که مدل های ML همراه با الگوریتم های فراابتکاری عملکرد محاسباتی بالاتری نسبت به مدل های تک ML و روش های مبتنی بر فیزیکی دارند12،16،18،21،22.

از آنجایی که ET به شدت تحت تأثیر پارامترهای هواشناسی، رطوبت خاک و ویژگی‌های پوشش گیاهی قرار می‌گیرد، سری زمانی ET اندازه‌گیری شده نقاط تیز و نوسان زیادی را به خود می‌گیرد که به طور قابل توجهی دقت تخمین را کاهش می‌دهد. برای به دست آوردن نتایج تخمینی معتبرتر، تکنیک های پیش پردازش داده ها، از جمله تبدیل موج گسسته (DWT)23، تجزیه حالت تجربی گروهی (EEMD)14،15، و تجزیه حالت متغیر (VMD)7،24، و غیره، برای تجزیه استفاده شد. فرکانس سری زمانی ET به اجزای مختلف تبدیل می شود و اطلاعات مورد نیاز را در سطوح مختلف به دست می آورد 7،14،23،24. بررسی ادبیات نشان می‌دهد که تکنیک‌های پیش‌پردازش داده‌های ترکیبی با مدل‌های ML می‌توانند به طور قابل‌توجهی عملکرد مدل را بهبود بخشند16،25. در این رابطه، Gocićet al.22 SVM را با DWT و الگوریتم کرم شب تاب (FFA) برای تخمین ET مرجع در صربستان، که در آن FFA برای تعیین فراپارامترهای SVM به کار گرفته شد، همراه کرد. نتایج نشان می دهد که DWT-FFA-SVM بهترین روش تخمینی برای تخمین ET مرجع است. پامار و دکا[24] یک DWT-SVM ترکیبی برای تخمین تبخیر روزانه در کارناتاکا، هند پیشنهاد کردند. نتایج همچنین تایید می‌کنند که SVM همراه با DWT می‌تواند دقت تخمین را بهبود بخشد. رضایی-بالف و همکاران 15 EEMD را با SVM و درخت مدل M5 (M5T) ادغام کردند تا مدل‌های ماهانه تبخیر ماهیانه ایستگاه سیرت و ایستگاه دیاربکر را به زبان ترکی تخمین بزنند، و مدل‌های پیشنهادی دقت بسیار بالاتری ارائه کردند. Fu و همکاران 7 مدل های ترکیبی را با ترکیب DWT، EEMD، و VMD با SVM و GWO-SVM به طور جداگانه برای تخمین ET ماهانه پیشنهاد کردند. نتایج نشان داد که VMD و DWT عملکرد پیش پردازش بهتری نسبت به EEMD نشان دادند و دقت تخمین VMDGWO-SVM بالاتر از DWT-GWO-SVM و EEMD-GWO-SVM بود.

کارهای قبلی عمدتاً بر استفاده از مدل‌های ML کم عمق برای تخمین ET2،4،6،7،2-18،21-23 متمرکز شده‌اند. به خوبی شناخته شده است که مدل های ML کم عمق دارای اشکالاتی هستند که نمی توانند به اندازه کافی ویژگی های غیرخطی و غیر ایستا پنهان را از سری های زمانی ET استخراج کنند. بنابراین، حافظه کوتاه مدت بلند مدت (LSTM)3،26، شبکه عصبی عمیق (DNN)27، شبکه عصبی کانولوشن زمانی (TCN)27، و شبکه عصبی مکرر (RNN)28 برای تخمین ET یا تبخیر بر اساس هواشناسی محدود استفاده شده است. داده ها. Majhi و همکاران 3 از LSTM، MLNN، فرمول هارگریوز و فرمول بلنی کریدل برای تخمین تبخیر روزانه تشت در ایالت چاتیسگر در هند استفاده کردند. . چن و همکاران 27 ET مرجع روزانه را در دشت شمال شرقی چین به ترتیب با استفاده از LSTM، DNN، TCN، SVM، RF، مدل هارگریوز، روش ریچی، مدل پریستلی-تالور، فرمول مکینک، روماننکومدل و فرمول شندل برآورد کردند. نتایج نشان می‌دهد که LSTM، TCN و DNN عملکرد تخمین بهتری نسبت به مدل‌های ML کم عمق و مدل‌های تجربی در غیاب پارامترهای هواشناسی دارند. Granata و Di Nunno28 از LSTM و NARX برای تخمین ET باتلاق Cypress و Kobeh Valley در ایالات متحده استفاده کردند. نتایج نشان می دهد که مدل های یادگیری عمیق به دلیل ساختار سلسله مراتبی بالا، دقت بالاتری نسبت به مدل های ML کم عمق دارند.

