월별 증발산량 추정을 위한 고래 최적화 알고리즘과 변이 모드 분해를 사용한 하이브리드 장단기 기억

인공 모래 결합 식생의 지속 가능성은 사막 지역의 증발산량(ET)과 강수량 사이의 수분 균형에 의해 결정됩니다. 결과적으로, ET를 정확하게 추정하는 것은 모래 지역과 무관한 인공 식생의 유형과 공간 분포를 결정하기 위한 중요한 전제 조건입니다. 이를 위해 딥러닝 장단기 기억(LSTM)과 변형 모드 분해(VMD) 및 고래 최적화 알고리즘(WOA)을 결합하여 월별 ET를 추정하는 새로운 하이브리드 추정 모델(즉, VMD-WOA-LSTM)을 제안했습니다. Tengger Desert의 남동쪽 가장자리에서 월별 ET를 추정합니다.

최근 몇 년간 외계인과 UFO에 관한 많은 보도는 사람들의 호기심과 열정을 불러일으켰을 뿐만 아니라 외계 생명체에 대한 감탄과 열망을 불러일으켰습니다.

많은 관심을 끄는 주제 중 하나는 외계인의 지능 수준입니다. 많은 사람들은 외계인이 인간을 훨씬 능가하는 지능을 가지고 있다고 믿고 있으며, 이 아이디어는 SF 소설과 영화에서 널리 퍼졌습니다. 하지만 외계인이 인간보다 지능이 더 뛰어나나요? 그렇다면 그들은 더 강한 기억을 갖게 될까요?

첫째, 우리는 외계 지능에 대한 우리의 개념이 여전히 매우 피상적이라는 점을 인정해야 합니다. 우리는 외계인이 우리보다 나은지 여부는 말할 것도 없고 지능 면에서도 우리와 비슷한지 확신할 수 없습니다. 그러나 기억과 지능의 관계를 인간의 관점에서 단순하게 생각하고 추정할 수는 있다.

인간의 관점에서 우리는 지능과 기억 사이에 상관관계가 있다는 것을 알고 있습니다. 지능이 높은 사람은 일반적으로 기억력이 더 좋습니다. 이는 지능이 높은 사람일수록 사고와 논리적 추론에 더 많은 관심을 기울이고, 다양한 상관관계 방법을 통해 정보를 통합하고 연관시킬 가능성이 더 높기 때문입니다. 이런 사고방식은 기억력 향상에 도움이 됩니다. 따라서 뇌 성능 지능 수준과 기억 사이에는 상관 관계가 있습니다.

그러나 우리는 이러한 상관관계를 단순히 외계인에게 적용해서는 안 됩니다. 외계인의 지능 구조와 뇌 구조가 인간과 비슷한지 확신할 수 없기 때문이다. 외계인은 인간과 지능 구조와 기억 구조가 다를 수 있으므로 지능과 기억의 관계도 매우 다를 수 있습니다.

마지막으로, 우리는 외계 생명체의 발견이 인류 과학과 철학의 발전에 큰 영향을 미칠 것이라는 점을 확신해야 합니다. 외계 지능과 기억에 관한 연구도 과학적 기반을 바탕으로 수행되어야 합니다. 과학과 기술의 지속적인 발전으로 인류가 더 많은 외계 생명체를 탐구하고, 미스터리를 풀고 우주의 진실을 탐구하는 과정에서 계속해서 전진할 수 있기를 바랍니다. 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.

뇌 기능을 향상시키는 방법을 클릭하세요

LSTM의 우수성은 순차 데이터에서 비선형 및 비정상 특징을 자동으로 추출하는 기능으로 인해 선택되었으며, WOA는 LSTM의 하이퍼 매개 변수를 최적화하기 위해 사용되었으며 VMD는 ET 시계열의 고유 특성을 추출하는 데 사용되었습니다. VMD-WOA-LSTM의 추정 결과는 표준 성능 지표 측면에서 실제 ET 및 다른 하이브리드 모델의 추정과 비교되었습니다. 결과에 따르면 VMD-WOA-LSTM은 LSTM, SVM(Support Vector Machine) 및 해당 모델의 변형보다 더 정확하고 신뢰할 수 있는 추정 결과를 제공하는 것으로 나타났습니다. 따라서 VMD-WOALSTM은 사막 지역에서 ET를 추정하는 데 필수적인 보조 방법으로 권장될 수 있습니다.

