Υβριδική Η μακροπρόθεσμη μνήμη με αλγόριθμο βελτιστοποίησης φαλαινών και αποσύνθεση μεταβλητής λειτουργίας για μηνιαία εκτίμηση εξατμισοδιαπνοής

Η βιωσιμότητα της τεχνητής βλάστησης που δεσμεύει την άμμο καθορίζεται από το ισοζύγιο νερού μεταξύ της εξατμισοδιαπνοής (ET) και της βροχόπτωσης σε περιοχές της ερήμου. Κατά συνέπεια, η ακριβής εκτίμηση του ΕΤ αποτελεί κρίσιμη προϋπόθεση για τον προσδιορισμό των τύπων και της χωρικής κατανομής της τεχνητής βλάστησης αδιάφορων αμμωδών περιοχών. Για το σκοπό αυτό, προτάθηκε ένα νέο υβριδικό μοντέλο εκτίμησης για την εκτίμηση του μηνιαίου ET με τη σύζευξη της βαθιάς μάθησης μακροπρόθεσμης μνήμης (LSTM) με την αποσύνθεση μεταβλητού τρόπου λειτουργίας (VMD) και τον αλγόριθμο βελτιστοποίησης φαλαινών (WOA) (δηλ. VMD-WOA-LSTM) σε υπολογίστε το μηνιαίο ET στα νοτιοανατολικά περιθώρια της ερήμου Tengger.

Τα τελευταία χρόνια, πολλές αναφορές για εξωγήινους και UFO όχι μόνο προκάλεσαν την περιέργεια και τον ενθουσιασμό των ανθρώπων, αλλά και τον θαυμασμό και την επιθυμία των ανθρώπων να εξερευνήσουν την εξωγήινη ζωή.

Ένα από τα θέματα που έχει τραβήξει μεγάλη προσοχή είναι το επίπεδο νοημοσύνης των εξωγήινων. Πολλοί άνθρωποι πιστεύουν ότι οι εξωγήινοι έχουν νοημοσύνη που ξεπερνά κατά πολύ αυτή των ανθρώπων και αυτή η ιδέα έχει κυκλοφορήσει ευρέως σε μυθιστορήματα και ταινίες επιστημονικής φαντασίας. Είναι όμως οι εξωγήινοι πιο έξυπνοι από τους ανθρώπους; Αν ναι, θα είχαν πιο δυνατές αναμνήσεις;

Πρώτον, πρέπει να παραδεχτούμε ότι η αντίληψή μας για την εξωγήινη νοημοσύνη είναι ακόμα πολύ επιφανειακή. Δεν μπορούμε να είμαστε σίγουροι αν οι εξωγήινοι μοιάζουν με εμάς στη νοημοσύνη, πόσο μάλλον αν είναι καλύτεροι από εμάς. Ωστόσο, μπορούμε απλά να σκεφτούμε και να εκτιμήσουμε τη σχέση μεταξύ μνήμης και νοημοσύνης από την ανθρώπινη προοπτική.

Από ανθρώπινη προοπτική, γνωρίζουμε ότι υπάρχει συσχέτιση μεταξύ νοημοσύνης και μνήμης. Τα άτομα με υψηλότερα επίπεδα νοημοσύνης έχουν γενικά καλύτερη μνήμη. Αυτό συμβαίνει επειδή τα άτομα με υψηλά επίπεδα νοημοσύνης δίνουν μεγαλύτερη προσοχή στη σκέψη και τη λογική συλλογιστική και είναι πιο πιθανό να ενσωματώσουν και να συσχετίσουν πληροφορίες μέσω διαφορετικών μεθόδων συσχέτισης. Αυτός ο τρόπος σκέψης βοηθά στη βελτίωση της μνήμης. Επομένως, υπάρχει συσχέτιση μεταξύ του επιπέδου νοημοσύνης της απόδοσης του εγκεφάλου και της μνήμης.

Ωστόσο, δεν πρέπει να εφαρμόσουμε απλώς αυτόν τον συσχετισμό σε εξωγήινους. Επειδή δεν μπορούμε να είμαστε σίγουροι αν η δομή της νοημοσύνης και η δομή του εγκεφάλου των εξωγήινων είναι παρόμοια με τους ανθρώπους. Οι εξωγήινοι μπορεί να έχουν διαφορετικές δομές νοημοσύνης και δομές μνήμης από τους ανθρώπους, επομένως η σχέση μεταξύ της νοημοσύνης και της μνήμης τους μπορεί να είναι πολύ διαφορετική.

Τέλος, θα πρέπει να είμαστε σίγουροι ότι η ανακάλυψη εξωγήινης ζωής θα έχει μεγάλο αντίκτυπο στην ανάπτυξη της ανθρώπινης επιστήμης και φιλοσοφίας. Η έρευνα για την εξωγήινη νοημοσύνη και τη μνήμη πρέπει επίσης να διεξάγεται σε επιστημονική βάση. Ελπίζουμε ότι με τη συνεχή ανάπτυξη της επιστήμης και της τεχνολογίας, οι άνθρωποι θα μπορέσουν να εξερευνήσουν περισσότερη εξωγήινη ζωή και να συνεχίσουν να προχωρούν στη διαδικασία επίλυσης των μυστηρίων τους και εξερεύνησης της αλήθειας του σύμπαντος. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη και το Cistanche deserticola μπορεί να βελτιώσει σημαντικά τη μνήμη, επειδή το Cistanche deserticola είναι ένα παραδοσιακό κινέζικο φαρμακευτικό υλικό που έχει πολλά μοναδικά αποτελέσματα, ένα από τα οποία είναι η βελτίωση της μνήμης. Η αποτελεσματικότητα του κιμά προέρχεται από τα διάφορα ενεργά συστατικά που περιέχει, όπως οξύ, πολυσακχαρίτες, φλαβονοειδή κ.λπ. Αυτά τα συστατικά μπορούν να προάγουν την υγεία του εγκεφάλου με διάφορους τρόπους.