فراپارامترهای مدل‌های ML مستقیماً دقت محاسباتی را تعیین می‌کنند، اما m. با این حال، اکثر مدل ها به تنهایی نمی توانند هایپرپارامترهای بهینه را داشته باشند و LSTM نیز از این قاعده مستثنی نیست. فراپارامترهای LSTM، از جمله تعداد لایه های پنهان (HL)، تعداد واحدهای پنهان (HU)، دوره ها، و نرخ یادگیری (LR)26، به طور قابل توجهی بر عملکرد تخمینی LSTM تأثیر می گذارد. با این حال، به بهترین دانش نویسندگان، استفاده از LSTM همراه با الگوریتم های فراابتکاری برای تخمین تبخیر یا ET بسیار کم بوده است.

منطقه و داده های مطالعه

این تحقیق در حاشیه جنوب شرقی صحرای تنگر (37 درجه 32 دقیقه شمالی، 105 درجه 02 دقیقه شرقی) انجام شد. نوع چشم انداز اولیه، تپه های شنی پراکنده 9،10 است. برای جلوگیری از آسیب طوفان های شن به راه آهن بائوتو-لانژور، آکادمی علوم چین و واحدهای مربوطه راه آهن در سال 1956 کمربندهایی با پوشش گیاهی مصنوعی ایجاد کردند و آنها را در سال های 1964a، 1981a و 1987a گسترش دادند. یک مانع مکانیکی شنی عمود بر جهت باد اصلی بر روی تپه سیار نصب شد، شطرنج‌های کاهی (با فاصله 1 متر × 1 متر) در پشت سد مکانیکی ماسه نصب شد و نهال‌های دو ساله درختچه زریک به همین شکل به صورت متروکه کاشته شدند. فاصله بوته و فاصله ردیف 1 متر×2 متر یا 2 متر×3 متر در شرایط عدم آبیاری. پس از گذشت بیش از نیم قرن متوالی، تعداد گونه های گیاهی طبیعی از 25 گونه به 453 گونه افزایش یافته است و پوشش گیاهی از کمتر از 1 درصد به 42.3 درصد افزایش یافته است. منطقه تثبیت شنی بادشکن بیولوژیکی به طول 16 کیلومتر و عرض 200-1000 متر به تدریج تشکیل شده است. پوشش گیاهی شن و ماسه مصنوعی ایجاد شده در سال های مختلف (1956a، 1964a، 1981a، و 1987a) در هر دو طرف راه آهن به صورت موازی توزیع شده است که با موفقیت از آسیب آسیب شن ناشی از باد به ترافیک راه آهن جلوگیری کرد و به طور قابل توجهی محیط زیست محیطی را بهبود بخشید. منطقه مورد مطالعه از آنجایی که پایداری و پایداری پوشش گیاهی به تعادل آب بین ET و بارش بستگی دارد، برآورد دقیق ET برای حفاظت و استفاده از پوشش گیاهی متصل به شن و ماسه از اهمیت نظری و عملی زیادی برخوردار است.

در این مطالعه، داده های ماهانه ET اندازه گیری شده از ژانویه 1991 تا دسامبر 2018، داده های ژانویه 1991 تا دسامبر 2010 به عنوان مجموعه آموزشی در نظر گرفته شد و مابقی به عنوان مجموعه آزمایش استفاده شد. جدول 1 معیارهای آماری اصلی سری زمانی ET ماهانه در منطقه مورد مطالعه را نشان می دهد.

روش شناسی

چارچوب مدل های پیشنهادی LSTM یک شبکه عصبی چرخه زمانی جدید است که می تواند با افزودن یک شکل زنجیره ای از ماژول های شبکه عصبی تکرار شونده به اطلاعات مربوطه، بر مشکل ناپدید شدن گرادیان در RNN غلبه کند. از اصل کار "دو در داخل و دو بیرون" برای حل مشکل وابستگی طولانی مدت استفاده می کند. در این مطالعه، LSTM به عنوان مدولار اصلی برای تخمین دوتایی ET ماهانه به LSTM انتخاب شد که توانایی عالی مقابله با الگوهای غیرخطی را در میان سری‌های زمانی دارد27،28. علاوه بر این، SVM همچنین برای تخمین ET استفاده شد زیرا SVM سازگاری بهتری برای حل یک کلاس وسیع‌تر از مسائل برازش غیرخطی (مانند برآورد ET) نسبت به سایر مدل‌های ML کم عمق (مانند BPNN، WNN، ELM، MT، و MLP) دارد. 29.