증발산(ET)은 물 균형1,2에 의해 생태학적 및 수문학적 과정을 연결하는 매우 비선형적인 물리적, 생물학적 과정입니다. 이는 지역 물과 에너지 균형의 핵심 구성 요소이며 토양-식물-대기(SPA) 시스템에서 중요한 연결 역할을 합니다3. ET를 정확하게 추정하는 것은 환경 관리4-6, 특히 인공 모래 결합 식생의 지속 가능성이 ET와 강수량 사이의 수분 균형에 의해 결정되는 넓은 면적의 인공 모래 결합 식생이 있는 사막 지역에서 중요한 전제 조건입니다5,7. 또한, 기후 변화, 특히 온난화 및 강수 패턴의 변화는 필연적으로 인공 식생의 지속 가능성에 중대한 영향을 미칠 것입니다7,8.

자연식생과 달리 인공모래식생은 특수한 목적과 기능을 가지고 조성되는데, 정확한 ET 추정은 인공모래식생의 물수지를 이해하고 조성, 구조, 공간분포, 규모를 결정하는 데 참고자료가 될 수 있다. 사막 지역9,10. 그러나 물리적 기반 방법(예: Priestley-Taylor 방법, Hargreaves 방법, 수정된 FAO-24 Penman 방법, FAO-56 Penman-Monteith 방법 등)의 적용은 다음과 같습니다. 사막 지역에서는 필요한 기상 매개변수(예: 기화 잠열, 태양 복사, 상대 습도, 기온 등)가 부족하여 심각하게 제한됩니다4,6,2-12. 따라서 정확한 추정 결과를 얻기 위해 다른 유형의 데이터 기반 모델을 구축하는 것이 매우 바람직합니다.

최근에는 역전파 신경망(BPNN)13, 다층 퍼셉트론(MLP)2, 다층 인공 신경망(MLNN)6, 지원 벡터 머신(SVM)7,12, 익스트림 러닝 머신을 포함한 기계 학습(ML) 모델이 등장하고 있습니다. (ELM) 6, 모델 트리(MT)14,15, 랜덤 포레스트(RF)6, 웨이블릿 신경망(WNN)16, 방사형 기초 함수(RBF)17 등이 증발 또는 ET로 인한 추정에 극적으로 사용되었습니다. 자동으로 기능을 학습하고 어떤 가정도 요구하지 않는 기능입니다. ML 모델에는 하이퍼파라미터 자체 조정이 어려워 컴퓨팅 정확도가 크게 떨어지는 결함이 있습니다. ML 모델의 단점을 극복하기 위해 꽃수분 알고리즘(FPA)6, 반딧불 알고리즘(FFA)11, 지능형 물방울(IWD) 알고리즘12, 고래 최적화 알고리즘(WOA)18, 회색늑대 최적화 알고리즘 등의 메타 휴리스틱 알고리즘( ML모델의 최적 하이퍼파라미터를 결정하기 위해 GWO)19,20 등이 사용되었습니다. 연구에 따르면 메타 휴리스틱 알고리즘과 결합된 ML 모델은 단일 ML 모델 및 물리적 기반 방법보다 컴퓨팅 성능이 더 높은 것으로 나타났습니다12,16,18,21,22.

