Алгоритмы машинного обучения повышают точность прогноза уровня грунтовых вод в Нинся

Ученые из Нанкинского университета науки и технологии о информации (Nanjing University of Information Science and Technology) обнаружили, что гибридные модели машинного обучения демонстрируют высокий потенциал для прогнозирования уровня грунтовых вод в засушливом районе Нинся в Китае. Исследование, проведенное профессором Сунь Бо и его коллегами, показало, что модели Multi-head Attention–Convolution Neural Network–Long Short Term Memory (MH-CNN-LSTM) и Multi-head Attention–Convolution Neural Network–Gated Recurrent Unit (MH-CNN-GRU) значительно превосходят по точности традиционные статистические методы. Результаты опубликованы в журнале Atmospheric and Oceanic Science Letters.

Это открытие имеет большое значение для управления водными ресурсами в аридных и семиаридных регионах, где грунтовые воды являются критически важным источником питьевой воды. Улучшение прогнозов позволяет более эффективно планировать водопользование и предотвращать истощение запасов. В исследовании использовались такие факторы, как осадки, а для оптимизации параметров гибридных моделей применялся алгоритм dung beetle optimization (DBO), дополнительно улучшенный с помощью карты Тента, адаптивного Т-распределения и спиральной стратегии поиска.

Прогностическая производительность улучшенных моделей оказалась выше, чем у традиционной модели множественной линейной регрессии, а использование усовершенствованного алгоритма DBO дополнительно повысило точность прогнозов. Ученые отмечают, что осадки в Нинся в основном приходятся на лето, что приводит к значительному сезонному повышению уровня грунтовых вод. В будущем команда планирует сосредоточиться на изучении летнего режима грунтовых вод и связанных с ним физических механизмов, чтобы проверить, может ли их учет еще больше улучшить результаты прогнозирования.