از آنجایی که DWT به پایه موجک و آستانه حساس است، EMD از یک اشکال ذاتی در اختلاط 7،24 رنج می برد و EEMD دارای اثرات نقطه پایانی است. VMD یک روش پیش پردازش داده قوی تر و سازگارتر از DWT، EMD، و EEMD24 است، که به طور موثر بر کاستی های آن روش ها غلبه می کند و ویژگی های اصلی تغییر را از سری های زمانی بی نظمی و غیر ایستایی استخراج می کند. در این مطالعه، VMD برای استخراج ویژگی‌های تغییرات اصلی از مجموعه داده‌های ET استفاده شد. برای مقایسه عملکرد حذف نویز VMD، DWT به عنوان مرجع انتخاب شد. خروجی DWT، VMD، و سری‌های زمانی ET جمع‌آوری‌شده به مجموعه‌های آموزشی و مجموعه‌های آزمایشی تقسیم شدند و به ترتیب برای برآورد ET به مدل‌های ML داده شدند.

برای بهبود کارایی آموزش مدل‌های ML، از روش نرمال‌سازی حداقل – حداکثر ۷،۲۲ برای نرمال‌سازی مجموعه داده‌های ورودی و خروجی استفاده شد. مجموعه‌های ورودی و خروجی SVM و LSTM با استفاده از روش انتخاب طولی (LS) تعیین شدند، یعنی گروه نمونه‌های آموزشی با بردار از I تا k - q نشان داده می‌شوند، خروجی آموزش به عنوان بردار از I + نشان داده می‌شود. d − 1 تا k − q، بردار خروجی آزمایش با یک بردار از k − q + 1 تا k نشان داده می شود، جایی که i، d، k و q نقطه شروع، بعد ورودی، اندازه داده ها را نشان می دهد. مجموعه، و طول خروجی تست، به ترتیب. شکل 1 نمودار شماتیک روش theLS را با i=1، d=3 و k=336 نشان می‌دهد.

WOA یک الگوریتم فراابتکاری کارآمد و پایدار 18 است که به طور گسترده برای حل مسائل بهینه‌سازی غیرخطی، از جمله بهینه‌سازی فراپارامترهای مدل‌های ML کم عمق برای تخمین تبخیر یا ET استفاده می‌شود. با این حال، هیچ محققی یک مدل ترکیبی را با جفت کردن LSTM با گوریتم‌های فراابتکاری برای تخمین ET پیشنهاد نکرده است. بنابراین، WOA برای بهینه‌سازی فراپارامترهای LSTM برای به دست آوردن نتایج تخمینی دقیق‌تر استفاده شد. شکل 2 نمودار جریان WOA-LSTM را نشان می دهد. WOA-LSTM همراه با VMD به عنوان VMD-WOA-LSTM نشان داده می شود.

برتری VMD-WOA-LSTM با مقایسه عملکرد تخمین زده شده با LSTM، SVM، DWT-LSTM، DWT-SVM، VMD-LSTM، VMD-SVM، WOA-LSTM، GWO-SVM، DWT-WOA-LSTM، آزمایش شد. DWT-GWO-SVM و VMD-GWO-SVM، که در آن GWO-SVM نشان می دهد که بهترین C و G SVM با استفاده از الگوریتم GWO تعیین شده است، شکل 3 نمودارهای جریان GWO-SVM را نشان می دهد. در فرآیندهای شبیه‌سازی عددی، میانگین درصد مطلق خطا (MAPE) به عنوان تابع تناسب برای تعیین فراپارامترهای بهینه مدل‌های ML استفاده شد. لازم به ذکر است که اصول ریاضی روش های مورد استفاده در این مقاله از جمله DWT، VMD، SVM، LSTM، GWO و WOA را می توان در ادبیات مربوطه یافت، بنابراین شرح ریاضی این روش ها حذف شده است.

