对深层信念网络和基于元启发式优化算法的混合适应性神经模糊推理系统模型进行比较评估,以准确预测潜在的蒸发转化

科学领域:

• 水文和水资源水文与水资源
• 环境科学中的人工智能
• 气候变化建模模型

背景情况:

• 准确的潜在蒸发透气 (PET) 预测对于水资源管理,农业规划和气候变化研究至关重要.
• 机器学习模型为提高PET预测准确性提供了有希望的方法.
• 评估和比较不同的机器学习技术对于选择最佳预测工具至关重要.

研究的目的:

• 评估基于自适应网络的模糊推理系统 (ANFIS) 和深度信念网络 (DBN) 对PET预测的性能.
• 为了研究混合ANFIS与蛇优化器 (ANFIS-SO) 算法的有效性,以提高PET预测.
• 使用全面的统计指标,比较ANFIS,ANFIS-SO和DBN模型的预测能力.

主要方法:

• 开发和应用ANFIS,DBN和ANFIS-SO模型用于PET预测,使用1983-2020年的数据.
• 使用统计指标进行绩效评估:R2,NSE,WI,STD和RMSE.
• 通过视觉工具支持的比较分析,如泰勒图和小提琴/盒子图.

主要成果:

• DBN模型表现出了卓越的性能,在9个站点实现了0.99的R2和$值和0.99的NSE/WI分数.$
• 在ANFIS-SO模型显示显著改善比标准ANFIS,与R2和值从0.94到0.99.
• 标准ANFIS表现较弱 (R2和$$从0.52到0.88),而DBN始终提供低变量,准确的预测.

结论:

• 深度信念网络 (DBN) 模型对于准确的PET预测非常有效.
• 将ANFIS与像Snake Optimizer (ANFIS-SO) 这样的优化算法混合,大大提高了其预测能力.
• 选择的模型 (DBN,ANFIS-SO或ANFIS) 应与水资源管理和气候研究的特定应用要求保持一致.