ผสมผสานหน่วยความจำระยะสั้นแบบยาวเข้ากับอัลกอริธึมการปรับให้เหมาะสมของวาฬและการสลายตัวของโหมดแปรผันสำหรับการประมาณค่าการคายระเหยรายเดือน

ความยั่งยืนของพืชที่เกาะติดกับทรายเทียมนั้นพิจารณาจากความสมดุลของน้ำระหว่างการคายระเหย (ET) และการตกตะกอนในพื้นที่ทะเลทราย ดังนั้น การประมาณค่า ET อย่างแม่นยำจึงเป็นข้อกำหนดเบื้องต้นที่สำคัญสำหรับการกำหนดประเภทและการกระจายเชิงพื้นที่ของพืชพรรณเทียมที่ไม่แยแสกับพื้นที่ทราย เพื่อจุดประสงค์นี้ มีการเสนอแบบจำลองการประมาณค่าแบบไฮบริดแบบใหม่เพื่อประมาณค่า ET รายเดือนโดยเชื่อมโยงหน่วยความจำระยะสั้นระยะยาวแบบการเรียนรู้เชิงลึก (LSTM) เข้ากับรูปแบบการสลายตัวแบบแปรผัน (VMD) และอัลกอริธึมการหาค่าเหมาะที่สุดของปลาวาฬ (WOA) (เช่น VMD-WOA-LSTM) ประมาณการ ET รายเดือนในพื้นที่ขอบตะวันออกเฉียงใต้ของทะเลทราย Tengger

ในช่วงไม่กี่ปีที่ผ่านมา รายงานจำนวนมากเกี่ยวกับมนุษย์ต่างดาวและยูเอฟโอไม่เพียงกระตุ้นความอยากรู้อยากเห็นและความกระตือรือร้นของผู้คนเท่านั้น แต่ยังกระตุ้นความชื่นชมและความปรารถนาของผู้คนในการสำรวจชีวิตนอกโลกอีกด้วย

หนึ่งในหัวข้อที่ดึงดูดความสนใจมากคือระดับสติปัญญาของมนุษย์ต่างดาว หลายคนเชื่อว่ามนุษย์ต่างดาวมีสติปัญญาที่เหนือกว่ามนุษย์มาก และแนวคิดนี้ได้รับการเผยแพร่อย่างกว้างขวางในนิยายวิทยาศาสตร์และภาพยนตร์ แต่มนุษย์ต่างดาวฉลาดกว่ามนุษย์หรือเปล่า? ถ้าเป็นเช่นนั้น พวกเขาจะมีความทรงจำที่แข็งแกร่งกว่านี้ไหม?

อันดับแรก เราต้องยอมรับว่าแนวความคิดของเราเกี่ยวกับความฉลาดของมนุษย์ต่างดาวยังเป็นเพียงผิวเผินมาก เราไม่สามารถแน่ใจได้ว่ามนุษย์ต่างดาวมีความฉลาดคล้ายกับเราหรือไม่ ไม่ต้องพูดถึงว่าพวกเขาดีกว่าเราหรือไม่ อย่างไรก็ตาม เราสามารถคิดและประเมินความสัมพันธ์ระหว่างความทรงจำและสติปัญญาจากมุมมองของมนุษย์ได้

จากมุมมองของมนุษย์ เรารู้ว่ามีความสัมพันธ์กันระหว่างความฉลาดและความทรงจำ ผู้ที่มีระดับสติปัญญาสูงกว่ามักมีความจำดีกว่า เนื่องจากผู้ที่มีสติปัญญาระดับสูงให้ความสำคัญกับการคิดและการให้เหตุผลเชิงตรรกะมากกว่า และมีแนวโน้มที่จะบูรณาการและเชื่อมโยงข้อมูลผ่านวิธีความสัมพันธ์ที่แตกต่างกัน วิธีคิดนี้ช่วยพัฒนาความจำ ดังนั้นจึงมีความสัมพันธ์กันระหว่างระดับความฉลาดในการทำงานของสมองและความจำ

อย่างไรก็ตาม เราไม่ควรใช้ความสัมพันธ์นี้กับมนุษย์ต่างดาวเพียงอย่างเดียว เพราะเราไม่อาจแน่ใจได้ว่าโครงสร้างสติปัญญาและโครงสร้างสมองของมนุษย์ต่างดาวจะคล้ายกับมนุษย์หรือไม่ มนุษย์ต่างดาวอาจมีโครงสร้างสติปัญญาและโครงสร้างความทรงจำที่แตกต่างจากมนุษย์ ดังนั้นความสัมพันธ์ระหว่างสติปัญญาและความทรงจำจึงอาจแตกต่างกันมาก

สุดท้ายนี้ เราควรแน่ใจว่าการค้นพบสิ่งมีชีวิตนอกโลกจะมีผลกระทบอย่างมากต่อการพัฒนาวิทยาศาสตร์และปรัชญาของมนุษย์ การวิจัยเกี่ยวกับความฉลาดและความทรงจำของมนุษย์ต่างดาวจะต้องดำเนินการบนพื้นฐานทางวิทยาศาสตร์ด้วย เราหวังว่าด้วยการพัฒนาวิทยาศาสตร์และเทคโนโลยีอย่างต่อเนื่อง มนุษย์จะสามารถสำรวจสิ่งมีชีวิตต่างดาวได้มากขึ้น และเดินหน้าต่อไปในกระบวนการไขปริศนาและสำรวจความจริงของจักรวาล จะเห็นได้ว่าเราต้องปรับปรุงความจำ และ Cistanche Deserticola สามารถปรับปรุงความจำได้อย่างมาก เนื่องจาก Cistanche Deserticola เป็นยาแผนโบราณของจีนที่มีลักษณะพิเศษมากมาย หนึ่งในนั้นคือการปรับปรุงความจำ ประสิทธิภาพของเนื้อสับมาจากส่วนผสมออกฤทธิ์หลายชนิดในเนื้อสับ เช่น กรด โพลีแซ็กคาไรด์ ฟลาโวนอยด์ ฯลฯ ส่วนผสมเหล่านี้สามารถส่งเสริมสุขภาพสมองได้หลายวิธี