معیارهای ارزیابی عملکرد تجزیه و تحلیل خطا با استفاده از معیارهای ارزیابی، از جمله میانگین خطای مطلق (MAE)، MAPE، میانگین مربع خطای نرمال شده (NMSE)، ریشه میانگین مربعات خطا (RMSE) و ضریب کارایی نش-ساتکلیف (NSCE) انجام می شود. تعاریف این معیارهای ارزیابی به شرح زیر است:

در جایی که yi و yi نتیجه مورد نظر و تخمین زده شده را نشان می دهند. MAE، MAPE، NMSE و RMSE به طور کلی برای اندازه گیری انحراف بین نتیجه مطلوب و تخمینی استفاده می شوند، زمانی که مقادیر این معیارهای ارزیابی کوچکتر باشند، عملکرد تخمین بهتر است. از آنجایی که MAPE در بین این معیارها نسبتاً پایدارتر است، NSCE به طور کلی برای تعیین کارایی مدل در زمینه هیدرولوژیکی استفاده می شود (NSCE نزدیک به 1 نشان می دهد که مدل پیشنهادی برازش خوبی دارد). بنابراین، MAPE و NSCE به عنوان معیارهای اصلی برای ارزیابی عملکرد مدل مدل‌های پیشنهادی انتخاب شدند.

تنظیمات پارامتر عملکرد تخمینی مدل های مختلف در درجه اول با انتخاب پارامتر تعیین می شود. جدول 2 پارامترهای کلیدی DWT و VMD را نشان می دهد. تعداد عوامل جستجو و حداکثر تکرار الگوریتم‌های WOA و GWO به ترتیب 5 و 100 بود. اندازه کوچک دسته‌ای همه مدل‌های مبتنی بر LSTM 128 بود. محدوده HL، HU، Epochs، و LR WOA-LSTM [1، 2{18}}0]، [1،200]، [10، 100 بود. ]، و [0.001، 0.01]، به ترتیب. در مورد GWO-SVM، محدوده C و G [0.01، 100] بود.

نتایج

شکل 4 و 5 نتایج DWT و VMD را نشان می دهد. همانطور که در شکل ها نشان داده شده است. 4 و 5، سری های زمانی ET ماهانه جمع آوری شده دارای نقاط تیز و نوسان زیادی هستند که بر عملکرد تخمین تاثیر می گذارد. برای حل این الگوهای مشکل ساز در فرآیندهای تخمین ET، db4 با سطح 1 و VMD با K=5 تجزیه و تحلیل شدند و برای حذف نویز سری زمانی ET ثابت استفاده شدند. سری زمانی باقیمانده دامنه کم و نوسانات فرکانس بالا را نشان می دهد، که نشان می دهد نویز سفید از مجموعه داده های ET اصلی حذف شده است. جدول 2 نشان می دهد که عملکرد حذف نویز VMD (با SNR=42.6451 و RMSE{11}}.7934) کارآمدتر از عملکرد DWT (با SNR=40}.8201 و RMSE{15} است. }.2127). DWT این عیب را دارد که مبنای موجک باید از قبل انتخاب شود و همچنین به انتخاب آستانه حساس است. بنابراین، VMD بهتر است.

همانطور که گفته شد برای برآورد ET ماهانه به ترتیب از LSTM و SVM استفاده شد. برای هر بعد ورودی ثابت d در d=2، 3، …، 16، حداقل MAPE از 5 تکرار انتخاب شد و فراپارامترهای بهینه WOA-LSTM و GWO-SVM با توجه به حداقل MAPE ثبت شد. جدول 3 ویژگی های ورودی بهینه و فراپارامترهای مدل های پیشنهادی را نشان می دهد. همانطور که در جدول 3 نشان داده شده است، MAPE هر مدل مبتنی بر LSTM کمتر از مدل مبتنی بر SVM است، که نشان می دهد مدل های یادگیری عمیق به طور قابل توجهی از مدل های ML کم عمق بهتر عمل می کنند. MAPE مدل ML منفرد با جفت کردن مدل ML با تکنیک های پیش پردازش داده کاهش یافت، که نشان می دهد عملکرد مدل ML را می توان با استفاده از پیش پردازش داده ها بهبود بخشید. MAPE مدل‌های ترکیبی با پارامترهای بهینه همگی کوچک‌تر از مدل‌های ML با پارامترهای پیش‌فرض هستند، که نشان می‌دهد مدل‌های ML ادغام شده با الگوریتم‌های فراابتکاری عملکرد محاسباتی نسبتاً بالاتری نسبت به مدل‌های ML با پارامترهای پیش‌فرض دارند. نقشه مدل های هیبریدی DWT-GWO-SVM، DWT-WOA-LSTM، VMD-GWO-SVM، و VMD-WOA-LSTM کوچکتر از مدل های LSTM، SVM، DWT-LSTM، DWT-SVM، VMD-LSTM، VMD است. -SVM، WOA-LSTM و GWO-SVM، نشان می دهد که عملکرد مدل ML را می توان با استفاده از پیش پردازش داده ها و الگوریتم فراابتکاری به طور قابل توجهی بهبود بخشید.

