Híbrido de la memoria a largo plazo con algoritmo de optimización de ballenas y descomposición en modo variacional para la estimación de la evapotranspiración mensual

La sostenibilidad de la vegetación artificial que retiene arena está determinada por el equilibrio hídrico entre la evapotranspiración (ET) y la precipitación en las regiones desérticas. En consecuencia, estimar con precisión la ET es un requisito previo crítico para determinar los tipos y la distribución espacial de la vegetación artificial en diferentes áreas arenosas. Para este propósito, se propuso un nuevo modelo de estimación híbrido para estimar la ET mensual acoplando la memoria de aprendizaje profundo a largo plazo (LSTM) con la descomposición en modo variacional (VMD) y el algoritmo de optimización de ballenas (WOA) (es decir, VMD-WOA-LSTM) para estimar la ET mensual en los márgenes sureste del desierto de Tengger.

En los últimos años, muchos informes sobre extraterrestres y ovnis no solo han despertado la curiosidad y el entusiasmo de la gente, sino que también han despertado la admiración y el deseo de explorar la vida extraterrestre.

Uno de los temas que ha llamado mucho la atención es el nivel de inteligencia de los extraterrestres. Mucha gente cree que los extraterrestres tienen una inteligencia muy superior a la de los humanos, y esta idea ha circulado ampliamente en novelas y películas de ciencia ficción. ¿Pero son los extraterrestres más inteligentes que los humanos? Si es así, ¿tendrían recuerdos más fuertes?

En primer lugar, debemos admitir que nuestro concepto de inteligencia extraterrestre es todavía muy superficial. No podemos estar seguros de si los extraterrestres son similares a nosotros en inteligencia, y mucho menos si son mejores que nosotros. Sin embargo, podemos simplemente pensar y estimar la relación entre memoria e inteligencia desde una perspectiva humana.

Desde una perspectiva humana, sabemos que existe una correlación entre inteligencia y memoria. Las personas con niveles más altos de inteligencia generalmente tienen mejor memoria. Esto se debe a que las personas con altos niveles de inteligencia prestan más atención al pensamiento y al razonamiento lógico, y tienen más probabilidades de integrar y asociar información a través de diferentes métodos de correlación. Esta forma de pensar ayuda a mejorar la memoria. Por tanto, existe una correlación entre el nivel de inteligencia del rendimiento cerebral y la memoria.

Sin embargo, no deberíamos simplemente aplicar esta correlación a los extraterrestres. Porque no podemos estar seguros de si la estructura de la inteligencia y la estructura del cerebro de los extraterrestres son similares a las de los humanos. Los extraterrestres pueden tener estructuras de inteligencia y memoria diferentes a las de los humanos, por lo que la relación entre su inteligencia y memoria puede ser muy diferente.

Finalmente, debemos estar seguros de que el descubrimiento de vida extraterrestre tendrá un gran impacto en el desarrollo de la ciencia y la filosofía humanas. La investigación sobre la inteligencia y la memoria extraterrestres también debe realizarse sobre una base científica. Esperamos que con el desarrollo continuo de la ciencia y la tecnología, los humanos puedan explorar más vida extraterrestre y continuar avanzando en el proceso de resolver sus misterios y explorar la verdad del universo. Se puede ver que necesitamos mejorar la memoria, y Cistanche deserticola puede mejorar significativamente la memoria porque Cistanche deserticola es un material medicinal tradicional chino que tiene muchos efectos únicos, uno de los cuales es mejorar la memoria. La eficacia de la carne picada proviene de los diversos ingredientes activos que contiene, incluidos ácidos, polisacáridos, flavonoides, etc. Estos ingredientes pueden promover la salud del cerebro de varias maneras.

Haga clic para conocer formas de mejorar la función cerebral

Se seleccionó la superioridad de LSTM debido a su capacidad de extraer automáticamente las características no lineales y no estacionarias de datos secuenciales, se empleó WOA para optimizar los hiperparámetros de LSTM y se usó VMD para extraer los rasgos intrínsecos de las series temporales de ET. Los resultados estimados de VMD-WOA-LSTM se compararon con la ET real y la estimación de otros modelos híbridos en términos de métricas de rendimiento estándar. Los resultados revelaron que VMD-WOA-LSTM proporciona resultados de estimación más precisos y confiables que LSTM, la máquina de vectores de soporte (SVM) y las variantes de esos modelos. Por lo tanto, VMD-WOALSTM podría recomendarse como un método auxiliar esencial para estimar la ET en regiones desérticas.