ET는 기상 매개변수, 토양 수분 및 식생 특성12에 의해 밀접하게 영향을 받기 때문에 측정된 ET 시계열은 날카롭고 변동하는 지점이 많아 추정 정확도가 크게 감소합니다. 보다 신뢰할 수 있는 추정 결과를 얻기 위해 DWT(Discrete WaveletTransform)23, EEMD(Ensemble Empirical Mode Decomposition)14,15, VMD(Variational Mode Decomposition)7,24 등의 데이터 전처리 기법을 사용하여 데이터를 분해했습니다. ET 시계열 주파수를 다양한 구성 요소로 변환하고 여러 수준7,14,23,24에서 필요한 정보를 얻습니다. 문헌 검토에 따르면 ML 모델과 결합된 데이터 전처리 기술은 모델 성능을 크게 향상시킬 수 있음을 보여줍니다16,25. 이와 관련하여 Gocićet al.22은 SVM을 DWT 및 반딧불 알고리즘(FFA)과 결합하여 세르비아에서 참조 ET를 추정했으며, 여기서 FFA는 SVM의 하이퍼파라미터를 결정하는 데 사용되었습니다. 결과는 DWT-FFA-SVM이 참조 ET 추정을 위한 최상의 추정 방법임을 보여줍니다. Pammar와 Deka[24]는 인도 Karnataka의 일일 팬 증발량을 추정하기 위해 하이브리드 DWT-SVM을 제안했습니다. 결과는 또한 DWT와 결합된 SVM이 추정 정확도를 향상시킬 수 있음을 확인합니다. Rezaie-Balf et al.15는 EEMD를 SVM 및 M5 모델 트리(M5T)와 별도로 통합하여 터키의 Siirt 관측소와 Diyarbakir 관측소의 월별 팬 증발 모델을 추정했으며 제안된 모델은 훨씬 더 높은 정확도를 나타냈습니다. Fu et al.7은 DWT, EEMD, VMD를 SVM 및 GWO-SVM과 별도로 결합하여 월별 ET를 추정하는 하이브리드 모델을 제안했습니다. 결과는 VMD와 DWT가 EEMD보다 더 좋은 전처리 성능을 보였으며, VMDGWO-SVM의 추정 정확도가 DWT-GWO-SVM과 EEMD-GWO-SVM보다 높았음을 나타냅니다.

이전 작업은 주로 얕은 ML 모델을 사용하여 ET2,4,6,7,2–18,21–23을 추정하는 데 중점을 두었습니다. 얕은 ML 모델에는 ET 시계열에서 숨겨진 비선형 및 비정적 특징을 충분히 추출할 수 없는 단점이 있다는 것이 잘 알려져 있습니다. 따라서 장단기 기억(LSTM)3,26, 심층 신경망(DNN)27, 시간 컨볼루션 신경망(TCN)27 및 순환 신경망(RNN)28을 사용하여 제한된 기상학을 기반으로 ET 또는 증발량을 추정했습니다. 데이터. Majhi et al.3은 LSTM, MLNN, Hargreaves 공식 및 Blaney-Criddle 공식을 사용하여 인도 Chhattisgarh 주의 일일 팬 증발량을 추정했습니다. 결과는 LSTM이 증발산량을 정확하게 추정할 수 있으며 다른 모델보다 더 나은 추정을 가짐을 나타냅니다. . Chen et al.27은 LSTM, DNN, TCN, SVM, RF, Hargreaves 모델, Ritchie 방법, Priestley-Talor 모델, Makkink 공식, Romanenko 모델 및 Schendel 공식을 각각 사용하여 중국 북동부 평야의 일일 참조 ET를 추정했습니다. 결과는 LSTM, TCN 및 DNN이 기상 매개변수가 없는 경우 얕은 ML 모델 및 경험적 모델보다 더 나은 추정 성능을 갖는 것을 보여줍니다. Granata와 Di Nunno28는 LSTM과 NARX를 사용하여 미국 Cypress Swamp와 Kobeh Valley의 ET를 추정했습니다. 결과는 딥러닝 모델이 얕은 ML 모델보다 높은 계층 구조로 인해 정확도가 더 높다는 것을 보여줍니다.

ML 모델의 하이퍼파라미터는 컴퓨팅 정확도를 직접 결정하지만 m. 그럼에도 불구하고 대부분의 모델은 스스로 최적의 하이퍼파라미터를 생성할 수 없으며 LSTM도 예외는 아닙니다. 은닉층 수(HL), 은닉 유닛 수(HU), 에포크, 학습 속도(LR)26를 포함한 LSTM의 하이퍼파라미터는 LSTM의 추정 성능에 큰 영향을 미칩니다. 그러나 저자가 아는 한, 증발 또는 E를 추정하기 위해 메타 휴리스틱 알고리즘과 결합된 LSTM의 적용은 매우 미미했습니다.

