• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Natureza
    Modelos de aprendizado de máquina melhoram a previsão da profundidade das águas subterrâneas na área de Ningxia, na China
    A estrutura de todo o modelo e a melhoria dos resultados. Crédito:Academia Chinesa de Ciências

    Na área de Ningxia, localizada nas regiões áridas e semiáridas da China, as águas subterrâneas são uma das fontes mais importantes de água potável. No entanto, tem havido pouca investigação sobre a aplicação de modelos de aprendizagem automática na previsão de águas subterrâneas nesta área.



    O professor Sun Bo (Universidade de Ciência e Tecnologia da Informação de Nanjing) e colegas realizaram pesquisas sobre previsão de águas subterrâneas em Ningxia e descobriram que dois modelos híbridos de aprendizado de máquina - a saber, Rede Neural de Convolução de Atenção Multi-cabeças - Memória de Longo e Curto Prazo (MH -CNN-LSTM) e a Unidade Recorrente de Rede Neural de Convolução de Atenção Multi-cabeças (MH-CNN-GRU) - têm grande potencial na previsão da profundidade das águas subterrâneas na área de Ningxia. As descobertas foram publicadas recentemente na revista Atmospheric and Oceanic Science Letters. .

    Neste estudo, são selecionados os fatores relacionados às águas subterrâneas, como a precipitação, e dois modelos híbridos de aprendizagem profunda, que são CNN-LSTM e CNN-GRU, são combinados com atenção multi-head. Em seguida, são comparados com o modelo de regressão linear múltipla, que é um modelo estatístico tradicional.

    Além disso, o algoritmo de otimização do escaravelho (DBO) é usado para aumentar ainda mais a capacidade de previsão dos modelos híbridos de aprendizagem profunda, otimizando parâmetros. O mapa de tenda, a distribuição T adaptativa e a estratégia de busca em espiral são usados ​​para melhorar o DBO, e os resultados de previsão dos modelos com o DBO melhorado e o DBO original são comparados.

    Seu desempenho preditivo é melhor que o modelo tradicional de regressão linear múltipla. Além disso, o algoritmo DBO pode aumentar ainda mais a precisão da previsão do modelo. Comparados com o DBO original, os modelos com o DBO aprimorado apresentam melhor desempenho.

    A precipitação na área de Ningxia concentra-se principalmente no verão e, portanto, as águas subterrâneas nesta região aumentam significativamente no verão em comparação com as outras três estações. No futuro, a equipa de investigação concentrar-se-á nas águas subterrâneas de verão na área de Ningxia e estudará os mecanismos físicos relacionados. Então, será examinado mais detalhadamente se a adição de fatores relacionados a esses mecanismos físicos pode melhorar significativamente os resultados da previsão.

    Mais informações: Jiarui Cai et al, Aplicação do otimizador aprimorado de escaravelhos, atenção múltipla e algoritmos híbridos de aprendizagem profunda para previsão de profundidade de águas subterrâneas na área de Ningxia, China, Atmospheric and Oceanic Science Letters (2024). DOI:10.1016/j.aosl.2024.100497
    Fornecido pela Academia Chinesa de Ciências



    © Ciência https://pt.scienceaq.com