Κάντε κλικ στο Μάθετε τρόπους για να βελτιώσετε τη λειτουργία του εγκεφάλου

Η υπεροχή του LSTM επιλέχθηκε λόγω της ικανότητάς του να εξάγει αυτόματα τα μη γραμμικά και μη στάσιμα χαρακτηριστικά από διαδοχικά δεδομένα, το WOA χρησιμοποιήθηκε για τη βελτιστοποίηση των υπερπαραμέτρων του LSTM και το VMD χρησιμοποιήθηκε για την εξαγωγή των εγγενών χαρακτηριστικών των χρονοσειρών ET. Τα εκτιμώμενα αποτελέσματα του VMD-WOA-LSTM συγκρίθηκαν με το πραγματικό ET και την εκτίμηση άλλων υβριδικών μοντέλων όσον αφορά τις τυπικές μετρήσεις απόδοσης. Τα αποτελέσματα αποκάλυψαν ότι το VMD-WOA-LSTM παρέχει πιο ακριβή και αξιόπιστα αποτελέσματα εκτίμησης από το LSTM, τη μηχανή διανύσματος υποστήριξης (SVM) και τις παραλλαγές αυτών των μοντέλων. Ως εκ τούτου, το VMD-WOALSTM θα μπορούσε να προταθεί ως μια βασική βοηθητική μέθοδος για την εκτίμηση του ET σε περιοχές της ερήμου.

Η εξατμισοδιαπνοή (ET) είναι μια εξαιρετικά μη γραμμική φυσική και βιολογική διαδικασία, η οποία συνδέει τις οικολογικές και υδρολογικές διεργασίες μέσω του υδατικού ισοζυγίου1,2. Αποτελεί το κεντρικό συστατικό του περιφερειακού ισοζυγίου νερού και ενέργειας και χρησιμεύει ως σημαντικός σύνδεσμος στο σύστημα εδάφους-φυτών-ατμόσφαιρας (SPA)3. Η ακριβής εκτίμηση του ET είναι κρίσιμη προϋπόθεση στην περιβαλλοντική διαχείριση4–6, ειδικά σε ερημικές περιοχές με μεγάλες εκτάσεις βλάστησης τεχνητής άμμου που δεσμεύει την άμμο, όπου η βιωσιμότητα της τεχνητής βλάστησης που δεσμεύει την άμμο καθορίζεται από την ισορροπία νερού μεταξύ ET και βροχοπτώσεων5,7. Επιπλέον, η κλιματική αλλαγή, ιδιαίτερα οι αλλαγές στα πρότυπα θέρμανσης και βροχοπτώσεων, θα έχουν αναπόφευκτα βαθύ αντίκτυπο στη βιωσιμότητα της τεχνητής βλάστησης7,8.

Διαφορετικά από τη φυσική βλάστηση, η τεχνητή βλάστηση που δεσμεύει την άμμο δημιουργείται με έναν ειδικό σκοπό και λειτουργία, η ακριβής εκτίμηση του ET μπορεί να παρέχει μια αναφορά για την κατανόηση της υδατικής ισορροπίας και τον προσδιορισμό της σύνθεσης, της δομής, της χωρικής κατανομής και της κλίμακας της τεχνητής βλάστησης που δεσμεύει την άμμο σε περιοχές της ερήμου9,10. Ωστόσο, η εφαρμογή μεθόδων που βασίζονται στη φυσική (π.χ. μέθοδος Priestley-Taylor, μέθοδος Hargreaves, η διορθωμένη μέθοδος FAO-24 Penman, μέθοδος FAO-56 Penman–Monteith, κ.λπ.) είναι σοβαρά περιορισμένη λόγω της έλλειψης απαιτούμενων μετεωρολογικών παραμέτρων (π.χ. η λανθάνουσα θερμότητα της εξάτμισης, η ηλιακή ακτινοβολία, η σχετική υγρασία, η θερμοκρασία του αέρα κ.λπ.) σε περιοχές της ερήμου4,6,2–12. Επομένως, η κατασκευή άλλων τύπων μοντέλων που βασίζονται σε δεδομένα για την απόκτηση ακριβών αποτελεσμάτων εκτίμησης είναι πολύ επιθυμητή.

Πρόσφατα, τα μοντέλα μηχανικής μάθησης (ML), συμπεριλαμβανομένων των νευρωνικών δικτύων αναδρομικής διάδοσης (BPNN)13, του πολυστρωματικού perceptron (MLP)2, των τεχνητών νευρωνικών δικτύων πολλαπλών επιπέδων (MLNN)6, της μηχανής υποστήριξης διανυσμάτων (SVM) 7,12, της μηχανής ακραίας μάθησης (ELM) 6, μοντέλο δέντρου (MT)14,15, τυχαίο δάσος (RF)6, νευρωνικά δίκτυα κυματιδίων (WNN)16, συνάρτηση ακτινικής βάσης (RBF)17, κ.λπ., έχουν χρησιμοποιηθεί δραματικά για την εκτίμηση της εξάτμισης ή του ET λόγω στην ικανότητά του να μαθαίνει αυτόματα χαρακτηριστικά και να μην απαιτεί υποθέσεις. Καθώς τα μοντέλα ML έχουν τα ελαττώματα που οι υπερπαράμετροι είναι δύσκολο να προσαρμοστούν από μόνες τους, γεγονός που μειώνει σημαντικά την υπολογιστική ακρίβεια. Για να ξεπεραστούν τα μειονεκτήματα των μοντέλων ML, μετα-ευρετικοί αλγόριθμοι όπως ο αλγόριθμος επικονίασης λουλουδιών (FPA)6, ο αλγόριθμος πυγολαμπίδας (FFA)11, ο αλγόριθμος έξυπνων σταγόνων νερού (IWD)12, ο αλγόριθμος βελτιστοποίησης φαλαινών (WOA)18, ο αλγόριθμος βελτιστοποίησης του γκρίζου λύκου GWO)19,20, κ.λπ., χρησιμοποιήθηκαν για τον προσδιορισμό των βέλτιστων υπερπαραμέτρων των μοντέλων ML. Μελέτες έχουν δείξει ότι τα μοντέλα ML σε συνδυασμό με μετα-ευρετικούς αλγόριθμους έχουν υψηλότερη υπολογιστική απόδοση από αυτή των μεμονωμένων μοντέλων ML και των μεθόδων που βασίζονται σε φυσική κατάσταση12,16,18,21,22.