نتایج تخمینی مدل‌های ML با حداقل MAPE و فراپارامترهای بهینه در شکل 6 نشان داده شده است. بیش از حد برآورد شده اند؛ دوره زمانی ET ماهانه 12 ماه است، ابعاد ورودی بهینه LSTM، DWT-LSTM، VMD-LSTM، WOALSTM، DWT-WOA-LSTM، و VMD-WOA-LSTM تقریباً برابر با دوره زمان ET است. سری (جدول 3)، نشان می دهد که LSTM می تواند از الگوهای داده های تاریخی استفاده کامل کند و به طور موثر بر اشکالات مدل های کم عمق ML غلبه کند. به طور کلی، مدل های هیبریدی DWT-GWO-SVM، DWT-WOA-LSTM، VMD-GWOSVM، و VMD-WOA-LSTM عملکرد تخمین بهتری نسبت به سایر مدل های پیشنهادی دارند.

جدول 4 معیارهای ارزیابی هر مدل را در مراحل آموزش و آزمایش نشان می دهد، جایی که میانگین ارزیابی سنجی مدل های ML بهینه شده توسط الگوریتم های فراابتکاری با پررنگ مشخص شده است. همانطور که در جدول 4 نشان داده شده است، عملکرد مدل مدل های DWT-LSTM، DWT-SVM، VMD-LSTM و VMD-SVM بهتر از LSTM و SVM در مرحله آزمایش است (جدول 4)، که نشان می دهد پیش پردازش داده ها یک کمک به افزایش عملکرد تخمینی مدل‌های ML. همانطور که در جدول 4 نشان داده شده است، معیارهای ارزیابی شامل MAE، MAPE، NMSE و RMSE WOA-LSTM و GWO-SVM همگی کوچکتر از LSTM، SVM، DWT-LSTM، DWTSVM، VMD-LSTM، و VMD-SVM هستند. و NSCE به درجات مختلف افزایش یافته است، که نشان می‌دهد زمانی که فراپارامترهای LSTM و SVM با استفاده از الگوریتم‌های فراابتکاری بهینه می‌شوند، عملکرد تخمینی LSTM و SVM به طور قابل‌توجهی بهبود می‌یابند.

معیارهای ارزیابی SVM ادغام شده با GWO همه کوچکتر از معیارهای LSTM همراه با تکنیک های پیش پردازش داده است. نقشه ترکیبی VMD-GWO-SVM کوچکتر از مدل های دیگر مبتنی بر SVM و مدل های LSTM، DWT-LSTM، VMD-LSTM است (جدول 4)، که نشان می دهد مدل های ML کم عمق با تکنیک های پیش پردازش داده ها و الگوریتم های فراابتکاری ادغام شده اند. می توان برای تخمین ET استفاده کرد. در حالی که عملکرد مدل مدل های ML کم عمق هنوز نیاز به بهبود دارد. همانطور که در جدول 4 نشان داده شده است، مدل های یادگیری عمیق به طور قابل توجهی از مدل های ML کم عمق بهتر عمل کردند و عملکرد مدل هیبریدی WOA-LSTM، DWT-WOA-LSTM و VMD-WOA-LSTM بهتر از مدل های ترکیبی مبتنی بر SVM است. در مقایسه با VMD-GWO-SVM، MAPE DWT-WOA-LSTM از 23.22% به 18.90% کاهش یافت و NSCE از 0.8754 به 0.8578 بهبود یافت. MAPE VMD-WOA-LSTM از 23.22% به 18.72% کاهش یافت و NSCE از 0.8754. 0 به 0.8917 بهبود یافت. این نتایج نشان می‌دهد که مدل‌های هیبریدی DWT-WOA-LSTM و VMD-WOA-LSTM توانایی بسیار خوبی در تخمین ET ماهانه نسبت به سایر روش‌های پیشنهادی دارند. که VMD-WOA-LSTM دقیق ترین مدل برای تخمین ET ماهانه در بین مدل های پیشنهادی است. بنابراین، VMD-WOA-LSTM می تواند به عنوان یک روش کمکی ضروری برای تخمین ET در مناطق بیابانی توصیه شود.

