Yeni gelişen derin öğrenme tekniklerini kullanarak kuraklık modelleme ve tahmini

Kuraklık, su kıtlığına yol açan uzun kurak dönemlerle tanımlanan, dünya su güvenliği ve ekosistem dayanıklılığı açısından önemli bir sorundur. Kuraklıkların stokastik tekrarı ve şiddetli sosyoekonomik etkileri nedeniyle, etkili su kaynakları yönetimi için kesin kuraklık modellemesi ve tahminleri gerekmektedir. Bu nedenle, kuraklık tahmin modellerinin tahmin doğruluğunu artırmak için sığ ve derin makine öğrenme tekniklerinin verimliliğinin araştırılması gerekmektedir. Bu makale sığ çok katmanlı algılayıcı (MLP) modelinin verimliliğini iki derin modelle araştırıyor ve karşılaştırıyor: iki gizli katmanlı MLP (bundan sonra TMLP olarak anılacaktır) ve Uzun Kısa Süreli Bellek (LSTM). Bu amaçla, kutsal şehir Kerbela yakınındaki uzun vadeli (1950'den 2024'e kadar) ızgara tabanlı aylık Standartlaştırılmış Yağış Evapotranspirasyon Endeksi (SPEI) veri kümeleri alındı ve tüm modelleri eğitmek ve test etmek için kullanıldı. Veri kıtlığı olan bu şehirdeki kuraklığın zamansal değişimini temsil etmek için yakındaki grid veri setlerinin aritmetik olarak ortalaması alındı. Temsili veri kümesi daha sonra eğitim ve test veri kümelerine ayrıldı. Bir ay sonraki SPEI tahmin senaryoları için optimum tahmin ediciler, SPEI ve gecikmeli vektörleri arasındaki karşılıklı bilgi yoluyla belirlendi. Araştırma başlangıçta nöron sayısını 1'den 10'a kadar değiştiren tek bir gizli katmanlı MLP modeli kullandı ve nöron sayısı arttıkça performansın arttığını (daha düşük RMSE ve daha fazla NSE) ve en iyi sonuçların 5 nöronda olduğunu buldu. Nöron sayısı 20'ye çıkarıldığında 14 nöronla maksimum verim elde edildi. İkinci bir gizli katman eklendiğinde, ilk katmanda 9, ikinci katmanda ise 6 nöron en iyi sonuçları verdi. Bu, aşırı uyumu önlemek ve performansı en üst düzeye çıkarmak için, nöron sayısı ve model karmaşıklığının dengelenmesine bağlı olan dikkatli hiperparametre ayarlaması ihtiyacını vurgulamaktadır. Karşılaştırmalı bir analizde araştırma, verilerdeki sıralı bağımlılıkları yakalamak için LSTM modellerini kullandı. 50 birimlik tek bir katmanın ardından gelen yoğun bir katmandan oluşan LSTM modeli, sıralı verileri tahmin etmede güçlü bir performans sergileyerek eğitim seti için 0,3631'lik bir RMSE ve 0,8427'lik bir NSE'ye ve eğitim seti için 0,3915'lik bir RMSE'ye ve 0,7881'lik bir NSE'ye ulaştı. test seti. Ancak sonuçlar, 14 gizli nörona sahip sığ MLP'nin, derin TMLP ve LSTM benzerlerinden biraz daha iyi performans gösterdiğini gösterdi. Bu nedenle, veri uzunluğu ve özellikleri dikkate alındığında, çalışılan alanda SPEI modellemesi için karmaşık derin öğrenme modellerinin kullanılması önerilmemektedir. Araştırmamız, LSTM modelleri gibi derin öğrenme metodolojilerinin uzun vadeli bağımlılıkları ve zamansal korelasyonları etkili bir şekilde yakalayabildiğini, sığ MLP gibi daha basit modellerin ise belirli senaryolarda daha iyi performans sağlayabildiğinin altını çiziyor. Bulgular, optimum tahmin performansı için uygun model mimarilerinin ve hiperparametrelerin seçilmesinin önemini vurgulamaktadır. Bu çalışmadan elde edilen bilgiler, paydaşların su kıtlığının ekosistemler, tarım ve toplum üzerindeki etkilerini daha iyi tahmin etmelerine ve azaltmalarına yardımcı olacak ve proaktif kuraklık yönetimi ve uyum önlemlerine katkıda bulunacaktır.