คลิกรู้วิธีปรับปรุงการทำงานของสมอง

ความเหนือกว่าของ LSTM ถูกเลือกเนื่องจากความสามารถในการแยกคุณสมบัติที่ไม่เชิงเส้นและไม่คงที่จากข้อมูลลำดับโดยอัตโนมัติ WOA ถูกใช้เพื่อปรับไฮเปอร์พารามิเตอร์ของ LSTM ให้เหมาะสม และใช้ VMD เพื่อแยกลักษณะที่แท้จริงของอนุกรมเวลา ET ผลลัพธ์โดยประมาณของ VMD-WOA-LSTM ได้รับการเปรียบเทียบกับ ET จริง และการประมาณค่าของรุ่นไฮบริดอื่นๆ ในแง่ของตัวชี้วัดประสิทธิภาพมาตรฐาน จากผลการวิจัยพบว่า VMD-WOA-LSTM ให้ผลลัพธ์การประมาณค่าที่แม่นยำและเชื่อถือได้มากกว่า LSTM, Support Vector Machine (SVM) และรุ่นต่างๆ ของโมเดลเหล่านั้น ดังนั้นจึงอาจแนะนำให้ใช้ VMD-WOALSTM เป็นวิธีการเสริมที่จำเป็นในการประมาณค่า ET ในพื้นที่ทะเลทราย

การคายระเหย (ET) เป็นกระบวนการทางกายภาพและทางชีวภาพที่ไม่เป็นเชิงเส้นสูง ซึ่งเชื่อมโยงกระบวนการทางนิเวศวิทยาและทางอุทกวิทยาด้วยความสมดุลของน้ำ1,2 เป็นองค์ประกอบหลักของความสมดุลของน้ำและพลังงานในระดับภูมิภาค และทำหน้าที่เป็นตัวเชื่อมโยงที่สำคัญในระบบดิน – พืช – บรรยากาศ (SPA) การประมาณค่า ET อย่างแม่นยำนั้นเป็นข้อกำหนดเบื้องต้นที่สำคัญในการจัดการสิ่งแวดล้อม โดยเฉพาะอย่างยิ่งในพื้นที่ทะเลทรายที่มีพื้นที่ขนาดใหญ่ของพืชพรรณที่มีทรายเทียม ซึ่งความยั่งยืนของพืชพรรณที่มีทรายเทียมถูกกำหนดโดยความสมดุลของน้ำระหว่าง ET และการตกตะกอน นอกจากนี้ การเปลี่ยนแปลงสภาพภูมิอากาศ โดยเฉพาะอย่างยิ่งการเปลี่ยนแปลงรูปแบบของภาวะโลกร้อนและการตกตะกอน จะมีผลกระทบอย่างลึกซึ้งต่อความยั่งยืนของพืชพรรณเทียมอย่างหลีกเลี่ยงไม่ได้7,8

แตกต่างจากพืชพรรณธรรมชาติ พืชผักที่ยึดกับทรายเทียมถูกสร้างขึ้นโดยมีวัตถุประสงค์และหน้าที่พิเศษ การประมาณค่า ET ที่แม่นยำสามารถเป็นข้อมูลอ้างอิงสำหรับการทำความเข้าใจสมดุลของน้ำและกำหนดองค์ประกอบ โครงสร้าง การกระจายเชิงพื้นที่ และขนาดของพืชที่ยึดเกาะกับทรายใน ภูมิภาคทะเลทราย9,10 อย่างไรก็ตาม การประยุกต์ใช้วิธีการทางกายภาพ (เช่น วิธีพรีสต์ลีย์-เทย์เลอร์ วิธีฮาร์กรีฟส์ วิธีเพนแมนของ FAO-24 ที่ถูกต้อง วิธีเพนแมนของ FAO-56 เพนแมน–มอนทีธ เป็นต้น) ถูกจำกัดอย่างรุนแรงเนื่องจากขาดพารามิเตอร์ทางอุตุนิยมวิทยาที่จำเป็น (เช่น ความร้อนแฝงของการกลายเป็นไอ การแผ่รังสีแสงอาทิตย์ ความชื้นสัมพัทธ์ อุณหภูมิอากาศ ฯลฯ) ในพื้นที่ทะเลทราย4,6,2–12 ดังนั้น การสร้างแบบจำลองที่ขับเคลื่อนด้วยข้อมูลประเภทอื่นๆ เพื่อให้ได้ผลลัพธ์การประมาณค่าที่แม่นยำจึงเป็นที่ต้องการอย่างมาก

เมื่อเร็วๆ นี้ โมเดลการเรียนรู้ของเครื่อง (ML) รวมถึงโครงข่ายประสาทเทียมแบบ back-propagation (BPNN)13, การรับรู้แบบหลายชั้น (MLP)2, โครงข่ายประสาทเทียมแบบหลายชั้น (MLNN)6, รองรับเครื่องเวกเตอร์ (SVM)7,12, เครื่องการเรียนรู้ขั้นสูง (ELM) 6, แผนผังโมเดล (MT) 14,15, ฟอเรสต์สุ่ม (RF) 6, โครงข่ายประสาทเทียมของเวฟเล็ต (WNN) 16, ฟังก์ชันพื้นฐานแนวรัศมี (RBF) 17 ฯลฯ ถูกนำมาใช้อย่างมากเพื่อประมาณค่าการระเหยหรือ ET เนื่องจาก ถึงความสามารถในการเรียนรู้คุณสมบัติโดยอัตโนมัติและไม่ต้องใช้สมมติฐานใด ๆ เนื่องจากโมเดล ML มีข้อบกพร่องที่ทำให้ไฮเปอร์พารามิเตอร์ปรับเองได้ยาก ซึ่งทำให้ความแม่นยำในการคำนวณลดลงอย่างมาก เพื่อเอาชนะข้อเสียของโมเดล ML อัลกอริธึมเมตาฮิวริสติก เช่น อัลกอริธึมการผสมเกสรดอกไม้ (FPA)6 อัลกอริธึมหิ่งห้อย (FFA)11 อัลกอริธึมหยดน้ำอัจฉริยะ (IWD)12 อัลกอริธึมการเพิ่มประสิทธิภาพปลาวาฬ (WOA)18 อัลกอริธึมเครื่องมือเพิ่มประสิทธิภาพหมาป่าสีเทา ( GWO)19,20 ฯลฯ ถูกนำมาใช้เพื่อกำหนดไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดของ MLmodels การศึกษาพบว่าโมเดล ML ควบคู่ไปกับอัลกอริธึมเมตาฮิวริสติกมีประสิทธิภาพการประมวลผลที่สูงกว่าโมเดล ML เดี่ยวและวิธีการตามฟิสิคัล

