هجين الذاكرة طويلة المدى مع خوارزمية تحسين الحيتان وتحليل الوضع المتغير لتقدير التبخر والنتح الشهري

يتم تحديد استدامة النباتات الاصطناعية المرتبطة بالرمال من خلال التوازن المائي بين التبخر (ET) وهطول الأمطار في المناطق الصحراوية. وبالتالي، يعد التقدير الدقيق لـ ET شرطًا أساسيًا حاسمًا لتحديد الأنواع والتوزيع المكاني للنباتات الاصطناعية في المناطق الرملية المختلفة. لهذا الغرض، تم اقتراح نموذج تقدير هجين جديد لتقدير ET الشهري عن طريق اقتران الذاكرة طويلة المدى للتعلم العميق (LSTM) مع تحلل الوضع المتغير (VMD) وخوارزمية تحسين الحوت (WOA) (على سبيل المثال، VMD-WOA-LSTM) إلى تقدير ET الشهري في الهوامش الجنوبية الشرقية لصحراء تنغر.

في السنوات الأخيرة، لم تثير العديد من التقارير حول الكائنات الفضائية والأجسام الطائرة المجهولة فضول الناس وحماسهم فحسب، بل أثارت أيضًا إعجاب الناس ورغبتهم في استكشاف الحياة خارج كوكب الأرض.

أحد المواضيع التي جذبت الكثير من الاهتمام هو مستوى ذكاء الكائنات الفضائية. يعتقد الكثير من الناس أن الكائنات الفضائية تتمتع بذكاء يفوق ذكاء البشر بكثير، وقد تم تداول هذه الفكرة على نطاق واسع في روايات وأفلام الخيال العلمي. لكن هل الكائنات الفضائية أكثر ذكاءً من البشر؟ إذا كان الأمر كذلك، فهل سيكون لديهم ذكريات أقوى؟

أولاً، يجب أن نعترف بأن مفهومنا للذكاء الفضائي لا يزال سطحيًا للغاية. لا يمكننا التأكد مما إذا كان الفضائيون مشابهين لنا في الذكاء، ناهيك عما إذا كانوا أفضل منا. ومع ذلك، يمكننا ببساطة التفكير وتقدير العلاقة بين الذاكرة والذكاء من منظور إنساني.

من وجهة نظر إنسانية، نعلم أن هناك علاقة بين الذكاء والذاكرة. الأشخاص الذين يتمتعون بمستويات أعلى من الذكاء يتمتعون عمومًا بذاكرة أفضل. وذلك لأن الأشخاص ذوي المستويات العالية من الذكاء يولون اهتمامًا أكبر للتفكير والتفكير المنطقي، ويكونون أكثر عرضة لدمج المعلومات وربطها من خلال طرق الارتباط المختلفة. تساعد طريقة التفكير هذه على تحسين الذاكرة. ولذلك توجد علاقة ارتباطية بين أداء الدماغ ومستوى الذكاء والذاكرة.

ومع ذلك، لا ينبغي لنا أن نطبق هذا الارتباط ببساطة على الكائنات الفضائية. لأننا لا نستطيع التأكد مما إذا كانت بنية الذكاء وبنية الدماغ لدى الكائنات الفضائية مشابهة للبشر. قد يكون لدى الكائنات الفضائية هياكل ذكاء وهياكل ذاكرة مختلفة عن البشر، وبالتالي فإن العلاقة بين ذكائهم وذاكرتهم قد تكون مختلفة تمامًا.

وأخيرا، يجب أن نكون على يقين من أن اكتشاف الحياة خارج كوكب الأرض سيكون له تأثير كبير على تطور العلوم الإنسانية والفلسفة. ويجب أيضًا إجراء الأبحاث حول الذكاء والذاكرة الفضائية على أساس علمي. نأمل أنه مع التطور المستمر للعلوم والتكنولوجيا، سيتمكن البشر من استكشاف المزيد من الحياة الغريبة ومواصلة المضي قدمًا في عملية حل ألغازهم واستكشاف حقيقة الكون. يمكن ملاحظة أننا بحاجة إلى تحسين الذاكرة، ويمكن لـ Cistanche deserticola أن يحسن الذاكرة بشكل كبير لأن Cistanche deserticola هي مادة طبية صينية تقليدية لها العديد من التأثيرات الفريدة، أحدها هو تحسين الذاكرة. تأتي فعالية اللحم المفروم من المكونات النشطة المختلفة التي يحتوي عليها، بما في ذلك الأحماض والسكريات والفلافونويد وغيرها. ويمكن لهذه المكونات تعزيز صحة الدماغ بطرق مختلفة.

