Вейвлет-мультиформер для прогнозирования временных рядов подземных вод | Компания Hubei Hall Sensor Group Co., Ltd.

Научные отчеты, том 13, Номер статьи: 12726 (2023) Цитировать эту статью

503 доступа

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.

0\) and \(\nu > 25\), which represents approximately 6 months by taking \(P_{cp}\) as a starting point \(\approx\)(2016.7;25), where \(P_{cp}\) denotes the values with positive cross-correlation coefficients. Additionally, we have identified a cyclical pattern for \(\sigma < 0\) and \(\nu > 30\), representing approximately 8 months, where the reference value is \(P_{cn} \approx\)(2017.1;30) for the negative cross-correlation coefficients. On top of the heatmap, the averaged detrended cross-correlation coefficients (vertically) show an exact cyclical pattern due to the oscillations for the entire period. Therefore, the groundwater level in these two wells (W1 and W8) follows a similar trend of fluctuations for the period with positive coefficients. In contrast, its fluctuations have an inverse relationship for negative coefficients. Furthermore, we have found residual cross-correlation coefficients exhibiting weak correlations, hovering around \(\sigma \approx 0\)./p> 2016.7; \(\nu\)), where t is the temporal variable. After conducting a detailed analysis of the conditions regarding all the wells, the anomaly in well W6 suggests a massive influx of water due to regular groundwater pumping from a nearby well (around 800 m distant, according to observations in the field)./p> 0.8\) for the entire length of the series \(10 \le \nu \le 60\), showing a substantial proportionality across all regimes. We have also found the same behavior when comparing temperature at T1, humidity at H1, and rain at R1 with humidity at H1. These high cross-correlated cyclical patterns indicate a signature that the air can saturate under high relative humidity. At a particular temperature, the air is unable to hold water content leading to the formation of clouds and precipitation. The temperature where the air gets saturated (unable to hold moisture) is also known as the dew point. However, we have noticed a weakening of the detrended cross-correlation coefficients affecting the direct proportionality when considering different locations, which can be characterized as a regional effect. Figure 2f shows the MF-DCCHM for temperature and humidity at stations T1 and H1. The average period for direct and inverse proportionality events is approximately 6 months, with attenuation for different distances./p> 0\), the maps can show bands composed of the absence of rain with patterns of \(0.5\, cycle/year\) considering \(\sigma \approx 0\) and \(10 \le \nu \le 60\). Figure 3b represents the MF-DCCHM for the pair well W1 and river RI10. This result shows an intrinsic relationship in the cross-correlation between the river and well levels. The closer the well is to the river, the greater the cross-correction between them since interconnection through regional channels can provide different delays of influx and outflux of water, raising groundwater levels at different rates. However, factors such as rainfall intensity in the region considerably impact the affinity between the measurement levels from wells and river stations./p> 1.0\) for well W8 in the second regime represented by region II. For the \(DFA_1\), we have found river RI35 in region I and river RI70 in both regions I and II. We have also obtained a multifractal exponent of \(\alpha > 1.0\). The occurrence of \(\alpha > 1.0\)69 can also be associated with levels of high-frequency noise in the linear trend. Therefore, we have employed the Daubechies 4 low-pass filter and managed to amplify critical cyclical signatures, denoise the fluctuations, and, in the case of well W8, reduce the multifractal exponents for less than one. That is a highly significant result since we have shown that the MF-DCCHM is very sensitive to high-frequency noise, and denoising with specific thresholds can assist in uncovering low-frequency trends./p>