Καθώς το ET επηρεάζεται στενά από τις μετεωρολογικές παραμέτρους, την υγρασία του εδάφους και τα χαρακτηριστικά της βλάστησης12, η ​​μετρούμενη χρονοσειρά ET παίρνει πολλά αιχμηρά και κυμαινόμενα σημεία, γεγονός που μειώνει σημαντικά την ακρίβεια εκτίμησης12. Για να ληφθούν πιο αξιόπιστα αποτελέσματα εκτίμησης, χρησιμοποιήθηκαν τεχνικές προεπεξεργασίας δεδομένων, συμπεριλαμβανομένου του Discrete wavelettransform (DWT)23, του ensemble empirical mode decomposition (EEMD)14,15 και του variational mode decomposition (VMD) 7,24, κ.λπ., για την αποσύνθεση Συχνότητα χρονοσειρών ET σε διάφορες συνιστώσες και αποκτήστε τις απαιτούμενες πληροφορίες σε πολλαπλά επίπεδα7,14,23,24. Η ανασκόπηση της βιβλιογραφίας δείχνει ότι οι τεχνικές προεπεξεργασίας δεδομένων που υβριδοποιούνται με μοντέλα ML μπορούν να βελτιώσουν σημαντικά την απόδοση του μοντέλου16,25. Από αυτή την άποψη, ο Gocićet al.22 συνέδεσε το SVM με τον αλγόριθμο DWT και πυγολαμπίδα (FFA) για να εκτιμήσει το ET αναφοράς στη Σερβία, όπου χρησιμοποιήθηκε το FFA για τον προσδιορισμό των υπερπαραμέτρων του SVM. Τα αποτελέσματα δείχνουν ότι το DWT-FFA-SVM είναι η καλύτερη μέθοδος εκτίμησης για την εκτίμηση ET αναφοράς. Οι Pammar και Deka[24] πρότειναν ένα υβριδικό DWT-SVM για την εκτίμηση της εξάτμισης του ημερήσιου πανιού στην Καρνατάκα της Ινδίας. Τα αποτελέσματα επιβεβαιώνουν επίσης ότι το SVM σε συνδυασμό με το DWT μπορεί να βελτιώσει την ακρίβεια της εκτίμησης. Οι Rezaie-Balf et al.15 ενσωμάτωσαν το EEMD με SVM και M5 model tree (M5T) ξεχωριστά για να εκτιμήσουν τα μηνιαία μοντέλα εξάτμισης λεκανών του σταθμού Siirt και του σταθμού Diyarbakir στα τουρκικά, και τα προτεινόμενα μοντέλα παρουσίασαν πολύ μεγαλύτερη ακρίβεια. Οι Fu et al.7 πρότειναν υβριδικά μοντέλα συνδυάζοντας τα DWT, EEMD και VMD με τα SVM και GWO-SVM χωριστά για την εκτίμηση του μηνιαίου ET. Τα αποτελέσματα έδειξαν ότι το VMD και το DWT εμφάνισαν καλύτερη απόδοση προεπεξεργασίας από αυτό του EEMD και η εκτίμηση της ακρίβειας του VMDGWO-SVM ήταν υψηλότερη από αυτή των DWT-GWO-SVM και EEMD-GWO-SVM.

Οι προηγούμενες εργασίες επικεντρώθηκαν κυρίως στη χρήση ρηχών μοντέλων ML για την εκτίμηση ET2,4,6,7,2–18,21–23. Είναι γνωστό ότι τα ρηχά μοντέλα ML έχουν μειονεκτήματα που δεν μπορούν να εξαγάγουν επαρκώς τα κρυφά μη γραμμικά και μη στατικά χαρακτηριστικά από τις χρονοσειρές ET25. Έτσι, η μακροπρόθεσμη βραχυπρόθεσμη μνήμη (LSTM)3,26, το βαθύ νευρωνικό δίκτυο (DNN)27, το νευρικό δίκτυο χρονικής συνέλιξης (TCN)27 και το επαναλαμβανόμενο νευρωνικό δίκτυο (RNN)28 έχουν χρησιμοποιηθεί για την εκτίμηση του ET ή της εξάτμισης με βάση περιορισμένες μετεωρολογικές δεδομένα. Για τους Majhi et al.3 χρησιμοποίησαν LSTM, MLNN, τύπο Hargreaves και Blaney-Criddle για να υπολογίσουν την ημερήσια εξάτμιση της πολιτείας Chhattisgarh στην Ινδία. Τα αποτελέσματα δείχνουν ότι το LSTM μπορεί να επιτύχει ακριβή εκτίμηση της εξατμισοδιαπνοής και έχει καλύτερη εκτίμηση από άλλα μοντέλα . Ο Chen et al.27 εκτίμησε το ημερήσιο ET αναφοράς στη βορειοανατολική πεδιάδα της Κίνας χρησιμοποιώντας LSTM, DNN, TCN, SVM, RF, μοντέλο Hargreaves, μέθοδο Ritchie, Priestley-Talor, τύπο Makkink, Romanenkomodel, και τύπο Schendel, αντίστοιχα. Τα αποτελέσματα δείχνουν ότι τα LSTM, TCN και DNN έχουν καλύτερη απόδοση εκτίμησης από αυτή των ρηχών μοντέλων ML και των εμπειρικών μοντέλων απουσία μετεωρολογικών παραμέτρων. Οι Granata και Di Nunno28 χρησιμοποίησαν το LSTM και το NARX για να υπολογίσουν το ET του Cypress Swamp και του Kobeh Valley στις ΗΠΑ. Τα αποτελέσματα δείχνουν ότι τα μοντέλα βαθιάς μάθησης έχουν μεγαλύτερη ακρίβεια από τα ρηχά μοντέλα ML λόγω της υψηλής ιεραρχικής δομής.

Οι υπερπαράμετροι των μοντέλων ML καθορίζουν άμεσα την υπολογιστική ακρίβεια, αλλά m. Ωστόσο, τα περισσότερα μοντέλα δεν μπορούν από μόνα τους τις βέλτιστες υπερπαραμέτρους και το LSTM δεν αποτελεί εξαίρεση. Οι υπερπαράμετροι του LSTM, συμπεριλαμβανομένου του αριθμού των κρυφών επιπέδων (HL), του αριθμού των κρυφών μονάδων (HU), των εποχών και του ρυθμού μάθησης (LR)26, επηρεάζουν σημαντικά την εκτιμώμενη απόδοση του LSTM. Ωστόσο, εξ όσων γνωρίζουν οι συγγραφείς, η εφαρμογή του LSTM σε συνδυασμό με μετα-ευρετικούς αλγόριθμους για την εκτίμηση της εξάτμισης ή του ET ήταν πολύ ελάχιστη.