انقر فوق معرفة طرق تحسين وظائف المخ

تم اختيار تفوق LSTM نظرًا لقدرته على استخراج الميزات غير الخطية وغير الثابتة تلقائيًا من البيانات المتسلسلة، وتم استخدام WOA لتحسين المعلمات الفائقة لـ LSTM، وتم استخدام VMD لاستخراج السمات الجوهرية للسلسلة الزمنية ET. تمت مقارنة النتائج المقدرة لـ VMD-WOA-LSTM مع ET الفعلي وتقدير النماذج الهجينة الأخرى من حيث مقاييس الأداء القياسية. كشفت النتائج أن VMD-WOA-LSTM يوفر نتائج تقدير أكثر دقة وموثوقية من LSTM، وآلة ناقل الدعم (SVM)، ومتغيرات تلك النماذج. ولذلك، يمكن التوصية بـ VMD-WOALSTM كوسيلة مساعدة أساسية لتقدير ET في المناطق الصحراوية.

التبخر (ET) هو عملية فيزيائية وبيولوجية غير خطية للغاية، تربط بين العمليات البيئية والهيدرولوجية عن طريق توازن الماء. وهو العنصر المركزي في توازن المياه والطاقة الإقليمي ويعمل بمثابة حلقة وصل مهمة في نظام التربة والنبات والغلاف الجوي (SPA) 3 . يعد التقدير الدقيق لـ ET شرطًا أساسيًا بالغ الأهمية في الإدارة البيئية، خاصة في المناطق الصحراوية التي بها مساحات كبيرة من النباتات الاصطناعية المرتبطة بالرمال، حيث يتم تحديد استدامة النباتات الاصطناعية المرتبطة بالرمال من خلال التوازن المائي بين ET وهطول الأمطار 5،7. بالإضافة إلى ذلك، فإن تغير المناخ، وخاصة التغيرات في أنماط الاحترار وهطول الأمطار، سيكون له حتماً تأثير عميق على استدامة النباتات الاصطناعية.

بخلاف النباتات الطبيعية، يتم إنشاء نباتات ربط الرمال الاصطناعية لغرض ووظيفة خاصة، ويمكن أن يوفر التقدير الدقيق لـ ET مرجعًا لفهم توازن الماء وتحديد التركيب والبنية والتوزيع المكاني وحجم النباتات الاصطناعية المرتبطة بالرمال في المناطق الصحراوية 9،10. ومع ذلك، فإن تطبيق الأساليب المادية (على سبيل المثال، طريقة بريستلي تايلور، طريقة هارجريفز، طريقة منظمة الأغذية والزراعة -24 بنمان المصححة، طريقة منظمة الأغذية والزراعة -56 بنمان – مونتيث، وما إلى ذلك) هو محدودة للغاية بسبب عدم وجود معايير الأرصاد الجوية المطلوبة (مثل الحرارة الكامنة للتبخر، والإشعاع الشمسي، والرطوبة النسبية، ودرجة حرارة الهواء، وما إلى ذلك) في المناطق الصحراوية. ولذلك، فإن بناء أنواع أخرى من النماذج المبنية على البيانات للحصول على نتائج تقدير دقيقة أمر مرغوب فيه للغاية.

في الآونة الأخيرة، نماذج التعلم الآلي (ML)، بما في ذلك الشبكات العصبية ذات الانتشار الخلفي (BPNN)13، والإدراك الحسي متعدد الطبقات (MLP)2، والشبكات العصبية الاصطناعية متعددة الطبقات (MLNN)6، وآلة ناقل الدعم (SVM)7،12، وآلة التعلم المتطرفة (ELM) 6، شجرة النموذج (MT) 14، 15، الغابة العشوائية (RF) 6، الشبكات العصبية المويجية (WNN) 16، وظيفة الأساس الشعاعي (RBF) 17، وما إلى ذلك، تم استخدامها بشكل كبير لتقدير التبخر أو ET الناتج عن ذلك. لقدرته على ميزات التعلم تلقائيًا وعدم الحاجة إلى أي افتراضات. نظرًا لأن نماذج ML بها عيوب يصعب ضبط المعلمات الفائقة من تلقاء نفسها، مما يقلل بشكل كبير من دقة الحوسبة. للتغلب على عيوب نماذج تعلم الآلة، تم استخدام الخوارزميات الفوقية مثل خوارزمية تلقيح الزهور (FPA) 6، خوارزمية اليراع (FFA) 11، خوارزمية قطرات الماء الذكية (IWD) 12، خوارزمية تحسين الحوت (WOA) 18، خوارزمية مُحسِّن الذئب الرمادي ( تم استخدام GWO)19,20 وما إلى ذلك لتحديد المعلمات الفائقة المثالية لنماذج ML. أظهرت الدراسات أن نماذج تعلم الآلة المقترنة بالخوارزميات الإرشادية الفوقية تتمتع بأداء حاسوبي أعلى من نماذج تعلم الآلة المنفردة والأساليب المادية12،16،18،21،22.