เนื่องจาก ET ได้รับผลกระทบอย่างใกล้ชิดจากพารามิเตอร์ทางอุตุนิยมวิทยา ความชื้นในดิน และลักษณะพืชพรรณ อนุกรมเวลา ET ที่วัดได้จึงมีจุดที่คมชัดและผันผวนหลายจุด ซึ่งทำให้ความแม่นยำในการประมาณค่าลดลงอย่างมาก เพื่อให้ได้ผลลัพธ์การประมาณค่าที่น่าเชื่อถือมากขึ้น จึงมีการใช้เทคนิคก่อนการประมวลผลข้อมูล รวมถึงการแปลงเวฟเล็ตแบบไม่ต่อเนื่อง (DWT)23, การสลายตัวของโหมดเอมพิริคัลทั้งมวล (EEMD)14,15 และการสลายตัวของโหมดแปรผัน (VMD)7,24 ฯลฯ ถูกนำมาใช้เพื่อสลายตัว ET ความถี่อนุกรมเวลาเป็นส่วนประกอบต่างๆ และรับข้อมูลที่ต้องการในหลายระดับ7,14,23,24 การทบทวนวรรณกรรมแสดงให้เห็นว่าเทคนิคการประมวลผลข้อมูลล่วงหน้าที่ผสมกับโมเดล ML สามารถปรับปรุงประสิทธิภาพของโมเดลได้อย่างมาก ในเรื่องนี้ Gocićet al.22 ควบคู่กับ SVM พร้อมด้วย DWT และอัลกอริธึมหิ่งห้อย (FFA) เพื่อประเมินการอ้างอิง ET ในเซอร์เบีย โดยที่ FFA ถูกใช้เพื่อกำหนดไฮเปอร์พารามิเตอร์ของ SVM ผลการวิจัยพบว่า DWT-FFA-SVM เป็นวิธีการประเมินที่ดีที่สุดสำหรับการอ้างอิงการประมาณค่า ET Pammar และ Deka[24]เสนอ DWT-SVM แบบลูกผสมเพื่อประเมินการระเหยของสารรายวันในรัฐกรณาฏกะ ประเทศอินเดีย ผลลัพธ์ยังยืนยันว่า SVM ร่วมกับ DWT สามารถปรับปรุงความแม่นยำในการประมาณค่าได้ Rezaie-Balf และคณะ 15 บูรณาการ EEMD เข้ากับแผนผังแบบจำลอง SVM และ M5 (M5T) แยกกันเพื่อประเมินแบบจำลองการระเหยของกระทะรายเดือนของสถานี Siirt และสถานี Diyarbakir ในภาษาตุรกี และแบบจำลองที่นำเสนอมีความแม่นยำสูงกว่ามาก Fu และคณะ 7 เสนอโมเดลไฮบริดโดยรวม DWT, EEMD และ VMD เข้ากับ SVM และ GWO-SVM แยกกันเพื่อประเมิน ET รายเดือน ผลลัพธ์ระบุว่า VMD และ DWT แสดงประสิทธิภาพก่อนการประมวลผลที่ดีกว่า EEMD และความแม่นยำในการประมาณค่าของ VMDGWO-SVM นั้นสูงกว่า DWT-GWO-SVM และ EEMD-GWO-SVM

งานก่อนหน้านี้มุ่งเน้นไปที่การใช้แบบจำลอง ML แบบตื้นเป็นหลักเพื่อประมาณค่า ET2,4,6,7,2–18,21–23 เป็นที่ทราบกันดีว่าโมเดล ML แบบตื้นมีข้อเสียที่ไม่สามารถแยกคุณลักษณะที่ไม่เชิงเส้นและไม่คงที่ที่ซ่อนอยู่ออกจากอนุกรมเวลา ET ได้เพียงพอ ดังนั้น หน่วยความจำระยะสั้นระยะยาว (LSTM) 3, 26, เครือข่ายประสาทเชิงลึก (DNN) 27, เครือข่ายประสาทเทียมแบบขมับ (TCN) 27 และเครือข่ายประสาทที่เกิดซ้ำ (RNN) 28 จึงถูกนำมาใช้เพื่อประมาณค่า ET หรือการระเหยตามอุตุนิยมวิทยาที่จำกัด ข้อมูล. สำหรับ Majhi และคณะ 3 ใช้สูตร LSTM, MLNN, สูตร Hargreaves และสูตร Blaney-Criddle เพื่อประมาณค่าการระเหยของสารในกระทะรายวันของรัฐ Chhattisgarh ในอินเดีย ผลลัพธ์บ่งชี้ว่า LSTM สามารถประมาณค่าการคายระเหยได้อย่างแม่นยำ และมีการประมาณค่าได้ดีกว่ารุ่นอื่นๆ . Chen และคณะประมาณค่า ET อ้างอิงรายวันในที่ราบภาคตะวันออกเฉียงเหนือของจีนโดยใช้ LSTM, DNN, TCN, SVM, RF, แบบจำลอง Hargreaves, วิธี Ritchie, แบบจำลอง Priestley-Talor, สูตร Makkink, Romanenkomodel และสูตร Schendel ตามลำดับ ผลลัพธ์แสดงให้เห็นว่า LSTM, TCN และ DNN มีประสิทธิภาพการประมาณค่าที่ดีกว่าแบบจำลอง ML แบบตื้นและแบบจำลองเชิงประจักษ์ ในกรณีที่ไม่มีพารามิเตอร์อุตุนิยมวิทยา Granata และ Di Nunno28 ใช้ LSTM และ NARX เพื่อประเมิน ET ของ Cypress Swamp และ Kobeh Valley ในสหรัฐอเมริกา ผลการวิจัยพบว่าโมเดลการเรียนรู้เชิงลึกมีความแม่นยำสูงกว่าโมเดล ML แบบตื้นเนื่องจากมีโครงสร้างแบบลำดับชั้นสูง

ไฮเปอร์พารามิเตอร์ของโมเดล ML จะกำหนดความแม่นยำในการคำนวณโดยตรง แต่ m ถึงกระนั้น โมเดลส่วนใหญ่ก็ไม่สามารถหาไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดได้ด้วยตัวเอง และ LSTM ก็ไม่มีข้อยกเว้น ไฮเปอร์พารามิเตอร์ของ LSTM รวมถึงจำนวนเลเยอร์ที่ซ่อนอยู่ (HL) จำนวนหน่วยที่ซ่อนอยู่ (HU) ยุค และอัตราการเรียนรู้ (LR) 26 ส่งผลอย่างมีนัยสำคัญต่อประสิทธิภาพโดยประมาณของ LSTM อย่างไรก็ตาม ตามความรู้ที่ดีที่สุดของผู้เขียน การใช้ LSTM ร่วมกับอัลกอริธึมเมตาฮิวริสติกเพื่อประมาณค่าการระเหยหรือ ET มีน้อยมาก