연구 영역 및 데이터

이번 연구는 텡거 사막(Tengger Desert) 남동쪽 가장자리(37도 32'N, 105도 02'E)에서 수행되었습니다. 주요 경관 유형은 조밀하게 분포된 격자형 모래 언덕9,10입니다. 바오터우-란저우 철도에 대한 모래 폭풍의 피해를 방지하기 위해 중국과학원과 철도 관련 부서는 1956a에 인공적으로 식생 벨트를 건설하고 1964a, 1981a, 1987a에 확장했습니다. 이동사구에는 바람방향에 수직인 기계적 모래장벽을 설치하고, 기계적 모래장벽 뒤에는 짚바둑판(간격 1m×1m)을 설치하고, 2년생 건관목 묘목을 동일한 구성으로 엇갈리게 식재하였다. 관개가 없는 조건에서 식물 간격 및 줄 간격은 1m×2m 또는 2m×3m입니다. 반세기 이상 연속된 후 자연 식물 종의 수가 25종에서 453종으로 증가했으며 식생 범위가 증가했습니다. 1% 미만에서 42.3%로 증가했습니다. 길이 16km, 폭 200-1000m의 생물학적 방풍모래 고착지대가 점차 형성되었습니다. 각기 다른 연도(1956a, 1964a, 1981a, 1987a)에 조성된 인공모래식생지가 철로 양쪽에 병렬로 분포되어 있어 풍사로 인한 철도교통 피해를 성공적으로 방지하고 생태환경을 획기적으로 개선하였습니다. 연구 영역의. 재식생의 안정성과 지속 가능성은 ET와 강수량 사이의 물 균형에 따라 달라지기 때문에 인공 모래 결합 식생을 보호하고 활용하기 위한 ET를 정확하게 추정하는 것은 이론적, 실무적으로 매우 중요합니다.

본 연구에서는 1991년 1월부터 2018년 12월까지 측정된 월별 ET 데이터와 1991년 1월부터 2010년 12월까지의 데이터를 훈련 세트로 간주하고 나머지를 테스트 세트로 사용하였다. 표 1은 연구 지역의 월간 ET 시계열의 주요 통계 지표를 보여줍니다.

방법론

제안된 모델의 프레임워크. LSTM은 관련 정보를 저장하기 위해 반복 신경망 모듈의 체인 형태를 추가하여 RNN의 그래디언트 소실 문제를 극복할 수 있는 새로운 시간 주기 신경망입니다25,26. 이는 장기 의존성 문제를 해결하기 위해 "2개 내부 및 2개 외부"의 작동 원리를 사용합니다26. 본 연구에서는 LSTM에 대한 월별 ET 듀오가 시계열 중 비선형 패턴을 처리하는 탁월한 기능을 가지고 있음을 추정하기 위한 기본 모듈로 LSTM을 선택했습니다. 또한 SVM은 다른 얕은 ML 모델(예: BPNN, WNN, ELM, MT 및 MLP)보다 더 광범위한 종류의 비선형 피팅 문제(예: ET 추정)를 해결하기 위한 더 나은 적응성을 갖기 때문에 ET를 추정하는 데에도 사용되었습니다. 29.

DWT는 웨이블릿 기준과 임계값에 민감하기 때문에 EMD는 모드믹싱7,24의 본질적인 단점을 겪고 EEMD는 엔드포인트 효과7를 존재합니다. VMD는 DWT, EMD 및 EEMD보다 더 강력하고 적응력이 뛰어난 데이터 전처리 방법으로, 이러한 방법의 단점을 효과적으로 극복하고 불규칙성 및 비정상성 시계열에서 주요 변동 특징을 추출합니다. 본 연구에서는 ET 데이터 세트에서 주요 변형 특징을 추출하기 위해 VMD를 사용했습니다. VMD의 잡음 제거 성능을 비교하기 위해 DWT를 기준으로 선택했습니다. DWT, VMD 및 수집된 ET 시계열의 출력을 훈련 세트와 테스트 세트로 나누고 ML 모델에 입력하여 각각 ET를 추정했습니다.

ML 모델의 훈련 효율성을 향상시키기 위해 최소-최대 정규화 방법7,22을 사용하여 입력 및 출력 데이터 세트를 정규화했습니다. SVM과 LSTM의 입력 및 출력 세트는 종단 선택(LS) 방법을 사용하여 결정되었습니다. 즉, 훈련 샘플 그룹은 I에서 k - q까지의 벡터로 표시되고, 훈련 출력은 I + d − 1에서 k − q까지, 테스트 출력 벡터는 k − q + 1에서 k까지의 벡터로 표시됩니다. 여기서 i, d, k 및 q는 시작점, 입력 차원, 데이터 크기를 나타냅니다. 설정하고 테스트 출력의 길이를 각각 지정합니다. 그림 1은 i=1, d=3 및 k=336를 사용하는 LS 방법의 개략도를 보여줍니다.