بحث

همانطور که ذکر شد، مدل‌های ترکیبی مبتنی بر مدل‌های ML، تکنیک‌های پیش پردازش داده‌ها و گوریتم‌های فراابتکاری برای تخمین ET در منطقه مورد مطالعه پیشنهاد شدند. به طور کلی، ساخت مدل های ترکیبی ML یک روش پیچیده و زمان بر است 6،14-18. با این حال، مدل‌های ترکیبی ML دقت بالاتری نسبت به روش‌های مبتنی بر فیزیکی دارند20-23. بنابراین، استفاده از مدل‌های ترکیبی ML برای تخمین دقیق ET یک موضوع اساسی در هیدرولوژی و بوم‌شناسی است.

مدل‌های یادگیری عمیق عموماً از مدل‌های کم عمق ML عملکرد بهتری داشتند. با این حال، تنها استفاده از مدل ML برای تخمین ET ممکن است منجر به خطاهای بزرگی شود، زمانی که پیش پردازش داده ها انجام نمی شود 7،14-16. همانطور که در شکل ها نشان داده شده است. 4 و 5، سری های زمانی ET جمع آوری شده بی نظمی و غیر ایستایی را نشان می دهند زیرا ET توسط عوامل هواشناسی تعیین می شود و ارتباط نزدیکی با رطوبت خاک، ژئومورفولوژی و صفات گیاهی در مناطق بیابانی دارد. بنابراین، تکنیک پیش پردازش داده‌ها باید برای دستیابی به ویژگی‌های تغییرات اصلی از سری‌های زمانی ET جمع‌آوری‌شده برای دستیابی به نتایج برآورد معتبر استفاده شود. روش‌های پیش‌پردازش داده‌ها مانند DWT و VMD را می‌توان برای حذف نویز از سری‌های زمانی غیرخطی و غیر ثابت استفاده کرد. در حالی که DWT به انتخاب آستانه حساس است، VMD یک روش پیش‌پردازش داده قوی‌تر و مؤثرتر از حالت تجربی است. تجزیه (EMD) و EEMD، که می تواند برای حذف نویز از سری های زمانی با تجزیه سیگنال غیر خطی و غیر ثابت به چندین توابع درونی باند محدود (IMFs) استفاده شود. بنابراین، عملکرد حذف نویز DWT بدتر از VMD است (جدول 2).

بررسی ادبیات نشان می‌دهد که مدل‌های ML ادغام‌شده با تکنیک‌های پیش‌پردازش داده‌ها، یک استراتژی مؤثر برای به دست آوردن نتایج تخمینی معتبرتر ۷،۲۱-۲۳ هستند، نتایج تحقیق ما نیز این نتیجه‌گیری را تأیید می‌کند. همانطور که در جداول 3 و 4 نشان داده شده است، میانگین معیارهای ارزیابی مدل های ML ادغام شده با DWTor VMD همگی کوچکتر از مدل های تک SVM و LSTM هستند. بنابراین، استخراج ویژگی‌های مفید با استفاده از تکنیک پیش‌پردازش داده‌ها برای تخمین معتبرتر نتایج ضروری است (فایل تکمیلی 1).

عملکرد تخمینی مدل‌های ML را نیز می‌توان با جفت کردن مدل‌های ML با الگوریتم‌های فراابتکاری بهبود داد. تا حدی، به دست آوردن فراپارامترهای بهینه مدل anML مهمتر از انتخاب تکنیک پیش پردازش داده مناسب است. همانطور که در جداول 3 و 4 نشان داده شده است، عملکرد تخمینی مدل های ML هیبرید شده با تکنیک پیش پردازش داده ها زمانی که فراپارامترهای LSTM و SVM بهینه شدند، به طور قابل توجهی بهبود یافت. در مقایسه با DWT-SVM، VMD-SVM، DWT-LSTM، و VMD-LSTM، معیارهای ارزیابی مثبت DWT-GW0-SVM، VMD-GWO-SVM، DWT-WOA-LSTM، و VMD-WOA -LSTM کاهش یافت و شاخص های منفی به درجات مختلف افزایش یافت. بنابراین، انتخاب فراپارامترها برای مدل‌های ML برای بهبود عملکرد تخمینی 6،7،21-29 بسیار مهم بود.