وبما أن ET تتأثر بشكل وثيق بمعلمات الأرصاد الجوية ورطوبة التربة وسمات الغطاء النباتي، فإن السلاسل الزمنية المقاسة لـ ET تأخذ العديد من النقاط الحادة والمتقلبة، مما يقلل بشكل كبير من دقة التقدير. للحصول على نتائج تقدير أكثر مصداقية، تم استخدام تقنيات المعالجة المسبقة للبيانات، بما في ذلك تحويل المويجات المنفصلة (DWT)23، وتحلل الوضع التجريبي للمجموعة (EEMD)14،15، وتحلل الوضع المتغير (VMD)7،24، وما إلى ذلك، لتحليلها تكرار السلاسل الزمنية ET إلى مكونات مختلفة والحصول على المعلومات المطلوبة على مستويات متعددة7،14،23،24. تظهر مراجعة الأدبيات أن تقنيات المعالجة المسبقة للبيانات المهجنة مع نماذج تعلم الآلة يمكن أن تحسن أداء النموذج بشكل كبير. في هذا الصدد، قام Gocicet al.22 بربط SVM مع DWT وخوارزمية اليراع (FFA) لتقدير ET المرجعي في صربيا، حيث تم استخدام FFA لتحديد المعلمات الفائقة لـ SVM. تظهر النتائج أن DWT-FFA-SVM هي أفضل طريقة تقدير لتقدير ET المرجعي. اقترح بامار وديكا[24] نظام DWT-SVM الهجين لتقدير التبخر اليومي في ولاية كارناتاكا بالهند. تؤكد النتائج أيضًا أن SVM مع DWT يمكنه تحسين دقة التقدير. قام Rezaie-Balf et al.15 بدمج EEMD مع شجرة نماذج SVM وM5 (M5T) بشكل منفصل لتقدير نماذج التبخر الشهرية لمحطة Siirt ومحطة Diyarbakir باللغة التركية، وقدمت النماذج المقترحة دقة أعلى بكثير. اقترح فو وآخرون 7 نماذج هجينة من خلال الجمع بين DWT وEEMD وVMD مع SVM وGWO-SVM بشكل منفصل لتقدير ET الشهري. أشارت النتائج إلى أن VMD وDWT أظهرا أداءً أفضل للمعالجة المسبقة من أداء EEMD، وكانت دقة تقدير VMDGWO-SVM أعلى من DWT-GWO-SVM وEEMD-GWO-SVM.

تركز الأعمال السابقة بشكل أساسي على استخدام نماذج ML الضحلة لتقدير ET2،4،6،7،2–18،21–23. من المعروف أن نماذج ML الضحلة لها عيوب لا يمكنها استخراج الميزات غير الخطية وغير الثابتة المخفية بشكل كافٍ من السلسلة الزمنية ET . وهكذا، تم استخدام الذاكرة الطويلة قصيرة المدى (LSTM) 3،26، والشبكة العصبية العميقة (DNN) 27، والشبكة العصبية التلافيفية الزمنية (TCN) 27، والشبكة العصبية المتكررة (RNN) 28 لتقدير ET أو التبخر بناءً على أرصاد جوية محدودة. بيانات. بالنسبة إلى Majhi et al.3، استخدم LSTM وMLNN وصيغة هارجريفز وصيغة Blaney-Criddle لتقدير التبخر اليومي في ولاية تشهاتيسجاره في الهند. وتشير النتائج إلى أن LSTM يمكن أن يحقق تقديرًا دقيقًا للتبخر والنتح، ولديه تقدير أفضل من النماذج الأخرى . قام Chen وآخرون بتقدير المرجع اليومي ET في سهل شمال شرق الصين باستخدام LSTM وDNN وTCN وSVM وRF ونموذج Hargreaves وطريقة Ritchie ونموذج Priestley-Talor وصيغة Makkink وRomanenkomodel وSchendel على التوالي. أظهرت النتائج أن LSTM وTCN وDNN تتمتع بأداء تقدير أفضل من أداء نماذج ML الضحلة والنماذج التجريبية في غياب معلمات الأرصاد الجوية. استخدم Granata وDi Nunno28 LSTM وNARX لتقدير ET في Cypress Swamp وKobeh Valley في الولايات المتحدة الأمريكية. أظهرت النتائج أن نماذج التعلم العميق تتمتع بدقة أعلى من نماذج تعلم الآلة الضحلة بسبب البنية الهرمية العالية.

تحدد المعلمات الفائقة لنماذج ML دقة الحوسبة بشكل مباشر، ولكن m. ومع ذلك، لا تستطيع معظم النماذج تحقيق المعلمات الفائقة الأمثل بمفردها، وLSTM ليست استثناءً. تؤثر المعلمات الفائقة لـ LSTM، بما في ذلك عدد الطبقات المخفية (HL)، وعدد الوحدات المخفية (HU)، والعصور، ومعدل التعلم (LR) بشكل كبير على الأداء المقدر لـ LSTM. ومع ذلك، وعلى حد علم المؤلفين، فإن تطبيق LSTM مقترنًا بالخوارزميات الاستدلالية الفوقية لتقدير التبخر أو E كان ضئيلًا للغاية.