WOA는 증발 또는 ET 추정을 위한 얕은 ML 모델의 하이퍼파라미터 최적화를 포함하여 비선형 최적화 문제를 해결하는 데 널리 사용되는 효율적이고 안정적인 새로운 메타 휴리스틱 알고리즘18입니다. 그러나 ET를 추정하기 위해 LSTM과 메타 휴리스틱 알고리즘을 결합한 하이브리드 모델을 제안한 연구자는 없습니다. 따라서 보다 정확한 추정 결과를 얻기 위해 LSTM의 하이퍼파라미터를 최적화하기 위해 WOA를 사용하였다. 그림 2는 WOA-LSTM의 흐름도를 보여준다. VMD와 결합된 WOA-LSTM은 VMD-WOA-LSTM으로 표시된다.

VMD-WOA-LSTM의 우수성은 LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM과의 예상 성능을 비교하여 테스트되었습니다. DWT-GWO-SVM 및 VMD-GWO-SVM(GWO-SVM은 SVM의 최상의 C 및 G가 GWO 알고리즘을 사용하여 결정됨을 나타냄), 그림 3은 GWO-SVM의 흐름도를 보여줍니다. 수치 시뮬레이션 과정에서는 ML 모델의 최적 하이퍼파라미터를 결정하기 위한 적합성 함수로 평균 절대 백분율 오차(MAPE)를 사용했습니다. DWT, VMD, SVM, LSTM, GWO 및 WOA를 포함하여 본 논문에서 사용된 방법의 수학적 원리는 관련 문헌에서 찾을 수 있으므로 이러한 방법에 대한 수학적 설명은 생략합니다.

성과 평가를 위한 지표. 오류 분석은 평균 절대 오류(MAE), MAPE, 정규화된 평균 제곱 오류(NMSE), 제곱 평균 제곱 오류(RMSE) 및 Nash-Sutcliffe 효율성 계수(NSCE)를 포함한 평가 지표를 사용하여 수행됩니다. 이러한 평가 지표의 정의는 다음과 같습니다.

여기서 yi와 yi는 원하는 결과와 추정된 결과를 나타냅니다. 일반적으로 MAE, MAPE, NMSE 및 RMSE는 원하는 결과와 추정된 결과 간의 편차를 측정하는 데 사용되며 이러한 평가 지표의 값이 작을수록 추정 성능이 더 좋습니다. MAPE는 이러한 기준 중에서 상대적으로 더 안정적이므로 NSCE는 일반적으로 수문학 분야에서 모델 효율성을 결정하는 데 사용됩니다(NSCE가 1에 가까울수록 제안된 모델의 적합도가 좋음을 나타냄). 따라서 제안된 모델의 모델 성능을 평가하기 위한 주요 벤치마크로 MAPE와 NSCE를 선정하였다.

매개변수 설정. 다양한 모델의 성능 추정은 주로 매개변수 선택에 따라 결정됩니다. 표 2는 DWT와 VMD의 주요 매개변수를 보여준다. 검색 에이전트 수와 WOA 및 GWO 알고리즘의 최대 반복 횟수는 각각 5회와 100이었습니다. 모든 LSTM 기반 모델의 미니배치 크기는 128이었다. WOA-LSTM의 HL, HU, Epochs, LR 범위는 [1, 2{18}}0], [1,200], [10, 100 ] 및 [0.001, 0.01]입니다. GWO-SVM의 경우 C와 G의 범위는 [0.01, 100]이었습니다.

결과

그림 4와 5는 DWT와 VMD의 결과를 보여줍니다. 그림과 같이. 도 4와 5에서 수집된 월간 ET 시계열에는 날카롭고 변동하는 지점이 많아 추정 성능에 영향을 미칩니다. ET 추정 프로세스에서 이러한 문제가 있는 패턴을 해결하기 위해 레벨 1의 db4와 K=5의 VMD를 분석하고 안정적인 ET 시계열의 잡음을 제거하는 데 사용했습니다. 잔여 시계열은 낮은 진폭과 높은 주파수 변동을 보여 원래 ET 데이터 세트에서 백색 잡음이 제거되었음을 나타냅니다. 표 2는 VMD(SNR=42.6451 및 RMSE=1.7934 사용)의 잡음 제거 성능이 DWT(SNR=40.8201 및 RMSE{{15} 사용)보다 더 효율적이라는 것을 보여줍니다. }.2127). DWT는 웨이블릿 기준을 미리 선택해야 한다는 단점이 있고, 임계값 선택에도 민감하다. 따라서 VMD가 더 좋습니다.