La evapotranspiración (ET) es un proceso físico y biológico altamente no lineal, que conecta los procesos ecológicos e hidrológicos mediante el balance hídrico1,2. Es el componente central del equilibrio hídrico y energético regional y sirve como un vínculo importante en el sistema suelo-planta-atmósfera (SPA)3. Estimar con precisión la ET es un prerrequisito crítico en la gestión ambiental4–6, especialmente en regiones desérticas con grandes áreas de vegetación artificial que se une a la arena, donde la sostenibilidad de la vegetación artificial que se une a la arena está determinada por el equilibrio hídrico entre la ET y la precipitación5,7. Además, el cambio climático, especialmente los cambios en los patrones de calentamiento y precipitación, inevitablemente tendrá un impacto profundo en la sostenibilidad de la vegetación artificial7,8.

A diferencia de la vegetación natural, la vegetación artificial que se une a la arena se establece con un propósito y función especiales, la estimación precisa de la ET puede proporcionar una referencia para comprender el balance hídrico y determinar la composición, estructura, distribución espacial y escala de la vegetación artificial que se une a la arena en regiones desérticas9,10. Sin embargo, la aplicación de métodos de base física (por ejemplo, el método Priestley-Taylor, el método Hargreaves, el método corregido de la FAO-24 Penman, el método de la FAO-56 Penman-Monteith, etc.) es severamente limitado debido a la falta de parámetros meteorológicos requeridos (por ejemplo, el calor latente de vaporización, radiación solar, humedad relativa, temperatura del aire, etc.) en las regiones desérticas4,6,2–12. Por lo tanto, es muy deseable construir otros tipos de modelos basados ​​en datos para obtener resultados de estimación precisos.

Recientemente, los modelos de aprendizaje automático (ML), incluidas las redes neuronales de retropropagación (BPNN)13, el perceptrón multicapa (MLP)2, las redes neuronales artificiales multicapa (MLNN)6, la máquina de vectores de soporte (SVM)7,12, la máquina de aprendizaje extremo (ELM) 6, árbol modelo (MT)14,15, bosque aleatorio (RF)6, redes neuronales wavelet (WNN)16, función de base radial (RBF)17, etc., se han empleado espectacularmente para estimar la evaporación o la ET debida a su capacidad de aprender características automáticamente y no requerir ninguna suposición. Como los modelos ML tienen el defecto de que los hiperparámetros son difíciles de ajustar por sí mismos, lo que disminuye significativamente la precisión informática. Para superar los inconvenientes de los modelos ML, se utilizan algoritmos metaheurísticos como el algoritmo de polinización de flores (FPA)6, el algoritmo de luciérnaga (FFA)11, el algoritmo de gotas de agua inteligentes (IWD)12, el algoritmo de optimización de ballenas (WOA)18 y el algoritmo optimizador del lobo gris ( GWO)19,20, etc., se emplearon para determinar los hiperparámetros óptimos de los modelos ML. Los estudios han demostrado que los modelos de ML junto con algoritmos metaheurísticos tienen un rendimiento informático más alto que el de los modelos de ML individuales y los métodos basados ​​físicamente12,16,18,21,22.

