评估126种预处理方法对各种人工智能模型准确度和正常模式预测地下水位的影响 (案例研究:伊朗哈梅丹巴哈尔平原)

科学领域:

• 水文和水资源工程 水文和水资源工程
• 环境科学中的人工智能

背景情况:

• 准确估计地下水位 (GWLs) 对于可持续的水资源管理至关重要.
• 伊朗西部的哈梅丹-巴哈尔平原在水资源管理方面面临挑战,需要改进GWL预测.

研究的目的:

• 为了比较各种数据预处理技术对人工智能 (AI) 模型预测地下水位 (GWL) 的有效性.
• 评估机器学习 (ML),深度学习 (DL) 和混合ML模型在GWL估计中的预测准确性.

主要方法:

• 126种数据预处理方法 (统计,波形变换,分解) 应用于输入变量:观察到GWL,蒸发,降水和温度.
• 他们使用了四种人工智能模型:支持向量机 (SVR),人工神经网络 (ANN),长期短期记忆 (LSTM) 和客优化算法-ANN (POA-ANN).
• 使用Akaike信息标准 (AIC) 来评估和验证1778个训练模型的预测准确性.

主要成果:

• 在应用预处理方法后,ML,DL和混合ML类的平均AIC值分别下降了-25.3%,-29.6%和-57.8%.
• 并非所有预处理方法都能提高预测的准确性;通过试验和错误进行仔细选择是必不可少的.
• 波形-ANN模型 (db13_ANN_25) 实现了最好的GWL预测,AIC为-204.9,超过非预处理的ANN模型5.23%.

结论:

• 数据预处理对人工智能模型用于地下水位预测的准确性产生重大影响.
• 混合ML模型,特别是波形-ANN组合,在GWL预测中表现出卓越的性能.
• 这些发现强调了明智的预处理方法选择对于有效的水资源管理的重要性.