منطقة الدراسة والبيانات

تم إجراء البحث في الأطراف الجنوبية الشرقية لصحراء تنغر (37 درجة 32' شمالا، 105 درجة 02' شرقا). نوع المناظر الطبيعية الأساسي هو الكثبان الرملية الموزعة بكثافة 9،10. ولمنع العواصف الرملية من إتلاف خط السكة الحديد باوتو-لانتشو، أنشأت الأكاديمية الصينية للعلوم ووحدات السكك الحديدية ذات الصلة أحزمة أعيدت زراعتها بشكل مصطنع في عام 1956أ، ووسعتها في الأعوام 1964أ، و1981أ، و1987أ. تم تركيب حاجز رملي ميكانيكي متعامد مع اتجاه الريح الرئيسية على الكثبان الرملية المتنقلة، وتم وضع ألواح شطرنج من القش (بمسافة 1 م × 1 م) خلف حاجز الرمل الميكانيكي، وزُرعت شتلات شجيرة الزيريك لمدة عامين بنفس التكوين بطريقة مهجورة مع تباعد النباتات وتباعد الصفوف 1م×2م أو 2م×3م بشرط عدم الري. وبعد أكثر من نصف قرن من التعاقب، ارتفع عدد أنواع النباتات الطبيعية من 25 إلى 453، والغطاء النباتي وارتفعت من أقل من 1% إلى 42.3%. تم تدريجياً تشكيل منطقة تثبيت رملية بيولوجية لمصدات الرياح بطول 16 كم وعرض 200-1000 م. تم توزيع الغطاء النباتي الرملي الاصطناعي الذي تم إنشاؤه في سنوات مختلفة (1956 أ، 1964 أ، 1981 أ، و1987 أ) على جانبي خط السكة الحديد بالتوازي، مما نجح في منع الضرر الذي تسببه الرياح والرمال التي تلحق بحركة السكك الحديدية وتحسين البيئة البيئية بشكل كبير من منطقة الدراسة. نظرًا لأن استقرار واستدامة الغطاء النباتي يعتمدان على التوازن المائي بين ET وهطول الأمطار، فمن الأهمية النظرية والعملية الكبيرة تقدير ET بدقة لحماية واستخدام النباتات الاصطناعية المرتبطة بالرمال .

في هذه الدراسة، تم قياس بيانات ET الشهرية من يناير 1991 إلى ديسمبر 2018، وتم اعتبار البيانات من يناير 1991 إلى ديسمبر 2010 مجموعة تدريب، وتم استخدام الباقي كمجموعة اختبار. يوضح الجدول 1 المقاييس الإحصائية الرئيسية للسلسلة الزمنية الشهرية لـ ET في منطقة الدراسة.

المنهجية

إطار النماذج المقترحة. LSTM عبارة عن شبكة عصبية جديدة ذات دورة زمنية يمكنها التغلب على مشكلة اختفاء التدرج في RNN عن طريق إضافة نموذج متسلسل من وحدات الشبكة العصبية المتكررة لتخزين المعلومات ذات الصلة . يستخدم مبدأ العمل "اثنان للداخل واثنان للخارج" لحل مشكلة التبعية طويلة الأمد. في هذه الدراسة، تم اختيار LSTM لتكون الوحدة الرئيسية لتقدير الثنائي ET الشهري لـ LSTM الذي يتمتع بقدرة ممتازة على معالجة الأنماط غير الخطية بين السلاسل الزمنية. بالإضافة إلى ذلك، تم استخدام SVM أيضًا لتقدير ET نظرًا لأن SVM يتمتع بقدرة أفضل على التكيف لحل فئة أوسع من مشكلات التركيب غير الخطية (على سبيل المثال، تقدير ET) مقارنة بنماذج ML الضحلة الأخرى (على سبيل المثال، BPNN وWNN وELM وMT وMLP). 29.

نظرًا لأن DWT حساس لأساس المويجات والعتبة، فإن EMD يعاني من عيب جوهري يتمثل في خلط الوضع، ويوجد EEMD تأثيرات نقطة النهاية. تعد VMD طريقة معالجة مسبقة للبيانات أكثر قوة وتكيفًا من DWT وEMD وEEMD24، فهي تتغلب بشكل فعال على أوجه القصور في تلك الأساليب وتستخرج ميزات التباين الرئيسي من السلاسل الزمنية غير المنتظمة وغير الثابتة. في هذه الدراسة، تم استخدام VMD لاستخراج ميزات الاختلاف الرئيسية من مجموعة بيانات ET. لمقارنة أداء تقليل الضوضاء لـ VMD، تم اختيار DWT كمرجع. تم تقسيم مخرجات DWT وVMD والسلاسل الزمنية المجمعة لـ ET إلى مجموعات تدريب ومجموعات اختبار، وتم تغذيتها إلى نماذج ML لتقدير ET، على التوالي.

لتحسين كفاءة التدريب لنماذج تعلم الآلة، تم استخدام طريقة التطبيع الأدنى – الأقصى لتطبيع مجموعات بيانات الإدخال والإخراج. تم تحديد مجموعات المدخلات والمخرجات لـ SVM وLSTM باستخدام طريقة الاختيار الطولي (LS)، وهي مجموعة عينات التدريب التي يتم تمثيلها بواسطة متجه من I إلى k - q، ويشار إلى مخرجات التدريب كمتجه من I + d − 1 إلى k − q، يتم تمثيل متجه إخراج الاختبار بواسطة متجه من k − q + 1 إلى k، حيث تشير i وd وk وq إلى نقطة البداية وبُعد الإدخال وحجم البيانات مجموعة، وطول إخراج الاختبار، على التوالي. يوضح الشكل 1 الرسم التخطيطي لطريقة LS مع i=1 وd=3 وk=336.