Περιοχή μελέτης και δεδομένα

Η έρευνα διεξήχθη στα νοτιοανατολικά περιθώρια της ερήμου Tengger (37 μοίρες 32'Β, 105 μοίρες 02'Α). Ο κύριος τύπος τοπίου είναι πυκνά κατανεμημένοι αμμόλοφοι πέργκολας9,10. Για να αποφευχθεί η ζημιά από αμμοθύελλες στον σιδηρόδρομο Baotou-Lanzhoura, η Κινεζική Ακαδημία Επιστημών και οι σχετικές σιδηροδρομικές μονάδες δημιούργησαν ζώνες τεχνητής βλάστησης το 1956a και τις επέκτεισαν το 1964a, 1981a και 1987a. Στον κινητό αμμόλοφο τοποθετήθηκε μηχανικό φράγμα άμμου κάθετα προς την κατεύθυνση του κύριου ανέμου, πίσω από το μηχανικό φράγμα άμμου τοποθετήθηκαν ψάθινα σκακιέρα (απόσταση 1 m × 1 m) και φυτεύτηκαν δενδρύλλια ξερικών θάμνων διετούς στην ίδια διαμόρφωση με εγκαταλελειμμένο τρόπο με απόσταση φυτών και απόσταση σειρών 1 m×2 m ή 2 m×3 m υπό την προϋπόθεση μη άρδευσης. Μετά από περισσότερο από μισό αιώνα διαδοχής, ο αριθμός των φυσικών ειδών φυτών αυξήθηκε από 25 σε 453 και η κάλυψη βλάστησης έχει αυξηθεί από λιγότερο από 1% σε 42,3%. Σταδιακά έχει διαμορφωθεί μια βιολογική ζώνη στερέωσης ανεμοφράκτη μήκους 16 km και πλάτους 200-1000 m. Η τεχνητή βλάστηση που δεσμεύει την άμμο που δημιουργήθηκε σε διάφορα χρόνια (1956a, 1964a, 1981a, και 1987a) κατανέμεται παράλληλα και στις δύο πλευρές του σιδηροδρόμου, γεγονός που απέτρεψε επιτυχώς τη ζημιά της ζημιάς από τον άνεμο στη σιδηροδρομική κυκλοφορία και βελτίωσε σημαντικά το οικολογικό περιβάλλον της περιοχής μελέτης. Καθώς η σταθερότητα και η βιωσιμότητα της βλάστησης εξαρτώνται από το υδατικό ισοζύγιο μεταξύ ET και βροχόπτωσης7,9,10, είναι μεγάλης θεωρητικής και πρακτικής σημασίας η ακριβής εκτίμηση του ET για την προστασία και τη χρήση τεχνητής βλάστησης που δεσμεύει την άμμο7,10.

Σε αυτή τη μελέτη, τα μηνιαία δεδομένα ET που μετρήθηκαν από τον Ιανουάριο του 1991 έως τον Δεκέμβριο του 2018, τα δεδομένα από τον Ιανουάριο 1991 έως τον Δεκέμβριο του 2010 θεωρήθηκαν ως το σετ εκπαίδευσης και τα υπόλοιπα χρησιμοποιήθηκαν ως σύνολο δοκιμών. Ο Πίνακας 1 δείχνει τις κύριες στατιστικές μετρήσεις των μηνιαίων χρονοσειρών ET στην περιοχή μελέτης.

Μεθοδολογία

Το πλαίσιο των προτεινόμενων μοντέλων. Το LSTM είναι ένα νέο νευρωνικό δίκτυο χρονικού κύκλου που μπορεί να ξεπεράσει το πρόβλημα εξαφάνισης κλίσης στο RNN προσθέτοντας μια αλυσιδωτή μορφή επαναλαμβανόμενων μονάδων νευρωνικού δικτύου σε αποθήκευση σχετικών πληροφοριών25,26. Χρησιμοποιεί την αρχή λειτουργίας «δύο μέσα και δύο έξω» για να λύσει το πρόβλημα της μακροχρόνιας εξάρτησης26. Σε αυτή τη μελέτη, το LSTM επιλέχθηκε ως το κύριο αρθρωτό για την εκτίμηση του μηνιαίου δίδυμου ET στο LSTM έχει την εξαιρετική ικανότητα να αντιμετωπίζει μη γραμμικά μοτίβα μεταξύ των χρονοσειρών27,28. Επιπλέον, το SVM χρησιμοποιήθηκε επίσης για την εκτίμηση του ET, καθώς το SVM έχει καλύτερη προσαρμοστικότητα για την επίλυση μιας ευρύτερης κατηγορίας προβλημάτων μη γραμμικής προσαρμογής (π.χ. εκτίμηση ET) από εκείνη άλλων μοντέλων ρηχής ML (π.χ. BPNN, WNN, ELM, MT και MLP). 29.

Καθώς το DWT είναι ευαίσθητο στη βάση του κυματιδίου και στο κατώφλι, το EMD πάσχει από ένα εγγενές μειονέκτημα της μονιμοποίησης7,24 και το EEMD έχει αποτελέσματα τελικού σημείου7. Το VMD είναι μια πιο ισχυρή και προσαρμοστική μέθοδος προεπεξεργασίας δεδομένων από τα DWT, EMD και EEMD24, ξεπερνά αποτελεσματικά τις ελλείψεις αυτών των μεθόδων και εξάγει τα χαρακτηριστικά κύριας μεταβολής από τις χρονοσειρές ανωμαλίας και μη σταθερότητας24. Σε αυτή τη μελέτη, χρησιμοποιήθηκε VMD για να εξαχθούν τα κύρια χαρακτηριστικά παραλλαγής από το σύνολο δεδομένων ET. Για να συγκριθεί η απόδοση της αποθορυβοποίησης του VMD, το DWT επιλέχθηκε ως αναφορά. Η έξοδος των DWT, VMD και οι συλλεγόμενες χρονικές σειρές ET χωρίστηκαν σε σύνολα εκπαίδευσης και σύνολα δοκιμών και τροφοδοτήθηκαν σε μοντέλα ML για την εκτίμηση του ET, αντίστοιχα.