Como la ET se ve estrechamente afectada por los parámetros meteorológicos, la humedad del suelo y las características de la vegetación12, la serie temporal de ET medida adquiere muchos puntos agudos y fluctuantes, lo que disminuye significativamente la precisión de la estimación12. Para obtener resultados de estimación más creíbles, se emplearon técnicas de preprocesamiento de datos, incluida la transformada de ondas discretas (DWT)23, la descomposición en modo empírico por conjuntos (EEMD)14,15 y la descomposición en modo variacional (VMD)7,24, etc., para descomponer Frecuencia de series temporales de ET en varios componentes y obtener la información requerida en múltiples niveles7,14,23,24. La revisión de la literatura muestra que las técnicas de preprocesamiento de datos hibridadas con modelos de ML pueden mejorar significativamente el rendimiento del modelo16,25. En este sentido, Gocić et al.22 acoplaron SVM con DWT y el algoritmo de luciérnaga (FFA) para estimar la ET de referencia en Serbia, donde se empleó FFA para determinar los hiperparámetros de SVM. Los resultados muestran que DWT-FFA-SVM es el mejor método de estimación para la estimación de ET de referencia. Pammar y Deka[24] propusieron un DWT-SVM híbrido para estimar la evaporación diaria en Karnataka, India. Los resultados también confirman que SVM combinado con DWT puede mejorar la precisión de la estimación. Rezaie-Balf et al.15 integraron EEMD con SVM y el árbol modelo M5 (M5T) por separado para estimar los modelos mensuales de evaporación de bandeja de la estación Siirt y la estación Diyarbakir en turco, y los modelos propuestos presentaron una precisión mucho mayor. Fu et al.7 propusieron modelos híbridos combinando DWT, EEMD y VMD con SVM y GWO-SVM por separado para estimar la ET mensual. Los resultados indicaron que VMD y DWT exhibieron un mejor rendimiento de preprocesamiento que el de EEMD, y la precisión de estimación de VMDGWO-SVM fue mayor que la de DWT-GWO-SVM y EEMD-GWO-SVM.

Los trabajos anteriores se centran principalmente en el uso de modelos ML superficiales para estimar ET2,4,6,7,2–18,21–23. Es bien sabido que los modelos ML superficiales tienen desventajas que no pueden extraer suficientemente las características no lineales y no estáticas ocultas de las series temporales ET25. Por lo tanto, se han empleado la memoria a corto plazo (LSTM)3,26, la red neuronal profunda (DNN)27, la red neuronal de convolución temporal (TCN)27 y la red neuronal recurrente (RNN)28 para estimar la ET o la evaporación basándose en datos meteorológicos limitados. datos. Porque, Majhi et al.3 utilizaron LSTM, MLNN, la fórmula de Hargreaves y la fórmula de Blaney-Criddle para estimar la evaporación diaria del recipiente del estado de Chhattisgarh en India. Los resultados indican que LSTM puede lograr una estimación precisa de la evapotranspiración y tiene una mejor estimación que otros modelos. . Chen et al.27 estimaron la ET de referencia diaria en la llanura nororiental de China utilizando LSTM, DNN, TCN, SVM, RF, modelo de Hargreaves, método de Ritchie, modelo de Priestley-Talor, fórmula de Makkink, modelo de Romanenko y fórmula de Schendel, respectivamente. Los resultados muestran que LSTM, TCN y DNN tienen un mejor rendimiento de estimación que el de los modelos ML superficiales y los modelos empíricos en ausencia de parámetros meteorológicos. Granata y Di Nunno28 utilizaron LSTM y NARX para estimar la ET de Cypress Swamp y Kobeh Valley en EE. UU. Los resultados muestran que los modelos de aprendizaje profundo tienen mayor precisión que los modelos de aprendizaje automático superficial debido a la alta estructura jerárquica.

Los hiperparámetros de los modelos ML determinan directamente la precisión informática, pero m. Aún así, la mayoría de los modelos no pueden alcanzar los hiperparámetros óptimos por sí solos, y LSTM no es una excepción. Los hiperparámetros de LSTM, incluido el número de capas ocultas (HL), el número de unidades ocultas (HU), las épocas y la tasa de aprendizaje (LR)26, afectan significativamente el rendimiento estimado de LSTM. Sin embargo, hasta donde saben los autores, la aplicación de LSTM junto con algoritmos metaheurísticos para estimar la evaporación o E ha sido mínima.

Área de estudio y datos.