WOA هي خوارزمية توجيهية وصفية فعالة ومستقرة جديدة، والتي تم استخدامها على نطاق واسع لحل مشاكل التحسين غير الخطية، بما في ذلك تحسين المعلمات الفائقة لنماذج ML الضحلة لتقدير التبخر أو ET. ومع ذلك، لم يقترح أي باحث نموذجًا هجينًا عن طريق اقتران LSTM مع الخوارزميات الفوقية التجريبية لتقدير ET. وبالتالي، تم استخدام WOA لتحسين المعلمات الفائقة لـ LSTM للحصول على نتائج تقديرية أكثر دقة. يوضح الشكل 2 المخطط الانسيابي لـ WOA-LSTM. يُشار إلى WOA-LSTM المقترن بـ VMD باسم VMD-WOA-LSTM.

تم اختبار تفوق VMD-WOA-LSTM من خلال مقارنة الأداء المقدر مع LSTM، SVM، DWT-LSTM، DWT-SVM، VMD-LSTM، VMD-SVM، WOA-LSTM، GWO-SVM، DWT-WOA-LSTM، DWT-GWO-SVM وVMD-GWO-SVM، حيث يشير GWO-SVM إلى أنه تم تحديد أفضل C وG لـ SVM باستخدام خوارزمية GWO، ويوضح الشكل 3 المخططات الانسيابية لـ GWO-SVM. في عمليات المحاكاة العددية، تم استخدام متوسط ​​النسبة المئوية للخطأ المطلق (MAPE) كدالة اللياقة لتحديد المعلمات الفائقة المثلى لنماذج تعلم الآلة. تجدر الإشارة إلى أن المبادئ الرياضية للأساليب المستخدمة في هذه الورقة، بما في ذلك DWT وVMD وSVM وLSTM وGWO وWOA، يمكن العثور عليها في الأدبيات ذات الصلة، لذلك تم حذف الوصف الرياضي لهذه الأساليب.

مقاييس تقييم الأداء. يتم إجراء تحليل الخطأ باستخدام مقاييس التقييم، بما في ذلك متوسط ​​الخطأ المطلق (MAE)، وMAPE، ومتوسط ​​الخطأ التربيعي المعياري (NMSE)، وجذر متوسط ​​الخطأ التربيعي (RMSE)، ومعامل كفاءة Nash-Sutcliffe (NSCE). تعريفات مقاييس التقييم تلك هي كما يلي:

حيث تشير yi وyi إلى النتيجة المرغوبة والمقدرة. تُستخدم بشكل عام MAE وMAPE وNMSE وRMSE لقياس الانحراف بين النتيجة المرغوبة والمقدرة، ويكون أداء التقدير أفضل عندما تكون قيم مقاييس التقييم هذه أصغر. نظرًا لأن MAPE أكثر استقرارًا نسبيًا بين هذه المعايير، يتم استخدام NSCE بشكل عام لتحديد كفاءة النموذج في المجال الهيدرولوجي (يشير NSCE القريب من 1 إلى أن النموذج المقترح يتمتع بملاءمة جيدة). ولذلك، تم اختيار MAPE وNSCE كمعايير رئيسية لتقييم أداء النموذج للنماذج المقترحة.

إعدادات المعلمة يتم تحديد الأداء المقدر للنماذج المختلفة بشكل أساسي من خلال اختيار المعلمة. ويبين الجدول 2 المعلمات الرئيسية لDWT وVMD. كان عدد وكلاء البحث والحد الأقصى لتكرارات خوارزميات WOA وGWO 5 و100، على التوالي. كان حجم الدفعة الصغيرة لجميع الطرز المستندة إلى LSTM هو 128. وكان نطاق HL وHU وEpochs وLR لـ WOA-LSTM هو [1, 200]، [1,200]، [10، 100 ]، و[0.001، 0.01]، على التوالي. أما بالنسبة لـ GWO-SVM، فإن نطاق C وG كان [0.01، 100].

نتائج

يوضح الشكلان 4 و5 نتائج DWT وVMD. كما هو مبين في التين. 4 و5، تحتوي السلاسل الزمنية الشهرية المجمعة لـ ET على العديد من النقاط الحادة والمتقلبة، مما سيؤثر على أداء التقدير. لحل هذه الأنماط الإشكالية في عمليات تقدير ET، تم تحليل db4 بالمستوى 1 وVMD مع K=5 وتوظيفهما لتقليل التشويش على السلسلة الزمنية الثابتة لـ ET. تُظهر السلسلة الزمنية المتبقية سعة منخفضة وتقلبًا عالي التردد، مما يشير إلى أنه تم التخلص من الضوضاء البيضاء من مجموعة بيانات ET الأصلية. يوضح الجدول 2 أن أداء تقليل الضوضاء لـ VMD (مع SNR =42.6451 وRMSE =1.7934) أكثر كفاءة من أداء DWT (مع SNR =40.8201 وRMSE {{15} .2127). DWT له عيب أنه يجب تحديد أساس المويجات مسبقًا، كما أنه حساس لاختيار العتبة. ولذلك فإن VMD أفضل.