언급한 바와 같이 LSTM과 SVM은 각각 월간 ET를 추정하는 데 사용되었습니다. d=2, 3, …, 16의 각 고정 입력 차원 d에 대해 최소 MAPE는 5개의 복제 중에서 선택되었으며, 최소 MAPE에 따라 WOA-LSTM 및 GWO-SVM의 최적 하이퍼 매개변수가 기록되었습니다. 표 3은 제안된 모델의 최적 입력 특성과 하이퍼파라미터를 보여준다. 표 3에서 볼 수 있듯이 각 LSTM 기반 모델의 MAPE는 SVM 기반 모델의 MAPE보다 낮으며 이는 딥 러닝 모델이 얕은 ML 모델보다 훨씬 뛰어난 성능을 나타냄을 나타냅니다. 단일 ML 모델의 Te MAPE는 ML 모델과 데이터 전처리 기술을 결합하여 감소되었으며, 이는 데이터 전처리를 사용하여 ML 모델의 성능을 향상시킬 수 있음을 시사합니다. 최적 매개변수를 갖는 하이브리드 모델의 Te MAPE는 기본 매개변수를 갖는 ML 모델보다 모두 작습니다. 이는 메타 휴리스틱 알고리즘과 통합된 ML 모델이 기본 매개변수를 갖는 ML 모델보다 약간 더 높은 컴퓨팅 성능을 가짐을 나타냅니다. 하이브리드 DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM 및 VMD-WOA-LSTM 모델의 Te MAPE는 LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD보다 작습니다. - SVM, WOA-LSTM, GWO-SVM은 데이터 전처리 및 메타 휴리스틱 알고리즘을 사용하여 ML 모델의 성능을 크게 향상시킬 수 있음을 시사합니다.

최소 MAPE와 최적 하이퍼파라미터를 적용한 ML 모델의 추정 결과는 그림 6과 같다. 그림 6은 제안된 모든 모델의 결과가 중간 범위의 대부분의 지점과 일치하지만 시작점과 극단값이 일치함을 보여준다. 과대평가됐네요; 월별 ET 시계열의 기간은 12개월이며, LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM 및 VMD-WOA-LSTM의 최적 입력 차원은 ET 시간의 기간과 거의 같습니다. 시리즈(표 3)는 LSTM이 과거 데이터 패턴을 최대한 활용하고 얕은 ML 모델의 단점을 효과적으로 극복할 수 있음을 시사합니다. 전반적으로 하이브리드 DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM 및 VMD-WOA-LSTM 모델은 제안된 다른 모델보다 더 나은 추정 성능을 나타냅니다.

표 4는 학습 및 테스트 단계에서 각 모델의 평가 지표를 보여 주며, 메타 휴리스틱 알고리즘으로 최적화된 ML 모델의 평가 지표 평균은 굵게 표시되어 있습니다. 표 4에서 볼 수 있듯이 DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM 모델의 모델 성능은 테스트 단계에서 LSTM 및 SVM보다 우수하며(표 4), 이는 데이터 전처리가 ML 모델의 추정 성능을 향상시키는 데 도움이 됩니다. 표 4에서 볼 수 있듯이 WOA-LSTM 및 GWO-SVM의 MAE, MAPE,NMSE, RMSE를 포함한 평가 지표는 모두 LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM 및 VMD-SVM보다 작습니다. , NSCE는 다양한 수준으로 증가했는데, 이는 LSTM과 SVM의 하이퍼파라미터가 메타 휴리스틱 알고리즘을 사용하여 최적화되었을 때 LSTM과 SVM의 추정 성능이 크게 향상되었음을 나타냅니다.