พื้นที่ศึกษาและข้อมูล

การวิจัยดำเนินการในพื้นที่ขอบตะวันออกเฉียงใต้ของทะเลทราย Tengger (37 องศา 32'N, 105 องศา 02'E) ประเภทภูมิทัศน์หลักคือเนินทรายที่มีโครงสร้างบังตาที่เป็นช่องกระจายหนาแน่น9,10 เพื่อป้องกันอันตรายจากพายุทรายต่อทางรถไฟเป่าโถว-หลานโจว สถาบันวิทยาศาสตร์จีนและหน่วยงานที่เกี่ยวข้องของการรถไฟได้จัดตั้งสายพานปลูกพืชใหม่ขึ้นในปี 1956a และขยายออกไปในปี 1964a, 1981a และ 1987a บนเนินทรายเคลื่อนที่ มีการติดตั้งแผงกั้นทรายเชิงกลที่ตั้งฉากกับทิศทางลมหลัก ป้ายตารางหมากรุกฟาง (ระยะห่าง 1 ม. × 1 ม.) ตั้งอยู่ด้านหลังแผงกั้นทรายเชิงกล และต้นกล้าไม้พุ่มซีริคอายุ 2 ปีถูกปลูกในรูปแบบเดียวกันโดยละทิ้งวิธีการ ระยะห่างระหว่างต้นไม้และระยะห่างระหว่างแถว 1 ม.×2 ม. หรือ 2 ม.×3 ม. ภายใต้เงื่อนไขที่ไม่มีการชลประทาน หลังจากสืบทอดมานานกว่าครึ่งศตวรรษ จำนวนพันธุ์พืชธรรมชาติเพิ่มขึ้นจาก 25 เป็น 453 พันธุ์ และความครอบคลุมของพืชพรรณ เพิ่มขึ้นจากน้อยกว่า 1% เป็น 42.3% โซนตรึงทรายป้องกันลมทางชีวภาพที่มีความยาว 16 กม. และความกว้าง 200-1000 ม. ได้ถูกสร้างขึ้นอย่างค่อยเป็นค่อยไป พืชเทียมทรายเทียมที่ก่อตั้งในปีต่างๆ (1956a, 1964a, 1981a และ 1987a) มีการกระจายบนทั้งสองด้านของทางรถไฟแบบขนาน ซึ่งป้องกันความเสียหายจากความเสียหายที่เกิดจากทรายที่ถูกลมพัดต่อการจราจรทางรถไฟได้สำเร็จ และปรับปรุงสภาพแวดล้อมทางนิเวศวิทยาได้อย่างมีนัยสำคัญ ของพื้นที่ศึกษา เนื่องจากความมั่นคงและความยั่งยืนของพืชพรรณนั้นขึ้นอยู่กับความสมดุลของน้ำระหว่าง ET และการตกตะกอน7,9,10 จึงมีความสำคัญอย่างยิ่งทั้งทางทฤษฎีและปฏิบัติในการประมาณค่า ET อย่างแม่นยำสำหรับการปกป้องและใช้ประโยชน์จากพืชพรรณที่มีการจับกับทรายเทียม7,10

ในการศึกษานี้ ข้อมูล ET รายเดือนที่วัดตั้งแต่เดือนมกราคม 1991 ถึงธันวาคม 2018 ข้อมูลตั้งแต่เดือนมกราคม 1991 ถึงธันวาคม 2010 ถือเป็นชุดการฝึกอบรม และส่วนที่เหลือถูกใช้เป็นชุดการทดสอบ ตารางที่ 1 แสดงตัวชี้วัดทางสถิติหลักของอนุกรมเวลา ET รายเดือนในพื้นที่ศึกษา

ระเบียบวิธี

กรอบของแบบจำลองที่นำเสนอ LSTM เป็นโครงข่ายประสาทเทียมรอบเวลาใหม่ที่สามารถเอาชนะปัญหาการไล่ระดับสีที่หายไปใน RNN ได้โดยการเพิ่มรูปแบบลูกโซ่ของการทำซ้ำโมดูลโครงข่ายประสาทเทียมเพื่อจัดเก็บข้อมูลที่เกี่ยวข้อง ใช้หลักการทำงานของ "สองเข้าและสองออก" เพื่อแก้ปัญหาการพึ่งพาลำดับยาว 26 ในการศึกษานี้ LSTM ได้รับเลือกให้เป็นโมดูลาร์หลักในการประมาณค่า ET duo รายเดือนของ LSTM มีความสามารถที่ยอดเยี่ยมในการจัดการกับรูปแบบที่ไม่เชิงเส้นในอนุกรมเวลา นอกจากนี้ SVM ยังถูกใช้เพื่อประมาณค่า ET เนื่องจาก SVM มีความสามารถในการปรับตัวที่ดีกว่าในการแก้ปัญหาการจัดระดับแบบไม่เชิงเส้น (เช่น การประมาณค่า ET) ที่กว้างกว่ารุ่น ML แบบตื้นอื่นๆ (เช่น BPNN, WNN, ELM, MT และ MLP) 29.

เนื่องจาก DWT มีความไวต่อพื้นฐานของเวฟเล็ตและเกณฑ์ EMD จึงทนทุกข์ทรมานจากข้อเสียเปรียบที่แท้จริงของการผสมโหมด และ EEMD มีจุดสิ้นสุดที่ทำให้เกิดผลกระทบ VMD เป็นวิธีการประมวลผลข้อมูลล่วงหน้าที่มีประสิทธิภาพและปรับเปลี่ยนได้ดีกว่า DWT, EMD และ EEMD24 โดยสามารถเอาชนะข้อบกพร่องของวิธีเหล่านั้นได้อย่างมีประสิทธิภาพ และแยกคุณลักษณะการเปลี่ยนแปลงหลักออกจากอนุกรมเวลาที่ผิดปกติและไม่สม่ำเสมอ24 ในการศึกษานี้ มีการใช้ VMD เพื่อแยกคุณลักษณะการเปลี่ยนแปลงหลักจากชุดข้อมูล ET เพื่อเปรียบเทียบประสิทธิภาพการลดสัญญาณรบกวนของ VMD จึงเลือก DWT เป็นข้อมูลอ้างอิง ผลลัพธ์ของ DWT, VMD และอนุกรมเวลา ET ที่รวบรวมไว้ถูกแบ่งออกเป็นชุดการฝึกอบรมและชุดการทดสอบ และป้อนไปยังแบบจำลอง ML เพื่อประมาณค่า ET ตามลำดับ