Για να βελτιωθεί η αποτελεσματικότητα της εκπαίδευσης των μοντέλων ML, χρησιμοποιήθηκε η μέθοδος κανονικοποίησης ελάχιστης-μέγιστης 7,22 για την κανονικοποίηση των συνόλων δεδομένων εισόδου και εξόδου. Τα σύνολα εισόδου και εξόδου του SVM και του LSTM προσδιορίστηκαν χρησιμοποιώντας τη μέθοδο διαμήκους επιλογής (LS)7, δηλαδή, η ομάδα δειγμάτων εκπαίδευσης αντιπροσωπεύεται από ένα διάνυσμα από I έως k− q, η έξοδος εκπαίδευσης συμβολίζεται ως διάνυσμα από το I + d − 1 έως k − q, το διάνυσμα εξόδου δοκιμής αντιπροσωπεύεται από ένα διάνυσμα από k − q + 1 έως k, όπου i, d, k και q δηλώνουν το σημείο εκκίνησης, τη διάσταση εισόδου, το μέγεθος των δεδομένων σετ, και το μήκος της εξόδου δοκιμής, αντίστοιχα. Το σχήμα 1 δείχνει το σχηματικό διάγραμμα της μεθόδου theLS με i=1, d=3 και k=336.

Ο WOA είναι ένας νέος αποτελεσματικός και σταθερός μετα-ευρετικός αλγόριθμος18, ο οποίος χρησιμοποιήθηκε ευρέως για την επίλυση προβλημάτων μη γραμμικής βελτιστοποίησης, συμπεριλαμβανομένης της βελτιστοποίησης των υπερπαραμέτρων ρηχών μοντέλων ML για την εκτίμηση της εξάτμισης ή ET. Ωστόσο, κανένας ερευνητής δεν έχει προτείνει ένα υβριδικό μοντέλο συνδέοντας το LSTM με μετα-ευρετικούς γορίθμους για την εκτίμηση του ET. Έτσι, το WOA χρησιμοποιήθηκε για τη βελτιστοποίηση των υπερπαραμέτρων του LSTM για να ληφθούν πιο ακριβή εκτιμώμενα αποτελέσματα. Το σχήμα 2 δείχνει το διάγραμμα ροής του WOA-LSTM. Το WOA-LSTM σε συνδυασμό με VMD συμβολίζεται ως VMD-WOA-LSTM.

Η ανωτερότητα του VMD-WOA-LSTM δοκιμάστηκε συγκρίνοντας την εκτιμώμενη απόδοση με τα LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD-SVM, WOA-LSTM, GWO-SVM, DWT-WOA-LSTM, DWT-GWO-SVM και VMD-GWO-SVM, όπου το GWO-SVM υποδεικνύει ότι τα καλύτερα C και G του SVM προσδιορίστηκαν χρησιμοποιώντας τον αλγόριθμο GWO, το Σχήμα 3 δείχνει τα διαγράμματα ροής του GWO-SVM. Στις διαδικασίες αριθμητικής προσομοίωσης, το μέσο απόλυτο ποσοστό σφάλματος (MAPE) χρησιμοποιήθηκε ως συνάρτηση καταλληλότητας για τον προσδιορισμό των βέλτιστων υπερπαραμέτρων των μοντέλων ML. Πρέπει να σημειωθεί ότι οι μαθηματικές αρχές των μεθόδων που χρησιμοποιούνται στην παρούσα εργασία, συμπεριλαμβανομένων των DWT, VMD, SVM, LSTM, GWO και WOA, βρίσκονται στη σχετική βιβλιογραφία, επομένως η μαθηματική περιγραφή αυτών των μεθόδων παραλείπεται.

Μετρήσεις για την αξιολόγηση της απόδοσης. Η ανάλυση σφάλματος πραγματοποιείται χρησιμοποιώντας τις μετρήσεις αξιολόγησης, συμπεριλαμβανομένου του μέσου απόλυτου σφάλματος (MAE), του MAPE, του κανονικοποιημένου μέσου τετραγώνου σφάλματος (NMSE), του μέσου τετραγωνικού σφάλματος ρίζας (RMSE) και του συντελεστή απόδοσης Nash–Sutcliffe (NSCE). Οι ορισμοί αυτών των μετρήσεων αξιολόγησης είναι οι εξής:

όπου yi και yi υποδηλώνουν το επιθυμητό και εκτιμώμενο αποτέλεσμα. Τα MAE, MAPE, NMSE και RMSE χρησιμοποιούνται γενικά για τη μέτρηση της απόκλισης μεταξύ του επιθυμητού και του εκτιμώμενου αποτελέσματος, η απόδοση εκτίμησης είναι καλύτερη όταν οι τιμές αυτών των μετρήσεων αξιολόγησης είναι μικρότερες. Καθώς το MAPE είναι σχετικά πιο σταθερό μεταξύ αυτών των κριτηρίων, το NSCE χρησιμοποιείται γενικά για τον προσδιορισμό της αποδοτικότητας του μοντέλου στο υδρολογικό πεδίο (το NSCE κοντά στο 1 δείχνει ότι το προτεινόμενο μοντέλο έχει καλή καταλληλότητα). Ως εκ τούτου, το MAPE και το NSCE επιλέχθηκαν ως τα κύρια σημεία αναφοράς για την αξιολόγηση της απόδοσης του μοντέλου των προτεινόμενων μοντέλων.

Ρυθμίσεις παραμέτρων. Η εκτίμηση απόδοσης διαφορετικών μοντέλων καθορίζεται κυρίως από την επιλογή παραμέτρων. Ο Πίνακας 2 δείχνει τις βασικές παραμέτρους του DWT και του VMD. Ο αριθμός των πρακτόρων αναζήτησης και οι μέγιστες επαναλήψεις των αλγορίθμων WOA και GWO ήταν 5 και 100, αντίστοιχα. Το μέγεθος της μίνι παρτίδας όλων των μοντέλων που βασίζονται στο LSTM ήταν 128. Το εύρος των HL, HU, Epochs και LR του WOA-LSTM ήταν [1, 200], [1,200], [10, 100 ] και [0,001, 0,01], αντίστοιχα. Όσον αφορά το GWO-SVM, το εύρος των C και G ήταν [0,01, 100].