GWO와 통합된 SVM의 평가 지표는 데이터 전처리 기술과 결합된 LSTM의 평가 지표보다 모두 작습니다. 하이브리드 VMD-GWO-SVM의 Te MAPE는 다른 SVM 기반 모델 및 LSTM, DWT-LSTM, VMD-LSTM 모델(표 4)의 Te MAPE보다 작으며, 이는 얕은 ML 모델이 데이터 전처리 기술 및 메타 휴리스틱 알고리즘과 통합되었음을 나타냅니다. ET를 추정하기 위해 사용될 수 있습니다. 반면 얕은 ML 모델의 모델 성능은 여전히 ​​개선되어야 합니다. 표 4에서 볼 수 있듯이 딥러닝 모델은 얕은 ML 모델보다 훨씬 뛰어난 성능을 보였으며 하이브리드 WOA-LSTM, DWT-WOA-LSTM 및 VMD-WOA-LSTM의 모델 성능이 SVM 기반 하이브리드 모델보다 우수했습니다. VMD-GWO-SVM과 비교하여 DWT-WOA-LSTM의 MAPE는 23.22%에서 18.90%로 감소했으며 NSCE는 0.8754에서 0.8578로 향상되었습니다. VMD-WOA-LSTM의 MAPE는 23.22%에서 18.72%로 감소했고, NSCE는 0.8754에서 0.8917로 개선되었습니다. 이러한 결과는 하이브리드 DWT-WOA-LSTM 및 VMD-WOA-LSTM 모델이 다른 제안된 방법에 비해 월별 ET를 추정하는 데 탁월한 능력을 가지고 있음을 나타냅니다. 하이브리드 VMD-WOA-LSTM 모델의 MAPE는 제안된 모델 중에서 가장 작음을 나타냅니다. thatVMD-WOA-LSTM은 제안된 모델 중 월간 ET를 추정하는 가장 정확한 모델입니다. 따라서 VMD-WOA-LSTM은 사막 지역에서 ET를 추정하는 데 필수적인 보조 방법으로 권장될 수 있습니다.

논의

앞서 언급한 바와 같이 연구 영역에서 ET를 추정하기 위해 ML 모델, 데이터 전처리 기술 및 메타 휴리스틱 알고리즘을 기반으로 한 하이브리드 모델이 제안되었습니다. 일반적으로 하이브리드 ML 모델을 구성하는 것은 복잡하고 시간이 많이 걸리는 절차입니다6,14-18. 그러나 하이브리드 ML 모델은 물리적 기반 방법20-23보다 정확도가 높습니다. 따라서 하이브리드 ML 모델을 사용하여 ET를 정확하게 추정하는 것은 수문학 및 생태학의 핵심 문제입니다.

딥 러닝 모델은 일반적으로 얕은 ML 모델보다 성능이 뛰어납니다3. 그러나 ET를 추정하기 위해 ML 모델만 사용하면 데이터 전처리가 수행되지 않을 때 큰 오류가 발생할 수 있습니다7,14-16. 그림과 같이. 도 4와 5에 나타난 바와 같이, 수집된 ET 시계열은 ET가 기상학적 요인에 의해 결정되고 사막 지역의 토양 수분, 지형 및 식생 특성과 밀접한 관련이 있기 때문에 불규칙성과 비정상성을 나타냅니다. 따라서 신뢰할 수 있는 추정 결과를 얻기 위해서는 수집된 ET 시계열에서 주요 변동 특징에 도달하기 위해 데이터 전처리 기술을 사용해야 합니다. DWT, VMD와 같은 데이터 전처리 방법을 적용하면 비선형 및 비정상 시계열에서 노이즈를 제거할 수 있습니다. DWT가 임계값 선택에 민감한 반면, VMD는 경험적 모드보다 더 강력하고 효과적인 데이터 전처리 방법입니다. 분해(EMD) 및 EEMD는 비선형 및 비정상 신호를 여러 대역 제한 고유 모드 함수(IMF)로 분해하여 시계열에서 노이즈를 제거하는 데 사용할 수 있습니다. 따라서 DWT의 노이즈 제거 성능은 VMD의 노이즈 제거 성능보다 나쁩니다(표 2).

문헌 검토에 따르면 데이터 전처리 기술과 통합된 ML 모델은 보다 신뢰할 수 있는 추정 결과를 얻기 위한 효과적인 전략입니다7,21-23. 우리 연구 결과에서도 이러한 결론이 확인되었습니다. 표 3과 4에서 볼 수 있듯이 DWTor VMD가 통합된 ML 모델의 평가 지표 평균은 단일 SVM 및 LSTM 모델의 평균보다 모두 작습니다. 따라서 보다 신뢰성 있는 추정 결과를 위해서는 데이터 전처리 기법을 활용하여 유용한 특징을 추출하는 것이 필요하다(보충파일 1).