كما ذكرنا، تم استخدام LSTM وSVM لتقدير ET الشهري، على التوالي. لكل بُعد إدخال ثابت d في d=2، 3، ...، 16، تم اختيار الحد الأدنى من MAPE من 5 مكررات، وتم تسجيل المعلمات الفائقة المثالية لـ WOA-LSTM وGWO-SVM وفقًا للحد الأدنى من MAPE. يوضح الجدول 3 ميزات الإدخال المثلى والمعلمات الفائقة للنماذج المقترحة. كما هو موضح في الجدول 3، فإن MAPE لكل نموذج قائم على LSTM أقل من النموذج المستند إلى SVM، مما يشير إلى أن نماذج التعلم العميق تفوقت بشكل كبير على نماذج ML الضحلة؛ تم تقليل Te MAPE لنموذج ML الفردي عن طريق اقتران نموذج ML بتقنيات المعالجة المسبقة للبيانات، مما يشير إلى أنه يمكن تحسين أداء نموذج ML باستخدام المعالجة المسبقة للبيانات؛ Te MAPE للنماذج الهجينة ذات المعلمات المثالية كلها أصغر من نماذج ML ذات المعلمات الافتراضية، مما يشير إلى أن نماذج ML المدمجة مع الخوارزميات الإرشادية الفوقية تتمتع بأداء حوسبة أعلى بشكل معتدل من أداء نماذج ML ذات المعلمات الافتراضية؛ إن نماذج Te MAPE الهجينة DWT-GWO-SVM وDWT-WOA-LSTM وVMD-GWO-SVM وVMD-WOA-LSTM أصغر من نماذج LSTM وSVM وDWT-LSTM وDWT-SVM وVMD-LSTM وVMD -SVM، وWOA-LSTM، وGWO-SVM، مما يشير إلى أنه يمكن تحسين أداء نموذج ML بشكل كبير باستخدام خوارزمية المعالجة المسبقة للبيانات والخوارزمية الفوقية.

يتم عرض نتائج تقدير نماذج ML مع الحد الأدنى من MAPE والمعلمات الفائقة المثالية في الشكل 6. ويوضح الشكل 6 أن نتائج جميع النماذج المقترحة تتوافق مع معظم النقاط في النطاق المتوسط، ولكن نقطة البداية والقيم القصوى مبالغ فيها. تشتمل سلاسل زمنية ET الشهرية على فترة 12 شهرًا، وأبعاد الإدخال المثالية لـ LSTM وDWT-LSTM وVMD-LSTM وWOALSTM وDWT-WOA-LSTM وVMD-WOA-LSTM تساوي تقريبًا فترة وقت ET سلسلة (الجدول 3)، مما يشير إلى أن LSTM يمكنها الاستفادة الكاملة من أنماط البيانات التاريخية والتغلب بشكل فعال على عيوب نماذج تعلم الآلة الضحلة. بشكل عام، تتمتع نماذج DWT-GWO-SVM وDWT-WOA-LSTM وVMD-GWOSVM وVMD-WOA-LSTM الهجينة بأداء تقديري أفضل من أداء النماذج المقترحة الأخرى.

يوضح الجدول 4 مقاييس التقييم لكل نموذج في مرحلتي التدريب والاختبار، حيث يتم وضع علامة على متوسط ​​مقاييس التقييم لنماذج ML المحسنة بواسطة خوارزميات التعريف الفوقية بالخط العريض. كما هو موضح في الجدول 4، فإن أداء نماذج DWT-LSTM وDWT-SVM وVMD-LSTM وVMD-SVM أفضل من أداء LSTM وSVM في مرحلة الاختبار (الجدول 4)، مما يشير إلى أن المعالجة المسبقة للبيانات هي عملية تساعد على تحسين أداء تقدير نماذج تعلم الآلة. كما هو موضح في الجدول 4، فإن مقاييس التقييم بما في ذلك MAE وMAPE وNMSE وRMSE لـ WOA-LSTM وGWO-SVM كلها أصغر من مقاييس LSTM وSVM وDWT-LSTM وDWTSVM وVMD-LSTM وVMD-SVM. ، وزاد NSCE بدرجات متفاوتة، مما يشير إلى أن الأداء المقدر لـ LSTM وSVM قد تحسن بشكل ملحوظ عندما يتم تحسين المعلمات الفائقة لـ LSTM وSVM باستخدام خوارزميات التعريف الفوقية.