Αποτελέσματα

Τα σχήματα 4 και 5 δείχνουν τα αποτελέσματα των DWT και VMD. Όπως φαίνεται στα Σχ. 4 και 5, οι συλλεγόμενες μηνιαίες χρονοσειρές ET έχουν πολλά αιχμηρά και κυμαινόμενα σημεία, τα οποία θα επηρεάσουν την απόδοση εκτίμησης. Για την επίλυση αυτών των προβληματικών μοτίβων στις διαδικασίες εκτίμησης ET, το db4 με επίπεδο 1 και το VMD με K=5 αναλύθηκαν και χρησιμοποιήθηκαν για την αποθόρυβο της σταθερής χρονικής σειράς ET. Η υπολειπόμενη χρονική σειρά δείχνει χαμηλό πλάτος και διακύμανση υψηλής συχνότητας, υποδηλώνοντας ότι ο λευκός θόρυβος εξαλείφθηκε από το αρχικό σύνολο δεδομένων ET. Ο Πίνακας 2 δείχνει ότι η απόδοση απόσβεσης θορύβου του VMD (με SNR=42.6451 και RMSE=1.7934) είναι πιο αποτελεσματική από αυτή του DWT (με SNR{=40}.8201 και RMSE{{15} }.2127). Το DWT έχει το μειονέκτημα ότι η βάση κυματιδίων πρέπει να επιλέγεται εκ των προτέρων, και είναι επίσης ευαίσθητο στην επιλογή του κατωφλίου. Επομένως, το VMD είναι καλύτερο.

Όπως αναφέρθηκε, τα LSTM και SVM χρησιμοποιήθηκαν για την εκτίμηση του μηνιαίου ET, αντίστοιχα. Για κάθε σταθερή διάσταση εισόδου d σε d=2, 3, …, 16, επιλέχθηκε το ελάχιστο MAPE από 5 επαναλήψεις και οι βέλτιστες υπερπαράμετροι των WOA-LSTM και GWO-SVM καταγράφηκαν σύμφωνα με το ελάχιστο MAPE. Ο Πίνακας 3 δείχνει τα βέλτιστα χαρακτηριστικά εισόδου και τις υπερπαράμετρους των προτεινόμενων μοντέλων. Όπως φαίνεται στον Πίνακα 3, το MAPE κάθε μοντέλου που βασίζεται σε LSTM είναι μικρότερο από αυτό του βασισμένου σε SVM, υποδηλώνοντας ότι τα μοντέλα βαθιάς μάθησης ξεπέρασαν σημαντικά τα μοντέλα ρηχής ML. Το MAPE του μεμονωμένου μοντέλου ML μειώθηκε συνδέοντας το μοντέλο ML με τις τεχνικές προεπεξεργασίας δεδομένων, υποδηλώνοντας ότι η απόδοση του μοντέλου ML μπορεί να βελτιωθεί χρησιμοποιώντας την προεπεξεργασία δεδομένων. Το MAPE των υβριδικών μοντέλων με βέλτιστες παραμέτρους είναι όλα μικρότερο από αυτό των μοντέλων ML με προεπιλεγμένες παραμέτρους, υποδεικνύοντας ότι τα μοντέλα ML που είναι ενσωματωμένα με μετα-ευρετικούς αλγόριθμους έχουν μετρίως υψηλότερη υπολογιστική απόδοση από εκείνη των μοντέλων ML με προεπιλεγμένες παραμέτρους. Το MAPE των υβριδικών μοντέλων DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWO-SVM και VMD-WOA-LSTM είναι μικρότερο από αυτό των LSTM, SVM, DWT-LSTM, DWT-SVM, VMD-LSTM, VMD -SVM, WOA-LSTM και GWO-SVM, υποδεικνύοντας ότι η απόδοση του μοντέλου ML μπορεί να βελτιωθεί σημαντικά με τη χρήση του προεπεξεργασίας δεδομένων και του μετα-ευρετικού αλγόριθμου.

Τα αποτελέσματα εκτίμησης των μοντέλων ML με το ελάχιστο MAPE και τις βέλτιστες υπερπαραμέτρους παρουσιάζονται στο Σχήμα 6. Το Σχήμα 6 δείχνει ότι τα αποτελέσματα όλων των προτεινόμενων μοντέλων είναι σύμφωνα με τα περισσότερα σημεία στο μεσαίο εύρος, αλλά το σημείο εκκίνησης και οι ακραίες τιμές υπερεκτιμώνται? Οι μηνιαίες χρονοσειρές ET έχουν περίοδο 12 μηνών, οι βέλτιστες διαστάσεις εισόδου των LSTM, DWT-LSTM, VMD-LSTM, WOALSTM, DWT-WOA-LSTM και VMD-WOA-LSTM είναι περίπου ίσες με την περίοδο του χρόνου ET σειρά (Πίνακας 3), υποδηλώνοντας ότι το LSTM μπορεί να εκμεταλλευτεί πλήρως τα μοτίβα ιστορικών δεδομένων και να ξεπεράσει αποτελεσματικά τα μειονεκτήματα των ρηχών μοντέλων ML. Συνολικά, τα υβριδικά μοντέλα DWT-GWO-SVM, DWT-WOA-LSTM, VMD-GWOSVM και VMD-WOA-LSTM έχουν καλύτερη απόδοση εκτίμησης από εκείνη άλλων προτεινόμενων μοντέλων.

Ο Πίνακας 4 δείχνει τις μετρήσεις αξιολόγησης κάθε μοντέλου στα στάδια εκπαίδευσης και δοκιμής, όπου ο μέσος όρος μετρήσεων αξιολόγησης των μοντέλων ML που βελτιστοποιούνται από μετα-ευρετικούς αλγόριθμους σημειώνονται με έντονους χαρακτήρες. Όπως φαίνεται στον Πίνακα 4, η απόδοση του μοντέλου των μοντέλων DWT-LSTM, DWT-SVM, VMD-LSTM και VMD-SVM είναι καλύτερη από εκείνη των LSTM και SVM στο στάδιο δοκιμής (Πίνακας 4), γεγονός που υποδηλώνει ότι η προεπεξεργασία δεδομένων είναι βοήθεια για τη βελτίωση της απόδοσης εκτίμησης των μοντέλων ML. Όπως φαίνεται στον Πίνακα 4, οι μετρήσεις αξιολόγησης συμπεριλαμβανομένων των MAE, MAPE, NMSE και RMSE των WOA-LSTM και GWO-SVM είναι όλες μικρότερες από αυτές των LSTM, SVM, DWT-LSTM, DWTSVM, VMD-LSTM και VMD-SVM , και το NSCE αυξήθηκε σε διάφορους βαθμούς, υποδεικνύοντας ότι η εκτίμηση απόδοσης του LSTM και του SVM βελτιώνεται σημαντικά όταν οι υπερπαράμετροι του LSTM και του SVM βελτιστοποιούνται με τη χρήση μετα-ευρετικών αλγορίθμων.