La investigación se llevó a cabo en los márgenes sureste del desierto de Tengger (37 grados 32'N, 105 grados 02'E). El tipo de paisaje principal son las dunas enrejadas densamente distribuidas9,10. Para evitar el daño de las tormentas de arena al ferrocarril Baotou-Lanzhou, la Academia de Ciencias de China y las unidades ferroviarias pertinentes establecieron cinturones de vegetación artificial en 1956a y los ampliaron en 1964a, 1981a y 1987a. Se instaló una barrera mecánica contra la arena perpendicular a la dirección principal del viento en la duna móvil, se colocaron tableros de paja (espaciados 1 m × 1 m) detrás de la barrera mecánica contra la arena y se plantaron plántulas de arbustos xéricos de dos años en la misma configuración en forma de bandas con espaciado entre plantas y entre hileras de 1 mx2 mo 2 mx3 m sin riego. Después de más de medio siglo de sucesión, el número de especies de plantas naturales ha aumentado de 25 a 453, y la cobertura vegetal ha aumentado de menos del 1% al 42,3%. Poco a poco se ha ido formando una zona biológica de fijación de arena cortavientos con una longitud de 16 km y una anchura de 200-1000 m. La vegetación artificial de arena establecida en diferentes años (1956a, 1964a, 1981a y 1987a) se distribuye en ambos lados del ferrocarril en paralelo, lo que evitó con éxito los daños causados ​​por la arena arrastrada por el viento al tráfico ferroviario y mejoró significativamente el entorno ecológico. del área de estudio. Como la estabilidad y sostenibilidad de la vegetación dependen del equilibrio hídrico entre la ET y la precipitación7,9,10, es de gran importancia teórica y práctica estimar con precisión la ET para proteger y utilizar vegetación artificial que se adhiera a la arena7,10.

En este estudio, los datos mensuales de ET medidos desde enero de 1991 hasta diciembre de 2018, los datos de enero de 1991 a diciembre de 2010 se consideraron como el conjunto de entrenamiento y el resto se utilizó como el conjunto de prueba. La Tabla 1 muestra las principales métricas estadísticas de la serie temporal mensual de ET en el área de estudio.

Metodología

El marco de los modelos propuestos. LSTM es una nueva red neuronal de ciclo de tiempo que puede superar el problema de desaparición del gradiente en RNN agregando una forma de cadena de módulos de red neuronal repetidos para almacenar información relevante25,26. Utiliza el principio de funcionamiento de "dos dentro y dos fuera" para resolver el problema de la dependencia de largo plazo26. En este estudio, se seleccionó LSTM como el módulo principal para estimar el dúo ET mensual, ya que LSTM tiene la excelente capacidad de abordar patrones no lineales entre las series temporales27,28. Además, también se empleó SVM para estimar ET, ya que SVM tiene una mejor adaptabilidad para resolver una clase más amplia de problemas de ajuste no lineal (por ejemplo, estimar ET) que la de otros modelos ML superficiales (por ejemplo, BPNN, WNN, ELM, MT y MLP). 29.

Como DWT es sensible a la base wavelet y al umbral, EMD sufre un inconveniente intrínseco de la mezcla de modos7,24, y EEMD tiene efectos de punto final7. VMD es un método de preprocesamiento de datos más robusto y adaptable que DWT, EMD y EEMD24, supera efectivamente las deficiencias de esos métodos y extrae las principales características de variación de las series temporales de irregularidad y no estacionariedad24. En este estudio, se empleó VMD para extraer las principales características de variación del conjunto de datos ET. Para comparar el rendimiento de eliminación de ruido de VMD, se seleccionó DWT como referencia. El resultado de DWT, VMD y las series temporales de ET recopiladas se dividieron en conjuntos de entrenamiento y conjuntos de prueba, y se alimentaron a los modelos ML para estimar la ET, respectivamente.

Para mejorar la eficiencia del entrenamiento de los modelos ML, se utilizó el método de normalización mínimo-máximo7,22 para normalizar los conjuntos de datos de entrada y salida. Los conjuntos de entrada y salida de SVM y LSTM se determinaron mediante el método de selección longitudinal (LS)7, es decir, el grupo de muestras de entrenamiento está representado por un vector de I a k − q, la salida de entrenamiento se denota como un vector de I + d − 1 a k − q, el vector de salida de prueba está representado por un vector de k − q + 1 a k, donde i, d, k y q denotan el punto de partida, la dimensión de entrada, el tamaño de los datos. conjunto y la longitud de la salida de prueba, respectivamente. La Figura 1 muestra el diagrama esquemático del método LS con i=1, d=3 y k=336.

