May 20, 2023
지하수 시계열 예측을 위한 Wavelet Gated Multiformer
Scientific Reports 13권, 기사 번호: 12726(2023) 이 기사 인용 1 Altmetric Metrics 세부 정보 지하수 제어를 위한 정확한 모델을 개발하는 것은 계획 및 관리에 매우 중요합니다.
Scientific Reports 13권, 기사 번호: 12726(2023) 이 기사 인용
1 알트메트릭
측정항목 세부정보
지하수 제어를 위한 정확한 모델을 개발하는 것은 대수층 저수지의 생명 유지 자원(물)을 계획하고 관리하는 데 매우 중요합니다. 다변량 시계열 예측 문제를 해결하기 위해 심층 예측 모델을 설계하고 사용하는 데 상당한 진전이 이루어졌습니다. 그러나 대부분의 모델은 처음에는 자연어 처리 및 컴퓨터 비전 작업을 최적화하는 용도로만 학습되었습니다. 우리는 바닐라 Transformer의 장점과 내부 웨이블릿 상호 상관 블록을 사용하는 Wavelet Crossformer를 결합한 Wavelet Gated Multiformer를 제안합니다. self-attention 메커니즘(Transformer)은 내부 시계열 지점 간의 관계를 계산하는 반면, 상호 상관은 추세적인 주기성 패턴을 찾습니다. 멀티 헤드 인코더는 추세 서명을 디코더에 출력하는 하위 인코더(Transformer 및 Wavelet Crossformer)의 믹싱 게이트(선형 조합)를 통해 전달됩니다. 이 프로세스는 모델의 예측 능력을 향상시켜 평가된 두 번째로 성능이 좋은 변압기 유사 모델에 비해 평균 절대 오차를 31.26% 줄였습니다. 우리는 또한 MF-DCCHM(Multifractal Detrended Cross-Correlation Heatmaps)을 사용하여 Daubechies 웨이블릿으로 신호 쌍의 잡음을 제거함으로써 다중 프랙탈 영역에 걸쳐 스테이션 쌍에서 순환 추세를 추출했습니다. 우리의 데이터 세트는 브라질 대수층의 지하수 모니터링을 위한 8개의 우물, 6개의 강우 관측소, 11개의 하천 유량 관측소, 대기압, 온도 및 습도 센서가 있는 3개의 기상 관측소 네트워크에서 얻었습니다.
지하수 자원1은 전 세계 지역사회의 가장 중요한 생명 유지2 자산 중 하나입니다. 대수층 저수지는 관개 농업3, 물 공급4,5 및 산업 개발6에서 중요한 역할을 합니다. 지하수 수위 측정은 가용성, 접근성 및 중단 가능성을 나타내기 때문에 물 관리 시스템7,8에 매우 중요합니다9,10. 따라서 지하수 수위에 대한 정확한 예측은 정책 입안자들에게 다양한 지역의 지속 가능한 개발을 보장하는 수자원 계획 전략 및 관리에 대한 통찰력을 제공할 수도 있습니다11,12. 이러한 시스템은 일반적으로 주 저수지에 연결된 우물을 통해 특정 지역에 통합됩니다. 그러나 기상변동, 하천의 지하수 함양 및 방류량, 다양한 지형, 대수층 저수지 운영 등 인간 활동, 대기압, 강수량, 기온의 변화, 뚜렷한 수문지질학적 조건 등 자연의 복잡성과 비선형성으로 인해 이들의 상호 작용은 지하수 수준 예측에 큰 영향을 미칠 수 있습니다13,14.
개념 모델15, 유한 차분16, 유한 요소17,18 접근 방식을 사용하여 지하수 수위를 모델링, 시뮬레이션 및 예측하기 위한 다양한 접근 방식이 제안되었습니다. 고전적 모델은 예측에 신뢰할 수 있지만 대량의 데이터가 필요합니다. 또한, 대수층은 지질 구조의 기초가 되는 다양한 경계 조건, 다공성 매질 확산 속도, 저수지에 영향을 미치는 지형과 같은 다양한 특성을 가지고 있습니다. 물리적 기반 모델은 물 상태를 추적하여 시공간 분포를 예측할 수 있습니다19,20. 그러나 편미분 방정식의 해를 구하는 데 며칠이 걸릴 수 있으므로 복잡성과 계산 비용이 매우 높습니다. 따라서 기본 물리적 프로세스 없이 시계열 데이터의 고유 패턴을 식별하여 저수지의 비선형 역학을 포착하는 지하수 수준을 시뮬레이션하는 기계 학습 모델을 설계하는 것이 물 관리 시스템에 매우 중요합니다. 물리학 정보를 바탕으로 한 신경망은 대수층을 관리하는 물리적 프로세스를 시뮬레이션하는 데에도 사용되었습니다25,26,27. 또한 지하수 예측28,29, 유전자 알고리즘30,31, 지원 벡터 머신(SVM)32,33,34, 컨볼루션(CNN) 및 시간적 컨벌루션 네트워크35,36, 순환 신경망을 위한 딥러닝 기반 방법이 발전했습니다. , GRU(Gated Recurrent Unit) 및 LSTM(Long Short-Term Memory)37,38,39, Wavenets40,41 기반의 그래프 신경망은 지하수 예측을 위한 시공간 패턴을 포함합니다.
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>
한국어
English
Français
Deutsch
Español
Italiano
Português
日本語
Русский
홈페이지