علاوه بر این، همانطور که نتیجه‌گیری شد، هدف اصلی این مطالعه پیشنهاد یک مدل ترکیبی جدید برای برآورد ET با ادغام LSTM با WOA و تکنیک‌های پیش‌پردازش داده‌ها، از جمله DWT و VMD بود. عملکرد VMD-WOA-LSTM با سایر مدل های هیبریدی از نظر معیارهای عملکرد استاندارد مقایسه شد. مقایسه عملکرد مدل‌های پیشنهادی نشان داد که مدل هیبریدی VMDWOA-LSTM بهتر از سایر مدل‌های مبتنی بر ML در تخمین ET ماهانه در حاشیه جنوب شرقی صحرای تنگر عمل کرد.

نتیجه گیری

در این مطالعه، مدل‌های ترکیبی مبتنی بر VMD، WOA و LSTM برای تخمین ET با استفاده از روش‌های تحلیل سری زمانی پیشنهاد شدند، که در آن VMD برای استخراج صفات ذاتی سری‌های زمانی ET و WOA برای بهینه‌سازی فراپارامترهای LSTM استفاده شد. . عملکرد مدل با actualET و برآورد سایر مدل‌های ترکیبی از نظر MAE، MAPE، NMSE، RMSE و NSCE مقایسه شد. نتایج نشان می‌دهد که VMD-WOA-LSTM نتایج تخمین دقیق‌تری نسبت به سایر مدل‌های مبتنی بر ML دارد، که می‌تواند به عنوان یک روش کمکی ضروری برای تخمین ET در مناطق بیابانی توصیه شود.

در دسترس بودن داده ها

تمام داده های تجزیه و تحلیل یا تولید شده در طول این مطالعه در اطلاعات تکمیلی گنجانده شده است و در صورت درخواست معقول از نویسندگان مربوطه در دسترس است.

منابع

1. Keshtegar, B., Piri, J. & Kisi, O. مدلسازی ریاضی غیرخطی تبخیر روزانه تشت بر اساس روش گرادیان مزدوج. محاسبه. الکترون. کشاورزی 127، 120-130 (2016).

2. هاشمی، م. و سپاسخواه، AR ارزیابی شبکه عصبی مصنوعی و معادله پنمن-مونتیث برای پیش‌بینی تبخیر و تعرق استاندارد جو در یک منطقه نیمه خشک. Teor. Appl. کلیماتول. 139، 275-285 (2020).

3. مجحی، بی و همکاران. پیش بینی بهبود یافته تبخیر روزانه تابه با استفاده از مدل Deep-LSTM. محاسبات عصبی Appl. 32, 7823 (2019).

4. Wen, X. et al. مدل‌های مبتنی بر بردار پشتیبان برای مدل‌سازی تبخیر و تعرق مرجع روزانه با داده‌های اقلیمی محدود در مناطق خشک شدید. منبع آب مدیریت 29, 3195–3209 (2015).

5. Li، XR و همکاران. اکوهیدرولوژی بنیادی احیا و بازیابی اکولوژیکی در مناطق بیابانی شنی چین (ساینس پرس، 2016).

6. Wu، LF و همکاران. ماشین یادگیری افراطی ترکیبی با الگوریتم های فراابتکاری برای پیش بینی تبخیر ماهیانه تشت. کامپیوتر.الکترون. Agr. 168، 105–115 (2020).

7. Fu، TL و همکاران. یک روش یکپارچه جدید بر اساس یک مدل یادگیری ماشینی برای تخمین تبخیر و تعرق در خشکی جی هیدرول. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. اثرات شدت و تناوب بارندگی بر پوشش گیاهی چوبی و رطوبت عمیق خاک در اکوسیستم های دیم. جی هیدرول. 543، 270-282 (2016).

9. لی، XR و همکاران. آستانه اکو هیدرولوژیکی برای ارزیابی پایداری پوشش گیاهی پیوند شنی در مناطق مختلف اقلیمی. Ecol. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com