May 18, 2023
Вейвлет-мультиформер для прогнозирования временных рядов подземных вод
Scientific Reports, том 13, номер статьи: 12726 (2023) Цитировать эту статью 1 Подробности об альтернативных метриках Разработка точных моделей контроля подземных вод имеет первостепенное значение для планирования и управления.
Научные отчеты, том 13, Номер статьи: 12726 (2023) Цитировать эту статью
1 Альтметрика
Подробности о метриках
Разработка точных моделей контроля подземных вод имеет первостепенное значение для планирования и управления жизнеобеспечивающими ресурсами (водой) из водоносных горизонтов. Значительный прогресс был достигнут в разработке и использовании моделей глубокого прогнозирования для решения проблемы многомерного прогнозирования временных рядов. Однако большинство моделей изначально обучались только для оптимизации обработки естественного языка и задач компьютерного зрения. Мы предлагаем мультиформер Wavelet Gated, который сочетает в себе силу обычного преобразователя с кроссформером вейвлетов, который использует внутренние блоки взаимной корреляции вейвлетов. Механизм самообслуживания (Трансформер) вычисляет взаимосвязь между точками внутреннего временного ряда, а взаимная корреляция находит закономерности периодичности тенденций. Многоголовый кодер проходит через смесительный вентиль (линейную комбинацию) субкодеров (трансформатор и вейвлет-кроссформер), которые выводят сигнатуры трендов в декодер. Этот процесс улучшил прогностические возможности модели, сократив среднюю абсолютную ошибку на 31,26 % по сравнению со вторыми по эффективности моделями, подобными трансформаторам. Мы также использовали тепловые карты мультифрактальной кросс-корреляции с устранением тренда (MF-DCCHM) для извлечения циклических трендов от пар станций в мультифрактальных режимах путем шумоподавления пары сигналов с помощью вейвлетов Добеши. Наш набор данных был получен из сети из восьми скважин для мониторинга подземных вод в бразильских водоносных горизонтах, шести дождевых станций, одиннадцати станций речного стока и трех метеостанций с датчиками атмосферного давления, температуры и влажности.
Ресурсы подземных вод1 являются одними из наиболее важных ресурсов жизнеобеспечения2 сообществ во всем мире. Водохранилища играют решающую роль в орошаемом земледелии3, водоснабжении4,5 и промышленном развитии6. Измерения уровня подземных вод жизненно важны для систем управления водными ресурсами7,8, поскольку они указывают на наличие, доступность и возможные сбои9,10. Таким образом, точный прогноз уровня грунтовых вод также может предоставить политикам информацию для планирования стратегий и управления водными ресурсами, которые обеспечивают устойчивое развитие в различных регионах11,12. Эти системы обычно интегрируются на определенных участках через скважины, соединенные с основным резервуаром. Однако из-за сложности и нелинейности природы, таких как погодные колебания, пополнение подземных вод и скорость стока рек, различная топография, деятельность человека, такая как эксплуатация водохранилищ, а также изменения атмосферного давления, осадков, температуры и различных гидрогеологических условий и их взаимодействие может существенно повлиять на прогнозы уровней грунтовых вод13,14.
Было предложено множество подходов к моделированию, моделированию и прогнозированию уровней грунтовых вод с использованием концептуальных моделей15, подходов конечных разностей16 и методов конечных элементов17,18. Хотя классические модели могут быть надежными для прогнозов, необходимы большие объемы данных. Кроме того, водоносные горизонты имеют разные свойства, такие как различные граничные условия, лежащие в основе геологических структур, скорость диффузии пористой среды и топография, влияющая на резервуары. Физические модели могут отслеживать кондиционирование воды для прогнозирования пространственно-временного распределения19,20. Однако сложность и вычислительные затраты исключительно высоки, поскольку решение уравнений в частных производных может занять несколько дней. Поэтому разработка моделей машинного обучения для моделирования уровней грунтовых вод, которые отражают нелинейную динамику водоемов путем выявления внутренних закономерностей в данных временных рядов без учета лежащих в их основе физических процессов, имеет первостепенное значение для систем управления водными ресурсами21,22,23,24. Нейронные сети, основанные на физике, также использовались для моделирования физических процессов, управляющих водоносными горизонтами25,26,27. Кроме того, были достигнуты успехи в методах глубокого обучения для прогнозирования грунтовых вод28,29, генетических алгоритмах30,31, машине опорных векторов (SVM)32,33,34, сверточной (CNN) и временной сверточной сети35,36, рекуррентной нейронной сети. , вентилируемая рекуррентная единица (GRU) и длинная краткосрочная память (LSTM)37,38,39, а также графические нейронные сети на основе Wavenets40,41 для включения пространственно-временных закономерностей для прогнозирования подземных вод.