WOA es un nuevo algoritmo metaheurístico eficiente y estable18, que se utilizó ampliamente para resolver problemas de optimización no lineal, incluida la optimización de los hiperparámetros de modelos ML superficiales para la estimación de la evaporación o ET. Sin embargo, ningún investigador ha propuesto un modelo híbrido acoplando LSTM con algoritmos metaheurísticos para estimar ET. Por lo tanto, se empleó WOA para optimizar los hiperparámetros de LSTM para obtener resultados estimados más precisos. La Figura 2 muestra el diagrama de flujo de WOA-LSTM. El WOA-LSTM junto con VMD se denomina VMD-WOA-LSTM.

La superioridad de VMD-WOA-LSTM se probó comparando el rendimiento estimado con LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM y VMD-GWO-SVM, donde GWO-SVM indica que las mejores C y G de SVM se determinaron utilizando el algoritmo GWO; la Fig. 3 muestra los diagramas de flujo de GWO-SVM. En los procesos de simulación numérica, se empleó el error porcentual absoluto medio (MAPE) como función de aptitud para determinar los hiperparámetros óptimos de los modelos ML. Cabe señalar que los principios matemáticos de los métodos utilizados en este artículo, incluidos DWT, VMD, SVM, LSTM, GWO y WOA, se pueden encontrar en la literatura relevante, por lo que se omite la descripción matemática de estos métodos.

Métricas para la evaluación del desempeño. El análisis de error se realiza utilizando métricas de evaluación, incluido el error medio absoluto (MAE), MAPE, error cuadrático medio normalizado (NMSE), error cuadrático medio (RMSE) y coeficiente de eficiencia de Nash-Sutcliffe (NSCE). Las definiciones de esas métricas de evaluación son las siguientes:

donde yi y yi denotan el resultado deseado y estimado. MAE, MAPE, NMSE y RMSE se usan generalmente para medir la desviación entre el resultado deseado y estimado, el rendimiento de la estimación es mejor cuando los valores de estas métricas de evaluación son más pequeños. Como MAPE es relativamente más estable entre estos criterios, NSCE se usa generalmente para determinar la eficiencia del modelo en el campo hidrológico (NSCE cerca de 1 indica que el modelo propuesto tiene buena aptitud). Por lo tanto, se seleccionaron MAPE y NSCE como los principales puntos de referencia para evaluar el rendimiento de los modelos propuestos.

Configuración de parámetros. La estimación del rendimiento de diferentes modelos está determinada principalmente por la selección de parámetros. La Tabla 2 muestra los parámetros clave de DWT y VMD. El número de agentes de búsqueda y las iteraciones máximas de los algoritmos WOA y GWO fueron 5 y 100, respectivamente. El tamaño del minilote de todos los modelos basados ​​en LSTM fue 128. El rango de HL, HU, Épocas y LR de WOA-LSTM fue [1, 200], [1200], [10, 100 ] y [0,001, 0,01], respectivamente. En cuanto a GWO-SVM, el rango de C y G fue [0,01, 100].

Resultados

Las Figuras 4 y 5 muestran los resultados de DWT y VMD. Como se muestra en las Figs. 4 y 5, las series temporales de ET mensuales recopiladas tienen muchos puntos agudos y fluctuantes, que afectarán el rendimiento de la estimación. Para resolver estos patrones problemáticos en los procesos de estimación de ET, se analizaron y emplearon db4 con nivel 1 y VMD con K=5 para eliminar el ruido de la serie temporal estable de ET. La serie de tiempo residual muestra fluctuaciones de baja amplitud y alta frecuencia, lo que sugiere que el ruido blanco fue eliminado del conjunto de datos ET original. La Tabla 2 muestra que el rendimiento de eliminación de ruido de VMD (con SNR=42.6451 y RMSE=1.7934) es más eficiente que el de DWT (con SNR=40.8201 y RMSE{{15} }.2127). DWT tiene la desventaja de que la base wavelet debe seleccionarse de antemano y también es sensible a la selección del umbral. Por tanto, VMD es mejor.