เพื่อปรับปรุงประสิทธิภาพการฝึกของโมเดล ML จึงใช้วิธีการทำให้เป็นมาตรฐานขั้นต่ำ – สูงสุด 7,22 เพื่อทำให้ชุดข้อมูลอินพุตและเอาท์พุตเป็นมาตรฐาน ชุดอินพุตและเอาท์พุตของ SVM และ LSTM ถูกกำหนดโดยใช้วิธีการเลือกตามยาว (LS) 7 กล่าวคือกลุ่มตัวอย่างการฝึกจะแสดงด้วยเวกเตอร์จาก I ถึง k - q ผลลัพธ์การฝึกจะแสดงเป็นเวกเตอร์จาก I + d − 1 ถึง k − q เวกเตอร์เอาต์พุตการทดสอบแสดงด้วยเวกเตอร์ตั้งแต่ k − q + 1 ถึง k โดยที่ i, d, k และ q แสดงถึงจุดเริ่มต้น มิติข้อมูลเข้า ขนาดของข้อมูล และความยาวของผลการทดสอบตามลำดับ รูปที่ 1 แสดงแผนผังของวิธี LS ด้วย i=1, d=3 และ k=336

WOA เป็นอัลกอริธึมเมตาฮิวริสติกแบบใหม่ที่มีประสิทธิภาพและเสถียร ซึ่งใช้กันอย่างแพร่หลายในการแก้ปัญหาการไม่ปรับให้เหมาะสมเชิงเส้น รวมถึงการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์ของแบบจำลอง ML แบบตื้นสำหรับการประมาณค่าการระเหยหรือ ET อย่างไรก็ตาม ไม่มีนักวิจัยคนใดได้เสนอแบบจำลองไฮบริดโดยการรวม LSTM กับอัลกอริทึมเมตาเพื่อประมาณค่า ET ดังนั้นจึงใช้ WOA เพื่อปรับไฮเปอร์พารามิเตอร์ของ LSTM ให้เหมาะสมเพื่อให้ได้ผลลัพธ์โดยประมาณที่แม่นยำยิ่งขึ้น รูปที่ 2 แสดงผังงานของ WOA-LSTM WOA-LSTM ควบคู่กับ VMD จะแสดงเป็น VMD-WOA-LSTM

ความเหนือกว่าของ VMD-WOA-LSTM ได้รับการทดสอบโดยการเปรียบเทียบประสิทธิภาพโดยประมาณกับ LSTM,SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM และ VMD-GWO-SVM โดยที่ GWO-SVM บ่งชี้ว่า C และ G ที่ดีที่สุดของ SVM ถูกกำหนดโดยใช้อัลกอริทึม GWO รูปที่ 3 แสดงผังงานของ GWO-SVM ในกระบวนการจำลองเชิงตัวเลข มีการใช้ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์ (MAPE) เป็นฟังก์ชันความเหมาะสมเพื่อกำหนดไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดของโมเดล ML ควรสังเกตว่าหลักการทางคณิตศาสตร์ของวิธีการที่ใช้ในบทความนี้ รวมถึง DWT, VMD, SVM, LSTM, GWO และ WOA สามารถพบได้ในเอกสารที่เกี่ยวข้อง ดังนั้นจึงละคำอธิบายทางคณิตศาสตร์ของวิธีการเหล่านี้

ตัวชี้วัดสำหรับการประเมินผลการปฏิบัติงาน การวิเคราะห์ข้อผิดพลาดดำเนินการโดยใช้ตัวชี้วัดการประเมิน ซึ่งรวมถึงค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE), MAPE, ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (NMSE), ค่าความผิดพลาดรูตค่าเฉลี่ยกำลังสอง (RMSE) และค่าสัมประสิทธิ์ประสิทธิภาพของ Nash–Sutcliffe (NSCE) คำจำกัดความของตัวชี้วัดการประเมินเหล่านั้นมีดังนี้:

โดยที่ yi และ yi แสดงถึงผลลัพธ์ที่ต้องการและประมาณการ โดยทั่วไป MAE, MAPE, NMSE และ RMSE ใช้เพื่อวัดค่าเบี่ยงเบนระหว่างผลลัพธ์และค่าประมาณที่ต้องการ ประสิทธิภาพการประมาณค่าจะดีกว่าเมื่อค่าของเมตริกการประเมินเหล่านี้มีขนาดเล็กลง เนื่องจากMAPE ค่อนข้างมีเสถียรภาพมากกว่าในบรรดาเกณฑ์เหล่านี้ โดยทั่วไป NSCE จะถูกใช้เพื่อกำหนดประสิทธิภาพของแบบจำลองในสาขาอุทกวิทยา (NSCE ใกล้กับ 1 บ่งชี้ว่าแบบจำลองที่เสนอมีความเหมาะสมที่ดี) ดังนั้นจึงเลือก MAPE และ NSCE เป็นเกณฑ์มาตรฐานหลักในการประเมินประสิทธิภาพของแบบจำลองของแบบจำลองที่นำเสนอ

การตั้งค่าพารามิเตอร์ การประมาณประสิทธิภาพของรุ่นต่างๆ จะพิจารณาจากการเลือกพารามิเตอร์เป็นหลัก ตารางที่ 2 แสดงพารามิเตอร์ที่สำคัญของ DWT และ VMD จำนวนตัวแทนการค้นหาและการวนซ้ำสูงสุดของอัลกอริทึม WOA และ GWO คือ 5 และ 100 ตามลำดับ ขนาดมินิแบทช์ของโมเดลที่ใช้ LSTM ทั้งหมดคือ 128 ช่วงของ HL, HU, Epochs และ LR ของ WOA-LSTM คือ [1, 200], [1,200], [10, 100 ] และ [0.001, 0.01] ตามลำดับ สำหรับ GWO-SVM ช่วงของ C และ G คือ [0.01, 100]

ผลลัพธ์

รูปที่ 4 และ 5 แสดงผลลัพธ์ของ DWT และ VMD ดังแสดงในรูป ในวันที่ 4 และ 5 อนุกรมเวลา ET รายเดือนที่รวบรวมไว้มีจุดที่คมชัดและผันผวนหลายจุด ซึ่งจะส่งผลต่อประสิทธิภาพการประมาณค่า เพื่อแก้ไขรูปแบบที่เป็นปัญหาเหล่านี้ในกระบวนการประมาณค่า ET จึงมีการวิเคราะห์ db4 ที่มีระดับ 1 และ VMD ที่มี K=5 และใช้เพื่อลดอนุกรมเวลา ET ที่คงที่ อนุกรมเวลาคงเหลือแสดงแอมพลิจูดต่ำและความผันผวนของความถี่สูง แสดงให้เห็นว่าสัญญาณรบกวนสีขาวถูกกำจัดออกจากชุดข้อมูล ET ดั้งเดิม ตารางที่ 2 แสดงให้เห็นว่าประสิทธิภาพการลดสัญญาณรบกวนของ VMD (ด้วย SNR=42.6451 และ RMSE=1.7934) มีประสิทธิภาพมากกว่าประสิทธิภาพของ DWT (ด้วย SNR=40.8201 และ RMSE{{15} }.2127) DWT มีข้อเสียคือควรเลือกฐานเวฟเล็ตล่วงหน้า และยังมีความอ่อนไหวต่อการเลือกเกณฑ์อีกด้วย ดังนั้น VMD จึงดีกว่า