تعد مقاييس تقييم SVM المدمجة مع GWO أصغر من تلك الخاصة بـ LSTM مقترنة بتقنيات المعالجة المسبقة للبيانات؛ يعد Te MAPE الخاص بـ VMD-GWO-SVM الهجين أصغر من النماذج الأخرى المستندة إلى SVM ونماذج LSTM وDWT-LSTM وVMD-LSTM (الجدول 4)، مما يشير إلى أن نماذج ML الضحلة متكاملة مع تقنيات المعالجة المسبقة للبيانات والخوارزميات الإرشادية الفوقية يمكن استخدامها لتقدير ET. حيث أن أداء نموذج نماذج ML الضحلة لا يزال بحاجة إلى التحسين. كما هو مبين في الجدول 4، تفوقت نماذج التعلم العميق بشكل كبير على نماذج ML الضحلة، وكان أداء نموذج WOA-LSTM الهجين وDWT-WOA-LSTM وVMD-WOA-LSTM أفضل من أداء النماذج الهجينة المستندة إلى SVM. بالمقارنة مع VMD-GWO-SVM، انخفض MAPE لـ DWT-WOA-LSTM من 23.22% إلى 18.90%، وتم تحسين NSCE من 0.8754 إلى 0.8578؛ تم تقليل MAPE الخاص بـ VMD-WOA-LSTM من 23.22% إلى 18.72%، وتم تحسين NSCE من 0.8754 إلى 0.8917. تشير هذه النتائج إلى أن نماذج DWT-WOA-LSTM وVMD-WOA-LSTM الهجينة تتمتع بقدرة ممتازة في تقدير ET الشهري مقارنة بالطرق المقترحة الأخرى. إن MAPE لنماذج VMD-WOA-LSTM الهجينة هو الأصغر بين النماذج المقترحة، مما يشير إلى يعد ذلك VMD-WOA-LSTM هو النموذج الأكثر دقة لتقدير ET الشهري بين النماذج المقترحة. ولذلك، يمكن التوصية بـ VMD-WOA-LSTM كوسيلة مساعدة أساسية لتقدير ET في المناطق الصحراوية.

مناقشة

كما ذكرنا سابقًا، تم اقتراح نماذج هجينة تعتمد على نماذج التعلم الآلي وتقنيات المعالجة المسبقة للبيانات والخوارزميات الفوقية التجريبية لتقدير ET في منطقة الدراسة. بشكل عام، يعد إنشاء نماذج ML المختلطة إجراءً معقدًا ويستغرق وقتًا طويلاً6،14-18. ومع ذلك، فإن نماذج ML الهجينة تتمتع بدقة أعلى من الأساليب المادية. ولذلك، فإن استخدام نماذج ML الهجينة لتقدير ET بدقة يعد مشكلة أساسية في الهيدرولوجيا والبيئة.

تفوقت نماذج التعلم العميق عمومًا على نماذج تعلم الآلة الضحلة3. ومع ذلك، فإن استخدام نماذج ML فقط لتقدير ET قد يؤدي إلى أخطاء كبيرة عندما لا يتم تنفيذ المعالجة المسبقة للبيانات7،14-16. كما هو مبين في التين. في الشكل 4 و5، تظهر السلاسل الزمنية المجمعة لـ ET عدم انتظام وعدم ثبات حيث يتم تحديد ET بواسطة عوامل الأرصاد الجوية وترتبط ارتباطًا وثيقًا برطوبة التربة والخصائص الجيومورفولوجية والغطاء النباتي في المناطق الصحراوية. وبالتالي، ينبغي استخدام تقنية المعالجة المسبقة للبيانات للوصول إلى ميزات الاختلاف الرئيسية من السلاسل الزمنية ET المجمعة للحصول على نتائج تقديرية موثوقة. يمكن تطبيق طرق المعالجة المسبقة للبيانات مثل DWT وVMD للتخلص من الضوضاء الناتجة عن السلاسل الزمنية غير الخطية وغير الثابتة. في حين أن DWT حساسة لاختيار العتبة، فإن VMD هي طريقة معالجة مسبقة للبيانات أكثر قوة وفعالية من الوضع التجريبي التحلل (EMD)، وEEMD، والتي يمكن استخدامها لإزالة الضوضاء من السلاسل الزمنية عن طريق تحليل الإشارة غير الخطية وغير الثابتة إلى عدة وظائف ذات وضع داخلي محدود النطاق (IMFs)7،24. ولذلك، فإن أداء تقليل الضوضاء لـ DWT أسوأ من أداء VMD (الجدول 2).

توضح مراجعة الأدبيات أن نماذج تعلم الآلة المدمجة مع تقنيات المعالجة المسبقة للبيانات تعد استراتيجية فعالة للحصول على نتائج تقديرية أكثر مصداقية7،21-23، كما تؤكد النتائج في بحثنا هذا الاستنتاج. كما هو موضح في الجدولين 3 و4، فإن متوسط ​​مقاييس التقييم لنماذج ML المدمجة مع DWTor VMD كلها أصغر من نماذج SVM وLSTM الفردية. ولذلك، فإن استخراج الميزات المفيدة باستخدام تقنية المعالجة المسبقة للبيانات أمر ضروري للحصول على نتائج تقدير أكثر مصداقية (الملف التكميلي 1).