Como se mencionó, se utilizaron LSTM y SVM para estimar la ET mensual, respectivamente. Para cada dimensión de entrada fija d en d=2, 3,…, 16, se seleccionó el MAPE mínimo de 5 replicaciones, y los hiperparámetros óptimos de WOA-LSTM y GWO-SVM se registraron de acuerdo con el MAPE mínimo. La Tabla 3 muestra las características de entrada óptimas y los hiperparámetros de los modelos propuestos. Como se muestra en la Tabla 3, el MAPE de cada modelo basado en LSTM es menor que el de los modelos basados ​​en SVM, lo que sugiere que los modelos de aprendizaje profundo superaron significativamente a los modelos de ML superficial; El MAPE del modelo ML único se redujo al acoplar el modelo ML con las técnicas de preprocesamiento de datos, lo que sugiere que el rendimiento del modelo ML se puede mejorar mediante el uso del preprocesamiento de datos; Los MAPE de los modelos híbridos con parámetros óptimos son todos más pequeños que los de los modelos ML con parámetros predeterminados, lo que indica que los modelos ML integrados con algoritmos metaheurísticos tienen un rendimiento informático moderadamente mayor que el de los modelos ML con parámetros predeterminados; El MAPE de los modelos híbridos DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM y VMD-WOA-LSTM es más pequeño que el de LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM y GWO-SVM, lo que sugiere que el rendimiento del modelo ML se puede mejorar significativamente mediante el uso del algoritmo metaheurístico y de preprocesamiento de datos.

Los resultados de estimación de los modelos ML con el MAPE mínimo y los hiperparámetros óptimos se presentan en la Fig. 6. La Figura 6 muestra que los resultados de todos los modelos propuestos son consistentes con la mayoría de los puntos en el rango medio, pero el punto de partida y los valores extremos están sobreestimados; La serie temporal ET mensual tiene un período de 12 meses, las dimensiones de entrada óptimas de LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM y VMD-WOA-LSTM son aproximadamente iguales al período del tiempo ET serie (Tabla 3), lo que sugiere que LSTM puede aprovechar al máximo los patrones de datos históricos y superar eficazmente los inconvenientes de los modelos de ML superficiales. En general, los modelos híbridos DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM y VMD-WOA-LSTM tienen un mejor rendimiento de estimación que el de otros modelos propuestos.

La Tabla 4 muestra las métricas de evaluación de cada modelo en las etapas de entrenamiento y prueba, donde el promedio de las métricas de evaluación de los modelos ML optimizados mediante algoritmos metaheurísticos están marcados en negrita. Como se muestra en la Tabla 4, el rendimiento del modelo de los modelos DWT-LSTM, DWT-SVM, VMD-LSTM y VMD-SVM es mejor que el de LSTM y SVM en la etapa de prueba (Tabla 4), lo que sugiere que el preprocesamiento de datos es una ayuda para mejorar el rendimiento de estimación de los modelos ML. Como se muestra en la Tabla 4, las métricas de evaluación que incluyen MAE, MAPE, NMSE y RMSE de WOA-LSTM y GWO-SVM son todas más pequeñas que las de LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM y VMD-SVM. y NSCE aumentaron en diversos grados, lo que indica que el rendimiento de estimación de LSTM y SVM mejora significativamente cuando los hiperparámetros de LSTM y SVM se optimizan mediante el uso de algoritmos metaheurísticos.