ตามที่กล่าวไว้ LSTM และ SVM ถูกนำมาใช้ในการประมาณ ET รายเดือนตามลำดับ สำหรับแต่ละมิติอินพุตคงที่ d ใน d =2, 3, …, 16 MAPE ขั้นต่ำจะถูกเลือกจากการจำลอง 5 ครั้ง และไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดของ WOA-LSTM และ GWO-SVM จะถูกบันทึกตาม MAPE ขั้นต่ำ ตารางที่ 3 แสดงคุณสมบัติอินพุตที่เหมาะสมที่สุดและไฮเปอร์พารามิเตอร์ของแบบจำลองที่นำเสนอ ดังที่แสดงในตารางที่ 3 MAPE ของโมเดลที่ใช้ LSTM แต่ละรายการมีค่าน้อยกว่าโมเดลที่ใช้ SVM ซึ่งแสดงให้เห็นว่าโมเดลการเรียนรู้เชิงลึกมีประสิทธิภาพเหนือกว่าโมเดล ML แบบตื้นอย่างมีนัยสำคัญ Te MAPE ของโมเดล ML เดี่ยวลดลงโดยการเชื่อมโยงโมเดล ML เข้ากับเทคนิคการประมวลผลข้อมูลล่วงหน้า ซึ่งแสดงให้เห็นว่าประสิทธิภาพของโมเดล ML สามารถปรับปรุงได้โดยใช้การประมวลผลข้อมูลล่วงหน้า Te MAPE ของโมเดลไฮบริดที่มีพารามิเตอร์ที่เหมาะสมที่สุดทั้งหมดมีขนาดเล็กกว่าโมเดล ML ที่มีพารามิเตอร์เริ่มต้น ซึ่งบ่งชี้ว่าโมเดล ML ที่รวมเข้ากับอัลกอริธึมเมตาฮิวริสติกมีประสิทธิภาพการประมวลผลสูงกว่าโมเดล ML ที่มีพารามิเตอร์เริ่มต้นปานกลาง Te MAPE ของรุ่นไฮบริด DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM และ VMD-WOA-LSTM มีขนาดเล็กกว่ารุ่น LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM และ GWO-SVM แนะนำว่าประสิทธิภาพของโมเดล ML สามารถปรับปรุงได้อย่างมีนัยสำคัญโดยใช้อัลกอริธึมการประมวลผลข้อมูลล่วงหน้าและเมตาฮิวริสติก

ผลลัพธ์การประมาณค่าของโมเดล ML ที่มี MAPE ขั้นต่ำและไฮเปอร์พารามิเตอร์ที่เหมาะสมจะแสดงอยู่ในรูปที่ 6 รูปที่ 6 แสดงให้เห็นว่าผลลัพธ์ของโมเดลที่เสนอทั้งหมดสอดคล้องกับจุดส่วนใหญ่ในช่วงตรงกลาง แต่เป็นจุดเริ่มต้นและค่าสุดขั้ว ถูกประเมินสูงเกินไป; อนุกรมเวลา ET รายเดือนมีระยะเวลา 12 เดือน ขนาดอินพุตที่เหมาะสมที่สุดของ LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM และ VMD-WOA-LSTM จะเท่ากับโดยประมาณกับช่วงเวลาของเวลา ET ซีรีส์ (ตารางที่ 3) แนะนำว่า LSTM สามารถใช้ประโยชน์จากรูปแบบข้อมูลในอดีตได้อย่างเต็มที่ และเอาชนะข้อเสียของโมเดล ML แบบตื้นได้อย่างมีประสิทธิภาพ โดยรวมแล้ว โมเดลไฮบริด DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM และ VMD-WOA-LSTM มีประสิทธิภาพในการประมาณค่าได้ดีกว่ารุ่นอื่นๆ ที่เสนอ

ตารางที่ 4 แสดงตัววัดการประเมินผลของแต่ละโมเดลในขั้นตอนการฝึกอบรมและการทดสอบ โดยที่ค่าเฉลี่ยตัววัดการประเมินผลของโมเดล ML ที่ปรับให้เหมาะสมโดยอัลกอริธึมเมตาฮิวริสติกจะถูกทำเครื่องหมายด้วยตัวหนา ดังที่แสดงในตารางที่ 4 ประสิทธิภาพของโมเดลของโมเดล DWT-LSTM, DWT-SVM, VMD-LSTM และ VMD-SVM นั้นดีกว่าประสิทธิภาพของ LSTM และ SVM ในขั้นตอนการทดสอบ (ตารางที่ 4) ซึ่งบ่งชี้ว่าการประมวลผลข้อมูลล่วงหน้าเป็น ช่วยเพิ่มประสิทธิภาพการประมาณค่าของโมเดล ML ดังที่แสดงในตารางที่ 4 ตัวชี้วัดการประเมินซึ่งรวมถึง MAE, MAPE, NMSE และ RMSE ของ WOA-LSTM และ GWO-SVM ล้วนมีขนาดเล็กกว่าของ LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM และ VMD-SVM และ NSCE เพิ่มขึ้นเป็นระดับที่แตกต่างกัน ซึ่งบ่งชี้ว่าประสิทธิภาพการประมาณค่าของ LSTM และ SVM ได้รับการปรับปรุงอย่างมีนัยสำคัญ เมื่อไฮเปอร์พารามิเตอร์ของ LSTM และ SVM ได้รับการปรับให้เหมาะสมโดยใช้อัลกอริธึมเมตาฮิวริสติก

