Maskinlæringsmodeller forbedrer forudsigelsen af ​​grundvandsdybden i Ningxia-området i Kina

For Ningxia-området, der ligger i de tørre og halvtørre regioner i Kina, er grundvand en af ​​de vigtigste drikkevandskilder. Der har dog været lidt forskning i anvendelsen af ​​maskinlæringsmodeller til at forudsige grundvand i dette område.

Professor Sun Bo (Nanjing University of Information Science and Technology) og kolleger forskede i grundvandsforudsigelse i Ningxia og fandt ud af, at to hybride maskinlæringsmodeller - nemlig Multi-head Attention-Convolution Neural Network-Long Short Term Memory (MH) -CNN-LSTM) og Multi-head Attention-Convolution Neural Network-Gated Recurrent Unit (MH-CNN-GRU) - har et stort potentiale i forudsigelse af grundvandsdybde i Ningxia-området. Resultaterne er for nylig blevet offentliggjort i Atmospheric and Oceanic Science Letters .

I denne undersøgelse er faktorerne relateret til grundvandet, såsom nedbør, udvalgt, og to hybride deep learning-modeller, som er CNN-LSTM og CNN-GRU, kombineres med multi-head opmærksomhed. Derefter sammenlignes de med den multiple lineære regressionsmodel, som er en traditionel statistisk model.

Desuden bruges møgbille-optimeringsalgoritmen (DBO) til yderligere at forbedre forudsigelsesevnen af ​​hybride dybe læringsmodeller ved at optimere parametre. Teltkortet, adaptiv T-fordeling og spiralsøgningsstrategi bruges til at forbedre DBO, og forudsigelsesresultaterne for modeller med den forbedrede DBO og den originale DBO sammenlignes.

Deres prædiktive ydeevne er bedre end den traditionelle multipel lineære regressionsmodel. Derudover kan DBO-algoritmen yderligere forbedre prædiktionsnøjagtigheden af ​​modellen. Sammenlignet med den originale DBO præsterer modellerne med den forbedrede DBO bedre.

Nedbøren i Ningxia-området er hovedsageligt koncentreret om sommeren, og derfor stiger grundvandet i denne region betydeligt om sommeren sammenlignet med de tre andre årstider. I fremtiden vil forskerholdet fokusere på sommergrundvand i Ningxia-området og studere de relaterede fysiske mekanismer. Derefter vil det blive undersøgt yderligere, om tilføjelsen af ​​faktorer relateret til disse fysiske mekanismer kan forbedre forudsigelsesresultaterne væsentligt.

Flere oplysninger: Jiarui Cai et al., Anvendelse af den forbedrede møgbille-optimering, muti-head opmærksomhed og hybride dyb læringsalgoritmer til forudsigelse af grundvandsdybde i Ningxia-området, Kina, Atmospheric and Oceanic Science Letters (2024). DOI:10.1016/j.aosl.2024.100497

Leveret af Chinese Academy of Sciences