Las métricas de evaluación de SVM integradas con GWO son todas más pequeñas que las de LSTM junto con técnicas de preprocesamiento de datos; El MAPE del VMD-GWO-SVM híbrido es más pequeño que el de otros modelos basados ​​en SVM y los modelos LSTM, DWT-LSTM, VMD-LSTM (Tabla 4), lo que sugiere que los modelos de ML superficiales se integran con técnicas de preprocesamiento de datos y algoritmos metaheurísticos. se puede emplear para estimar ET. Considerando que aún es necesario mejorar el rendimiento del modelo de modelos de aprendizaje automático superficial. Como se muestra en la Tabla 4, los modelos de aprendizaje profundo superaron significativamente a los modelos de ML superficial, y el rendimiento del modelo de los modelos híbridos WOA-LSTM, DWT-WOA-LSTM y VMD-WOA-LSTM es mejor que el de los modelos híbridos basados ​​en SVM. En comparación con VMD-GWO-SVM, el MAPE de DWT-WOA-LSTM disminuyó de 23,22% a 18,90%, y NSCE mejoró de 0.8754 a 0.8578; el MAPE de VMD-WOA-LSTM se redujo del 23,22 % al 18,72 % y el NSCE mejoró de 0.8754 a 0,8917. Esos resultados indican que los modelos híbridos DWT-WOA-LSTM y VMD-WOA-LSTM tienen una excelente capacidad para estimar la ET mensual sobre otros métodos propuestos. El MAPE de los modelos híbridos VMD-WOA-LSTM es el más pequeño entre los modelos propuestos, lo que indica que VMD-WOA-LSTM es el modelo más preciso para estimar la ET mensual entre los modelos propuestos. Por lo tanto, VMD-WOA-LSTM podría recomendarse como un método auxiliar esencial para estimar la ET en regiones desérticas.

Discusión

Como se mencionó, se propusieron modelos híbridos basados ​​en modelos de ML, técnicas de preprocesamiento de datos y algoritmos metaheurísticos para estimar la ET en el área de estudio. Generalmente, la construcción de modelos híbridos de ML es un procedimiento complejo y que requiere mucho tiempo6,14–18. Sin embargo, los modelos híbridos de ML tienen mayor precisión que los métodos físicos20–23. Por lo tanto, utilizar modelos híbridos de ML para estimar con precisión la ET es una cuestión central en hidrología y ecología.

Los modelos de aprendizaje profundo generalmente superaron a los modelos de aprendizaje automático superficial3. Sin embargo, el uso exclusivo de modelos ML para estimar la ET puede generar grandes errores cuando no se realiza el preprocesamiento de los datos7,14–16. Como se muestra en las Figs. 4 y 5, las series de tiempo de ET recopiladas exhiben irregularidad y no estacionariedad ya que la ET está determinada por factores meteorológicos y estrechamente relacionada con la humedad del suelo y los rasgos geomorfológicos y de vegetación en las regiones desérticas. Por lo tanto, se debe utilizar la técnica de preprocesamiento de datos para alcanzar las principales características de variación de las series temporales de ET recopiladas para obtener resultados de estimación creíbles. Los métodos de preprocesamiento de datos como DWT y VMD se pueden aplicar para eliminar el ruido de las series temporales no lineales y no estacionarias. Mientras que DWT es sensible a la selección del umbral, VMD es un método de preprocesamiento de datos más robusto y eficaz que el modo empírico. descomposición (EMD) y EEMD, que se pueden utilizar para eliminar el ruido de series temporales descomponiendo la señal no lineal y no estacionaria en varias funciones de modo intrínseco (IMF) de banda limitada7,24. Por lo tanto, el rendimiento de eliminación de ruido de DWT es peor que el de VMD (Tabla 2).

La revisión de la literatura muestra que los modelos ML integrados con técnicas de preprocesamiento de datos son una estrategia eficaz para obtener resultados de estimación más creíbles7,21–23; los resultados de nuestra investigación también confirman esta conclusión. Como se muestra en las Tablas 3 y 4, el promedio de las métricas de evaluación de los modelos ML integrados con DWTor VMD son todos más pequeños que los de los modelos SVM y LSTM individuales. Por lo tanto, es necesario extraer características útiles mediante el uso de una técnica de preprocesamiento de datos para obtener resultados de estimación más creíbles (Archivo complementario 1).