ตัวชี้วัดการประเมินของ SVM ที่รวมเข้ากับ GWO นั้นเล็กกว่าของ LSTM ควบคู่ไปกับเทคนิคการประมวลผลข้อมูลล่วงหน้า Te MAPE ของไฮบริด VMD-GWO-SVM มีขนาดเล็กกว่าโมเดลที่ใช้ SVM อื่นๆ และโมเดล LSTM, DWT-LSTM, VMD-LSTM (ตารางที่ 4) แนะนำว่าโมเดล ML แบบตื้นจะรวมเข้ากับเทคนิคการประมวลผลข้อมูลล่วงหน้าและอัลกอริธึมเมตาฮิวริสติก สามารถนำไปใช้ในการประมาณค่า ET ได้ ในขณะที่ประสิทธิภาพของโมเดลของโมเดล ML แบบตื้นยังคงต้องได้รับการปรับปรุง ดังที่แสดงในตารางที่ 4 โมเดลการเรียนรู้เชิงลึกมีประสิทธิภาพเหนือกว่าโมเดล ML แบบตื้นอย่างมีนัยสำคัญ และประสิทธิภาพของโมเดลของไฮบริด WOA-LSTM, DWT-WOA-LSTM และ VMD-WOA-LSTM นั้นดีกว่าโมเดลไฮบริดที่ใช้ SVM เมื่อเปรียบเทียบกับ VMD-GWO-SVM MAPE ของ DWT-WOA-LSTM ลดลงจาก 23.22% เป็น 18.90% และ NSCE ได้รับการปรับปรุงจาก 0.8754 เป็น 0.8578; MAPE ของ VMD-WOA-LSTM ลดลงจาก 23.22% เป็น 18.72% และ NSCE ได้รับการปรับปรุงจาก 0.8754 เป็น 0.8917 ผลลัพธ์เหล่านี้บ่งชี้ว่าโมเดลไฮบริด DWT-WOA-LSTM และ VMD-WOA-LSTM มีความสามารถที่ยอดเยี่ยมในการประมาณค่า ET รายเดือนมากกว่าวิธีการอื่นๆ ที่เสนอ MAPE ของโมเดล VMD-WOA-LSTM แบบไฮบริดนั้นมีขนาดเล็กที่สุดในบรรดาโมเดลที่เสนอ ซึ่งบ่งชี้ว่า VMD-WOA-LSTM เป็นแบบจำลองที่แม่นยำที่สุดในการประเมิน ET รายเดือนจากแบบจำลองที่นำเสนอ ดังนั้นจึงแนะนำให้ใช้ VMD-WOA-LSTM เป็นวิธีเสริมที่จำเป็นในการประมาณค่า ET ในพื้นที่ทะเลทราย

การอภิปราย

ดังที่ได้กล่าวไว้ มีการเสนอแบบจำลองไฮบริดที่ใช้แบบจำลอง ML เทคนิคการประมวลผลข้อมูลล่วงหน้า และอัลกอริทึมเมตาฮิวริสติกเพื่อประเมิน ET ในพื้นที่การศึกษา โดยทั่วไป การสร้างโมเดล ML แบบไฮบริดนั้นเป็นขั้นตอนที่ซับซ้อนและใช้เวลานาน6,14–18 อย่างไรก็ตาม โมเดล ML แบบไฮบริดมีความแม่นยำสูงกว่าวิธีการทางกายภาพ ดังนั้น การใช้แบบจำลอง ML แบบไฮบริดเพื่อประมาณค่า ET อย่างแม่นยำจึงเป็นประเด็นหลักในด้านอุทกวิทยาและนิเวศวิทยา

โดยทั่วไปแล้ว โมเดลการเรียนรู้เชิงลึกมีประสิทธิภาพเหนือกว่าโมเดล ML แบบตื้น3 อย่างไรก็ตาม การใช้แบบจำลอง ML เพื่อประมาณค่า ET เท่านั้นอาจทำให้เกิดข้อผิดพลาดขนาดใหญ่เมื่อไม่ได้ดำเนินการประมวลผลข้อมูลล่วงหน้า7,14–16 ดังแสดงในรูป ลำดับเวลา ET ที่ 4 และ 5 ที่รวบรวมได้แสดงความผิดปกติและไม่คงที่ เนื่องจาก ET ถูกกำหนดโดยปัจจัยทางอุตุนิยมวิทยาและเกี่ยวข้องอย่างใกล้ชิดกับความชื้นในดิน ลักษณะทางธรณีวิทยา และลักษณะพืชพรรณในพื้นที่ทะเลทราย ดังนั้น จึงควรใช้เทคนิคการประมวลผลข้อมูลล่วงหน้าเพื่อเข้าถึงคุณลักษณะการเปลี่ยนแปลงหลักจากอนุกรมเวลา ET ที่รวบรวมไว้ เพื่อให้ได้ผลลัพธ์การประมาณค่าที่น่าเชื่อถือ วิธีการประมวลผลข้อมูลล่วงหน้า เช่น DWT และ VMD สามารถนำไปใช้เพื่อกำจัดสัญญาณรบกวนจากอนุกรมเวลาที่ไม่เป็นเชิงเส้นและไม่คงที่ ในขณะที่ DWT มีความอ่อนไหวต่อการเลือกเกณฑ์ VMD เป็นวิธีการประมวลผลข้อมูลล่วงหน้าที่มีประสิทธิภาพและมีประสิทธิภาพมากกว่าโหมดเชิงประจักษ์ การสลายตัว (EMD) และ EEMD ซึ่งสามารถใช้เพื่อกำจัดสัญญาณรบกวนจากอนุกรมเวลาโดยการแยกสัญญาณแบบไม่เชิงเส้นและไม่คงที่ออกเป็นฟังก์ชันโหมดภายในที่จำกัดแบนด์ (IMF) 7,24 ดังนั้นประสิทธิภาพการลดสัญญาณรบกวนของ DWT จึงแย่กว่า VMD (ตารางที่ 2)

การทบทวนวรรณกรรมแสดงให้เห็นว่าแบบจำลอง ML ที่รวมเข้ากับเทคนิคการเตรียมข้อมูลล่วงหน้าเป็นกลยุทธ์ที่มีประสิทธิผลในการได้รับผลลัพธ์การประมาณค่าที่น่าเชื่อถือมากขึ้น ผลลัพธ์ในการวิจัยของเรายังยืนยันข้อสรุปนี้ด้วย ดังที่แสดงในตารางที่ 3 และ 4 ค่าเฉลี่ยเมทริกการประเมินผลของโมเดล ML ที่รวมเข้ากับ DWTor VMD นั้นน้อยกว่าของโมเดล SVM และ LSTM เดี่ยวทั้งหมด ดังนั้นการแยกคุณสมบัติที่เป็นประโยชน์โดยใช้เทคนิคการประมวลผลข้อมูลล่วงหน้าจึงเป็นสิ่งจำเป็นสำหรับผลลัพธ์การประมาณค่าที่น่าเชื่อถือยิ่งขึ้น (ไฟล์เสริม 1)