يمكن أيضًا تحسين أداء تقدير نماذج تعلم الآلة بشكل كبير من خلال اقتران نماذج تعلم الآلة مع الخوارزميات الإرشادية الفوقية. إلى حد ما، من المهم الحصول على المعلمات الفائقة المثالية لنموذج anML بدلاً من تحديد تقنية المعالجة المسبقة للبيانات المناسبة. كما هو موضح في الجدولين 3 و4، تم تحسين الأداء المقدر لنماذج ML المهجنة باستخدام تقنية المعالجة المسبقة للبيانات بشكل ملحوظ عندما تم تحسين المعلمات الفائقة لـ LSTM وSVM. بالمقارنة مع DWT-SVM وVMD-SVM وDWT-LSTM وVMD-LSTM، فإن مقاييس التقييم الإيجابية لـ DWT-GW0-SVM وVMD-GWO-SVM وDWT-WOA-LSTM وVMD-WOA -انخفض مؤشر LSTM، وارتفعت المؤشرات السلبية بدرجات متفاوتة. وبالتالي، كان اختيار المعلمات الفائقة لنماذج ML أمرًا بالغ الأهمية لتحسين أداء التقدير6،7،21،29.

علاوة على ذلك، كما خلص، كان الهدف الرئيسي من هذه الدراسة هو اقتراح نموذج هجين جديد لتقدير ET من خلال دمج LSTM مع WOA وتقنيات المعالجة المسبقة للبيانات، بما في ذلك DWT وVMD. تمت مقارنة أداء VMD-WOA-LSTM مع النماذج الهجينة الأخرى من حيث مقاييس الأداء القياسية. أظهرت مقارنة أداء النماذج المقترحة أن نموذج VMDWOA-LSTM الهجين كان أداؤه أفضل من النماذج الأخرى المستندة إلى ML في تقدير ET الشهري في الهوامش الجنوبية الشرقية لصحراء تنغر.

الاستنتاجات

في هذه الدراسة، تم اقتراح النماذج الهجينة المستندة إلى VMD وWOA وLSTM لتقدير ET باستخدام طرق تحليل السلاسل الزمنية، حيث تم استخدام VMD لاستخراج السمات الجوهرية للسلاسل الزمنية ET، وتم استخدام WOA لتحسين المعلمات الفائقة لـ LSTM . تمت مقارنة أداء النموذج مع ET الفعلي وتقدير النماذج الهجينة الأخرى من حيث MAE، MAPE، NMSE، RMSE، وNSCE. تشير النتائج إلى أن VMD-WOA-LSTM لديه نتائج تقدير أكثر دقة من النماذج الأخرى المستندة إلى التعلم الآلي، والتي يمكن التوصية بها كوسيلة مساعدة أساسية لتقدير ET في المناطق الصحراوية.

توافر البيانات

يتم تضمين جميع البيانات التي تم تحليلها أو إنشاؤها خلال هذه الدراسة في المعلومات التكميلية وهي متاحة من المؤلفين المقابلين بناء على طلب معقول.

مراجع

1. Keshtegar، B.، Piri، J. & Kisi، O. النمذجة الرياضية غير الخطية للتبخر اليومي على أساس طريقة التدرج المترافق.الحساب. الإلكترون. الزراعية. 127، 120-130 (2016).

2. هاشمي، م. وسيباسخاه، تقييم الشبكة العصبية الاصطناعية ومعادلة بنمان-مونتيث للتنبؤ بالتبخر القياسي للشعير في منطقة شبه قاحلة. تيور. تطبيق. كليماتول. 139، 275-285 (2020).

3. ماجي، ب. وآخرون. تحسين التنبؤ بالتبخر اليومي باستخدام نموذج Deep-LSTM. الحساب العصبي. تطبيق. 32، 7823 (2019).

4. ون، X. وآخرون. النماذج المستندة إلى الآلات الداعمة لنمذجة التبخر المرجعي اليومي مع بيانات مناخية محدودة في المناطق القاحلة الشديدة. موارد المياه. إدارة. 29، 3195–3209 (2015).

5. لي، XR وآخرون. الهيدرولوجيا البيئية الأساسية للاستعادة والتعافي البيئي في مناطق الصحراء الرملية في الصين (Science Press,2016).

6. وو، LF وآخرون. آلة تعلم هجينة متطرفة مع خوارزميات إرشادية وصفية للتنبؤ بالتبخر الشهري. حساب.إلكترون. الزراعية. 168، 105-115 (2020).

7. فو، ليرة تركية وآخرون. طريقة متكاملة جديدة تعتمد على نموذج التعلم الآلي لتقدير التبخر في الأراضي الجافة. جي هيدرول. 603، 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. آثار كثافة هطول الأمطار والتقطع على الغطاء النباتي الخشبي ورطوبة التربة العميقة في النظم البيئية للأراضي الجافة. جي هيدرول. 543، 270-282 (2016).

9. لي، XR وآخرون. العتبة البيئية الهيدرولوجية لتقييم استقرار الغطاء النباتي الرملي في المناطق المناخية المختلفة. صناعة 83، 404-415 (2017).

For more information:1950477648nn@gmail.com