Οι μετρήσεις αξιολόγησης του SVM που είναι ενσωματωμένο στο GWO είναι όλες μικρότερες από αυτές του LSTM σε συνδυασμό με τεχνικές προεπεξεργασίας δεδομένων. Το MAPE του υβριδικού VMD-GWO-SVM είναι μικρότερο από αυτό άλλων μοντέλων που βασίζονται σε SVM και μοντέλων LSTM, DWT-LSTM, VMD-LSTM (Πίνακας 4), υποδηλώνοντας ότι τα μοντέλα ρηχής ML ενσωματώνονται με τεχνικές προεπεξεργασίας δεδομένων και μετα-ευρετικούς αλγόριθμους μπορεί να χρησιμοποιηθεί για την εκτίμηση του ET. Ενώ, η απόδοση του μοντέλου των ρηχών μοντέλων ML χρειάζεται ακόμη να βελτιωθεί. Όπως φαίνεται στον Πίνακα 4, τα μοντέλα βαθιάς μάθησης ξεπέρασαν σημαντικά τα ρηχά μοντέλα ML και η απόδοση του μοντέλου των υβριδικών WOA-LSTM, DWT-WOA-LSTM και VMD-WOA-LSTM είναι καλύτερη από εκείνη των υβριδικών μοντέλων που βασίζονται σε SVM. Σε σύγκριση με το VMD-GWO-SVM, το MAPE του DWT-WOA-LSTM μειώθηκε από 23,22% σε 18,90%, και το NSCE βελτιώθηκε από 0,8754 σε 0,8578; το MAPE του VMD-WOA-LSTM μειώθηκε από 23,22% σε 18,72% και το NSCE βελτιώθηκε από 0,8754 σε 0,8917. Αυτά τα αποτελέσματα δείχνουν ότι τα υβριδικά μοντέλα DWT-WOA-LSTM και VMD-WOA-LSTM έχουν εξαιρετική ικανότητα εκτίμησης του μηνιαίου ET σε σχέση με άλλες προτεινόμενες μεθόδους. Ο ΧΑΡΤΗΣ των υβριδικών μοντέλων VMD-WOA-LSTM είναι ο μικρότερος μεταξύ των προτεινόμενων μοντέλων, υποδεικνύοντας ότι το VMD-WOA-LSTM είναι το πιο ακριβές μοντέλο για την εκτίμηση του μηνιαίου ET μεταξύ των προτεινόμενων μοντέλων. Ως εκ τούτου, το VMD-WOA-LSTM θα μπορούσε να προταθεί ως μια βασική βοηθητική μέθοδος για την εκτίμηση του ET σε περιοχές της ερήμου.

Συζήτηση

Όπως αναφέρθηκε, προτάθηκαν υβριδικά μοντέλα που βασίζονται σε μοντέλα ML, τεχνικές προεπεξεργασίας δεδομένων και μετα-ευρετικούς γορίθμους για την εκτίμηση του ET στην περιοχή μελέτης. Γενικά, η κατασκευή των υβριδικών μοντέλων ML είναι μια πολύπλοκη και χρονοβόρα διαδικασία6,14–18. Ωστόσο, τα υβριδικά μοντέλα ML έχουν υψηλότερη ακρίβεια από τις φυσικές μεθόδους20–23. Επομένως, η χρήση των υβριδικών μοντέλων ML για την ακριβή εκτίμηση του ET είναι ένα βασικό ζήτημα στην υδρολογία και την οικολογία.

Τα μοντέλα βαθιάς μάθησης γενικά ξεπέρασαν τα ρηχά μοντέλα ML3. Ωστόσο, μόνο η χρήση μοντέλων ML για την εκτίμηση του ET μπορεί να οδηγήσει σε μεγάλα σφάλματα όταν δεν εκτελείται η προεπεξεργασία δεδομένων7,14–16. Όπως φαίνεται στα Σχ. 4 και 5, οι συλλεγόμενες χρονοσειρές ET παρουσιάζουν ανωμαλία και μη σταθερότητα, καθώς το ET καθορίζεται από μετεωρολογικούς παράγοντες και σχετίζεται στενά με την υγρασία του εδάφους, τα γεωμορφολογικά και τα χαρακτηριστικά της βλάστησης στις περιοχές της ερήμου. Έτσι, η τεχνική προεπεξεργασίας δεδομένων θα πρέπει να χρησιμοποιηθεί για την επίτευξη των κύριων χαρακτηριστικών διακύμανσης από τις συλλεγόμενες χρονοσειρές ET για να ληφθούν αξιόπιστα αποτελέσματα εκτίμησης. Οι μέθοδοι προεπεξεργασίας δεδομένων όπως DWT και VMD μπορούν να εφαρμοστούν για την εξάλειψη του θορύβου από τις μη γραμμικές και μη σταθερές χρονοσειρές. Ενώ το DWT είναι ευαίσθητο στην επιλογή του ορίου, το VMD είναι μια πιο ισχυρή και αποτελεσματική μέθοδος προεπεξεργασίας δεδομένων από την εμπειρική λειτουργία αποσύνθεση (EMD) και EEMD, τα οποία μπορούν να χρησιμοποιηθούν για την αφαίρεση του θορύβου από χρονοσειρές αποσυνθέτοντας το μη γραμμικό και μη στάσιμο σήμα σε πολλές ενδογενείς λειτουργίες περιορισμένης ζώνης (IMFs)7,24. Ως εκ τούτου, η απόδοση του DWT στην αποθορυβοποίηση είναι χειρότερη από αυτή του VMD (Πίνακας 2).

Η ανασκόπηση της βιβλιογραφίας δείχνει ότι τα μοντέλα ML που ενσωματώνονται με τεχνικές προεπεξεργασίας δεδομένων είναι μια αποτελεσματική στρατηγική για την απόκτηση πιο αξιόπιστων αποτελεσμάτων εκτίμησης7,21–23, και τα αποτελέσματα της έρευνάς μας επιβεβαιώνουν επίσης αυτό το συμπέρασμα. Όπως φαίνεται στους Πίνακες 3 και 4, ο μέσος όρος μετρήσεων αξιολόγησης των μοντέλων ML που είναι ενσωματωμένοι με το DWTor VMD είναι όλοι μικρότεροι από αυτόν των μεμονωμένων μοντέλων SVM και LSTM. Επομένως, η εξαγωγή χρήσιμων χαρακτηριστικών με τη χρήση μιας τεχνικής προεπεξεργασίας δεδομένων είναι απαραίτητη για πιο αξιόπιστα αποτελέσματα εκτίμησης (Συμπληρωματικό Αρχείο 1).