ประสิทธิภาพการประมาณค่าของโมเดล ML ยังได้รับการปรับปรุงอย่างมีนัยสำคัญด้วยการเชื่อมโยงโมเดล ML เข้ากับอัลกอริทึมเมตาฮิวริสติก ในระดับหนึ่ง การได้รับไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดของโมเดล anML เป็นสิ่งสำคัญมากกว่าการเลือกเทคนิคการประมวลผลข้อมูลล่วงหน้าที่เหมาะสม ดังที่แสดงในตารางที่ 3 และ 4 การประมาณประสิทธิภาพการทำงานของโมเดล ML ที่ผสมกับเทคนิคการประมวลผลข้อมูลล่วงหน้าได้รับการปรับปรุงอย่างมีนัยสำคัญเมื่อไฮเปอร์พารามิเตอร์ของ LSTM และ SVM ได้รับการปรับปรุงให้เหมาะสม เมื่อเปรียบเทียบกับ DWT-SVM, VMD-SVM, DWT-LSTM และ VMD-LSTM ตัวชี้วัดการประเมินเชิงบวกของ DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM และ VMD-WOA -LSTM ลดลง และตัวชี้วัดเชิงลบเพิ่มขึ้นเป็นองศาที่แตกต่างกัน ดังนั้นการเลือกไฮเปอร์พารามิเตอร์สำหรับโมเดล ML จึงมีความสำคัญอย่างยิ่งในการปรับปรุงประสิทธิภาพการประมาณค่า

นอกจากนี้ ตามที่สรุปไว้ วัตถุประสงค์หลักของการศึกษานี้คือเพื่อเสนอแบบจำลองไฮบริดแบบใหม่เพื่อประมาณการ ET โดยการบูรณาการ LSTM เข้ากับ WOA และเทคนิคการประมวลผลล่วงหน้าข้อมูล รวมถึง DWT และ VMD ประสิทธิภาพของ VMD-WOA-LSTM ถูกนำมาเปรียบเทียบกับรุ่นไฮบริดอื่นๆ ในแง่ของตัวชี้วัดประสิทธิภาพมาตรฐาน การเปรียบเทียบประสิทธิภาพของแบบจำลองที่นำเสนอแสดงให้เห็นว่าแบบจำลอง VMDWOA-LSTM แบบไฮบริดทำงานได้ดีกว่าแบบจำลองที่ใช้ ML อื่นๆ ในการประมาณค่า ET รายเดือนในพื้นที่ขอบตะวันออกเฉียงใต้ของทะเลทราย Tengger

ข้อสรุป

ในการศึกษานี้ แบบจำลองไฮบริดที่ใช้ VMD, WOA และ LSTM ได้รับการเสนอเพื่อประเมิน ET โดยใช้วิธีการวิเคราะห์อนุกรมเวลา โดยที่ VMD ถูกใช้เพื่อแยกคุณลักษณะที่แท้จริงของอนุกรมเวลา ET และใช้ WOA เพื่อปรับไฮเปอร์พารามิเตอร์ของ LSTM ให้เหมาะสม . ประสิทธิภาพของโมเดลถูกนำมาเปรียบเทียบกับ realET และการประมาณค่าของโมเดลไฮบริดอื่นๆ ในแง่ของ MAE, MAPE, NMSE, RMSE และ NSCE ผลลัพธ์บ่งชี้ว่า VMD-WOA-LSTM มีผลลัพธ์การประมาณค่าที่แม่นยำมากกว่าแบบจำลองที่ใช้ ML อื่นๆ ซึ่งสามารถแนะนำให้ใช้เป็นวิธีการเสริมที่จำเป็นในการประมาณค่า ET ในพื้นที่ทะเลทราย

ความพร้อมใช้งานของข้อมูล

ข้อมูลทั้งหมดที่วิเคราะห์หรือสร้างขึ้นในระหว่างการศึกษานี้จะรวมอยู่ในข้อมูลเสริมและหาได้จากผู้เขียนที่เกี่ยวข้องเมื่อมีการร้องขอที่สมเหตุสมผล

อ้างอิง

1. Keshtegar, B., Piri, J. & Kisi, O. การสร้างแบบจำลองทางคณิตศาสตร์แบบไม่เชิงเส้นของการระเหยของกระทะรายวันโดยอิงตามวิธีการไล่ระดับคอนจูเกต คอมพิวเตอร์ อิเล็กตรอน. เกษตร. 127, 120–130 (2016)

2. Hashemi, M. & Sepaskhah, AR การประเมินโครงข่ายประสาทเทียมและสมการ Penman-Monteith สำหรับการทำนายการคายระเหยของสารมาตรฐานข้าวบาร์เลย์ในพื้นที่กึ่งแห้งแล้ง เต้อร์. ใบสมัคร ไคลมาทอล. 139, 275–285 (2020)

3. Majhi, B. และคณะ ปรับปรุงการคาดการณ์การระเหยของกระทะในแต่ละวันโดยใช้แบบจำลอง Deep-LSTM คอมพิวเตอร์ประสาท ใบสมัคร 32, 7823 (2019)

4. เหวิน เอ็กซ์ และคณะ แบบจำลองที่ใช้เครื่องจักรเวกเตอร์สนับสนุนสำหรับการสร้างแบบจำลองการคายระเหยอ้างอิงรายวันด้วยข้อมูลภูมิอากาศที่จำกัดในพื้นที่แห้งแล้งจัด แหล่งน้ำ จัดการ. 29, 3195–3209 (2015)

5. หลี่ XR และคณะ ระบบนิเวศอุทกวิทยาพื้นฐานของการฟื้นฟูและการฟื้นฟูระบบนิเวศในภูมิภาคทะเลทรายของจีน (Science Press, 2016)

6. วู แอลเอฟ และคณะ เครื่องการเรียนรู้แบบเอ็กซ์ตรีมแบบไฮบริดพร้อมอัลกอริธึมเมตาฮิวริสติกสำหรับการทำนายการระเหยของกระทะทุกเดือน คอมพิวเตอร์.อิเล็กตรอน. เกษตร 168, 105–115 (2020)

7. Fu, TL และคณะ วิธีการบูรณาการแบบใหม่ที่ใช้โมเดลการเรียนรู้ของเครื่องเพื่อประเมินการคายระเหยในพื้นที่แห้ง เจ.ไฮโดรล. 603, 126881 (2021)

8. Zhang, DH, Li, XR & Zhang, F. ผลกระทบของความเข้มของฝนและการเป็นระยะต่อพืชพรรณไม้และความชื้นในดินลึกในระบบนิเวศของพื้นที่แห้งแล้ง เจ. ไฮโดรล. 543, 270–282 (2016)

9. หลี่ XR และคณะ เกณฑ์ทางอุทกวิทยาเชิงนิเวศสำหรับการประเมินเสถียรภาพของพืชที่เกาะตัวกับทรายในเขตภูมิอากาศต่างๆ Ind. 83, 404–415 (2017)

For more information:1950477648nn@gmail.com