El rendimiento de estimación de los modelos ML también se puede mejorar significativamente acoplando modelos ML con algoritmos metaheurísticos. Hasta cierto punto, es más importante obtener los hiperparámetros óptimos de un modelo ML que seleccionar la técnica de preprocesamiento de datos adecuada. Como se muestra en las Tablas 3 y 4, el rendimiento de estimación de los modelos ML hibridados con la técnica de preprocesamiento de datos mejoró significativamente cuando se optimizaron los hiperparámetros de LSTM y SVM. En comparación con DWT-SVM, VMD-SVM, DWT-LSTM y VMD-LSTM, las métricas de evaluación positivas de DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM y VMD-WOA -LSTM disminuyó y los indicadores negativos aumentaron en diversos grados. Por lo tanto, la selección de hiperparámetros para los modelos ML fue de vital importancia para mejorar el rendimiento de la estimación6,7,21–29.

Además, como se concluyó, el objetivo principal de este estudio fue proponer un modelo híbrido novedoso para estimar ET integrando LSTM con WOA y técnicas de preprocesamiento de datos, incluidas DWT y VMD. El rendimiento de VMD-WOA-LSTM se comparó con otros modelos híbridos en términos de métricas de rendimiento estándar. La comparación de rendimiento de los modelos propuestos demostró que el modelo híbrido VMDWOA-LSTM funcionó mejor que otros modelos basados ​​en ML al estimar la ET mensual en los márgenes sureste del desierto de Tengger.

Conclusiones

En este estudio, se propusieron modelos híbridos basados ​​en VMD, WOA y LSTM para estimar la ET utilizando los métodos de análisis de series de tiempo, donde se utilizó VMD para extraer los rasgos intrínsecos de las series de tiempo de ET y se empleó WOA para optimizar los hiperparámetros de LSTM. . El rendimiento del modelo se comparó con la ET real y la estimación de otros modelos híbridos en términos de MAE, MAPE, NMSE, RMSE y NSCE. Los resultados indican que VMD-WOA-LSTM tiene resultados de estimación más precisos que otros modelos basados ​​en ML, lo que puede recomendarse como un método auxiliar esencial para estimar la ET en regiones desérticas.

Disponibilidad de datos

Todos los datos analizados o generados durante este estudio se incluyen en la Información complementaria y están disponibles a través de los autores correspondientes previa solicitud razonable.

Referencias

1. Keshtegar, B., Piri, J. y Kisi, O. Un modelado matemático no lineal de la evaporación diaria del recipiente basado en el método del gradiente conjugado. Computación. Electrón. Agrícola. 127, 120-130 (2016).

2. Hashemi, M. & Sepaskhah, AR Evaluación de redes neuronales artificiales y ecuación de Penman-Monteith para la predicción de la evapotranspiración estándar de cebada en una región semiárida. Teor. Aplica. Climatol. 139, 275–285 (2020).

3. Majhi, B. et al. Predicción mejorada de la evaporación diaria del recipiente utilizando el modelo Deep-LSTM. Computación neuronal. Aplica. 32, 7823 (2019).

4. Wen, X. et al. Modelos basados ​​en máquinas de vectores de soporte para modelar la evapotranspiración de referencia diaria con datos climáticos limitados en regiones áridas extremas. Recurso Acuático. Gestionar. 29, 3195–3209 (2015).

5. Li, XR y cols. Ecohidrología fundamental de la restauración y recuperación ecológica en las regiones del desierto de arena de China (Science Press, 2016).

6. Wu, LF y cols. Máquina híbrida de aprendizaje extremo con algoritmos metaheurísticos para la predicción mensual de la evaporación del recipiente. Computadora.Electrón. Agr. 168, 105-115 (2020).

7. Fu, TL y cols. Un nuevo método integrado basado en un modelo de aprendizaje automático para estimar la evapotranspiración en tierras secas. J. Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR y Zhang, F. Efectos de la intensidad y la intermitencia de las precipitaciones sobre la cubierta vegetal leñosa y la humedad profunda del suelo en los ecosistemas de tierras secas. J. hidrol. 543, 270–282 (2016).

9. Li, XR y cols. El umbral ecohidrológico para evaluar la estabilidad de la vegetación arenosa en diferentes zonas climáticas.Ecol. Indiana 83, 404–415 (2017).

For more information:1950477648nn@gmail.com