ML 모델의 추정 성능은 ML 모델을 메타 휴리스틱 알고리즘과 결합하여 크게 향상시킬 수도 있습니다. 어느 정도는 적절한 데이터 전처리 기법을 선택하는 것보다 ML 모델의 최적 하이퍼파라미터를 얻는 것이 더 중요합니다. 표 3과 표 4에서 볼 수 있듯이 데이터 전처리 기법을 결합한 ML 모델의 추정 성능은 LSTM과 SVM의 하이퍼파라미터를 최적화했을 때 크게 향상되었습니다. DWT-SVM, VMD-SVM, DWT-LSTM 및 VMD-LSTM과 비교하여 DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM 및 VMD-WOA의 긍정적 평가 지표 -LSTM은 감소했고 부정적인 지표는 다양한 정도로 증가했습니다. 따라서 ML 모델의 하이퍼파라미터 선택은 추정 성능을 향상시키는 데 매우 중요했습니다6,7,21-29.

또한 결론적으로 본 연구의 주요 목적은 LSTM과 WOA 및 DWT, VMD를 포함한 데이터 전처리 기술을 통합하여 ET를 추정하는 새로운 하이브리드 모델을 제안하는 것이었습니다. VMD-WOA-LSTM의 성능은 표준 성능 지표 측면에서 다른 하이브리드 모델과 비교되었습니다. 제안된 모델의 성능 비교는 하이브리드 VMDWOA-LSTM 모델이 Tengger Desert의 남동쪽 가장자리에서 월별 ET를 추정하는 데 있어 다른 ML 기반 모델보다 더 나은 성능을 발휘한다는 것을 보여주었습니다.

결론

본 연구에서는 시계열 분석 방법을 이용하여 ET를 추정하기 위해 VMD, WOA, LSTM을 기반으로 한 하이브리드 모델을 제안했는데, 여기서 VMD는 ET 시계열의 고유 특성을 추출하는 데 사용되었고 WOA는 LSTM의 하이퍼파라미터를 최적화하는 데 사용되었습니다. . 모델 성능은 MAE, MAPE, NMSE, RMSE 및 NSCE 측면에서 실제 ET 및 다른 하이브리드 모델의 추정과 비교되었습니다. 결과는 VMD-WOA-LSTM이 다른 ML 기반 모델보다 더 정확한 추정 결과를 가지고 있음을 나타내며, 이는 사막 지역에서 ET를 추정하는 데 필수적인 보조 방법으로 권장될 수 있습니다.

데이터 가용성

본 연구 중에 분석되거나 생성된 모든 데이터는 보충 정보에 포함되어 있으며 합당한 요청이 있을 경우 해당 작성자에게 제공됩니다.

참고자료

1. Keshtegar, B., Piri, J. & Kisi, O. 공액 기울기 방법을 기반으로 한 일일 팬 증발의 비선형 수학적 모델링. 계산. 전자. 농업. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR 반건조 지역의 보리 표준 증발산량 예측을 위한 인공 신경망 및 Penman-Monteith 방정식의 평가. 테오르. 신청 클라이마톨. 139, 275–285(2020).

3. Majhi, B. 외. Deep-LSTM 모델을 사용하여 일일 팬 증발 예측이 향상되었습니다. 신경 컴퓨팅. 신청 32, 7823(2019).

4. Wen, X. 외. 극도로 건조한 지역의 제한된 기후 데이터를 사용하여 일일 기준 증발산량을 모델링하기 위한 지원 벡터 기계 기반 모델입니다. 수자원. 관리. 29, 3195-3209(2015).

5. Li, XR 외. 중국 모래사막 지역의 생태 복원 및 회복을 위한 기본 생태수문학(Science Press, 2016).

6. Wu, LF 외. 월별 팬 증발 예측을 위한 메타 휴리스틱 알고리즘을 갖춘 하이브리드 익스트림 학습 기계입니다. 계산.전자. 농업 168, 105–115(2020).

7. Fu, TL et al. 건조지의 증발산량을 추정하기 위한 기계 학습 모델을 기반으로 한 새로운 통합 방법입니다. J.하이드롤. 603, 126881(2021).

8. Zhang, DH, Li, XR & Zhang, F. 건조지 생태계의 목본 식생 피복 및 심층 토양 수분에 대한 강우 강도 및 간헐성의 영향. J. Hydrol. 543, 270–282 (2016).

9. Li, XR 외. 다양한 기후대에서 모래와 결합된 식물의 안정성을 평가하기 위한 생태수문학적 임계값.Ecol. 83, 404–415(2017).

For more information:1950477648nn@gmail.com