För Ningxia-området, som ligger i de torra och halvtorra regionerna i Kina, är grundvatten en av de viktigaste källorna till dricksvatten. Det har dock gjorts lite forskning om tillämpningen av maskininlärningsmodeller för att förutsäga grundvatten i detta område.

Professor Sun Bo (Nanjing University of Information Science and Technology) och kollegor utförde forskning om grundvattenförutsägelser i Ningxia och fann att två hybridmodeller för maskininlärning – nämligen Multi-head Attention–Convolution Neural Network–Long Short Term Memory (MH) -CNN-LSTM) och Multi-head Attention–Convolution Neural Network–Gated Recurrent Unit (MH-CNN-GRU)—har stor potential för förutsägelse av grundvattendjup i Ningxia-området. Resultaten har nyligen publicerats i Atmospheric and Oceanic Science Letters .

I denna studie väljs faktorerna relaterade till grundvatten, såsom nederbörd, och två hybridmodeller för djupinlärning, som är CNN-LSTM och CNN-GRU, kombineras med multi-head uppmärksamhet. Sedan jämförs de med den multipellinjära regressionsmodellen, som är en traditionell statistisk modell.

Dessutom används dyngbaggaroptimeringsalgoritmen (DBO) för att ytterligare förbättra prediktionsförmågan hos hybridmodellerna för djupinlärning genom att optimera parametrar. Tältkartan, adaptiv T-distribution och spiralsökningsstrategi används för att förbättra DBO, och prediktionsresultaten för modeller med den förbättrade DBO och den ursprungliga DBO jämförs.

Deras prediktiva prestanda är bättre än den traditionella multipellinjära regressionsmodellen. Dessutom kan DBO-algoritmen ytterligare förbättra modellens prediktionsnoggrannhet. Jämfört med original DBO presterar modellerna med förbättrad DBO bättre.

Nederbörden i Ningxia-området är huvudsakligen koncentrerad på sommaren, och därför ökar grundvattnet i denna region avsevärt på sommaren jämfört med de andra tre årstiderna. I framtiden kommer forskargruppen att fokusera på sommargrundvatten i Ningxia-området och studera de relaterade fysiska mekanismerna. Sedan kommer det att undersökas ytterligare om tillägg av faktorer relaterade till dessa fysiska mekanismer avsevärt kan förbättra förutsägelseresultaten.

Mer information: Jiarui Cai et al., Tillämpning av den förbättrade dyngbaggeoptimeraren, muti-head uppmärksamhet och hybrid djupinlärningsalgoritmer för förutsägelse av grundvattendjup i Ningxia-området, Kina, Atmospheric and Oceanic Science Letters (2024). DOI:10.1016/j.aosl.2024.100497

Tillhandahålls av Chinese Academy of Sciences