지하수 시계열 예측을 위한 Wavelet Gated Multiformer

Scientific Reports 13권, 기사 번호: 12726(2023) 이 기사 인용

503 액세스

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.