Η απόδοση εκτίμησης των μοντέλων ML μπορεί επίσης να βελτιωθεί σημαντικά με τη σύζευξη μοντέλων ML με μετα-ευρετικούς αλγόριθμους. Σε κάποιο βαθμό, είναι πιο σημαντικό να αποκτήσουμε τις βέλτιστες υπερπαραμέτρους του μοντέλου anML παρά να επιλέξουμε την κατάλληλη τεχνική προεπεξεργασίας δεδομένων. Όπως φαίνεται στους Πίνακες 3 και 4, η εκτίμηση της απόδοσης των μοντέλων ML που υβριδοποιήθηκαν με την τεχνική προεπεξεργασίας δεδομένων βελτιώθηκε σημαντικά όταν βελτιστοποιήθηκαν οι υπερπαράμετροι του LSTM και του SVM. Σε σύγκριση με τα DWT-SVM, VMD-SVM, DWT-LSTM και VMD-LSTM, οι μετρήσεις θετικής αξιολόγησης των DWT-GW0-SVM, VMD-GWO-SVM, DWT-WOA-LSTM και VMD-WOA -Το LSTM μειώθηκε και οι αρνητικοί δείκτες αυξήθηκαν σε διάφορους βαθμούς. Έτσι, η επιλογή των υπερπαραμέτρων για τα μοντέλα ML ήταν ζωτικής σημασίας για τη βελτίωση της απόδοσης εκτίμησης6,7,21-29.

Επιπλέον, όπως συμπέρασμα, ο κύριος στόχος αυτής της μελέτης ήταν να προτείνει ένα νέο υβριδικό μοντέλο για την εκτίμηση του ΕΤ ενσωματώνοντας το LSTM με το WOA και τις τεχνικές προεπεξεργασίας δεδομένων, συμπεριλαμβανομένων των DWT και VMD. Η απόδοση του VMD-WOA-LSTM συγκρίθηκε με άλλα υβριδικά μοντέλα όσον αφορά τις τυπικές μετρήσεις απόδοσης. Η σύγκριση απόδοσης των προτεινόμενων μοντέλων έδειξε ότι το υβριδικό μοντέλο VMDWOA-LSTM απέδωσε καλύτερα από άλλα μοντέλα που βασίζονται σε ML στην εκτίμηση του μηνιαίου ET στα νοτιοανατολικά περιθώρια της ερήμου Tengger.

συμπεράσματα

Σε αυτή τη μελέτη, τα υβριδικά μοντέλα που βασίζονται στα VMD, WOA και LSTM προτάθηκαν για την εκτίμηση του ET χρησιμοποιώντας μεθόδους ανάλυσης χρονοσειρών, όπου το VMD χρησιμοποιήθηκε για την εξαγωγή των εγγενών χαρακτηριστικών των χρονοσειρών ET και το WOA χρησιμοποιήθηκε για τη βελτιστοποίηση των υπερπαραμέτρων του LSTM . Η απόδοση του μοντέλου συγκρίθηκε με το actualET και η εκτίμηση άλλων υβριδικών μοντέλων όσον αφορά τα MAE, MAPE, NMSE, RMSE και NSCE. Τα αποτελέσματα υποδεικνύουν ότι το VMD-WOA-LSTM έχει πιο ακριβή αποτελέσματα εκτίμησης από άλλα μοντέλα που βασίζονται σε ML, τα οποία μπορούν να προταθούν ως βασική βοηθητική μέθοδος για την εκτίμηση του ET σε περιοχές της ερήμου.

Διαθεσιμότητα δεδομένων

Όλα τα δεδομένα που αναλύθηκαν ή δημιουργήθηκαν κατά τη διάρκεια αυτής της μελέτης περιλαμβάνονται στις Συμπληρωματικές Πληροφορίες και είναι διαθέσιμα από τους αντίστοιχους συγγραφείς κατόπιν εύλογου αιτήματος.

βιβλιογραφικές αναφορές

1. Keshtegar, B., Piri, J. & Kisi, O. A nonlinear mathematical modeling of daily pan evaporation based on conjugate gradient method.Comput. Ηλεκτρόνιο. Αγρ. 127, 120–130 (2016).

2. Hashemi, M. & Sepaskhah, AR Αξιολόγηση τεχνητού νευρωνικού δικτύου και εξίσωση Penman-Monteith για την πρόβλεψη τυπικής εξατμισοδιαπνοής κριθαριού σε ημίξηρη περιοχή. Teor. Appl. Climatol. 139, 275–285 (2020).

3. Majhi, Β. et αϊ. Βελτιωμένη πρόβλεψη της ημερήσιας εξάτμισης της λεκάνης χρησιμοποιώντας το μοντέλο Deep-LSTM. Νευρωνικός Υπολογιστής. Appl. 32, 7823 (2019).

4. Wen, Χ. et αϊ. Υποστήριξη-διανύσματα-βασισμένα σε μηχανή μοντέλα για τη μοντελοποίηση της καθημερινής εξατμισοδιαπνοής αναφοράς με περιορισμένα κλιματικά δεδομένα σε ακραίες ξηρές περιοχές. Υδατικό Πόρων. Manag. 29, 3195–3209 (2015).

5. Li, XR et αϊ. Fundamental Ecohydrology of Ecological Restoration and Recovery in Sand Desert Regions of China (Science Press, 2016).

6. Wu, LF et al. Υβριδική ακραία μηχανή εκμάθησης με μετα-ευρετικούς αλγόριθμους για μηνιαία πρόβλεψη εξάτμισης τηγάνι. Υπολογιστής.Ηλεκτρον. Αγρ. 168, 105–115 (2020).

7. Fu, TL et al. Μια νέα ολοκληρωμένη μέθοδος που βασίζεται σε ένα μοντέλο μηχανικής μάθησης για την εκτίμηση της εξατμισοδιαπνοής στην ξηρά. J. Hydrol. 603, 126881 (2021).

8. Zhang, DH, Li, XR & Zhang, F. Επιδράσεις της έντασης και της διαλείπουσας βροχόπτωσης στην ξυλώδη βλάστηση και στα οικοσυστήματα της βαθιάς υγρασίας του εδάφους σε ξηρά. J. Hydrol. 543, 270–282 (2016).

9. Li, XR et αϊ. Το οικολογικό όριο για την αξιολόγηση της σταθερότητας της αμμουδετικής βλάστησης σε διαφορετικές κλιματικές ζώνες. Οικ. Ind. 83, 404–415 (2017).

For more information:1950477648nn@gmail.com