Multiformatore con gate wavelet per la previsione di serie temporali delle acque sotterranee

Rapporti scientifici volume 13, numero articolo: 12726 (2023) Citare questo articolo

503 accessi

1 Altmetrico

Dettagli sulle metriche

Lo sviluppo di modelli accurati per il controllo delle acque sotterranee è fondamentale per la pianificazione e la gestione delle risorse di sostentamento vitale (acqua) provenienti dai serbatoi acquiferi. Sono stati compiuti progressi significativi verso la progettazione e l’impiego di modelli di previsione profonda per affrontare la sfida della previsione di serie temporali multivariate. Tuttavia, alla maggior parte dei modelli inizialmente veniva insegnato solo per ottimizzare l’elaborazione del linguaggio naturale e le attività di visione artificiale. Proponiamo il Wavelet Gated Multiformer, che combina la forza di un Transformer vanilla con il Wavelet Crossformer che impiega blocchi di correlazione incrociata wavelet interni. Il meccanismo di auto-attenzione (Transformer) calcola la relazione tra i punti interni delle serie temporali, mentre la correlazione incrociata trova modelli di periodicità di tendenza. L'encoder multi-head viene incanalato attraverso un mixing gate (combinazione lineare) di sub-encoder (Transformer e Wavelet Crossformer) che emettono firme di tendenza al decoder. Questo processo ha migliorato le capacità predittive del modello, riducendo l'errore assoluto medio del 31,26% rispetto ai modelli simili a trasformatori con le seconde migliori prestazioni valutati. Abbiamo anche utilizzato le mappe di calore a correlazione incrociata multifrattale detrended (MF-DCCHM) per estrarre tendenze cicliche da coppie di stazioni attraverso regimi multifrattali eliminando il rumore della coppia di segnali con wavelet di Daubechies. Il nostro set di dati è stato ottenuto da una rete di otto pozzi per il monitoraggio delle acque sotterranee nelle falde acquifere brasiliane, sei stazioni pluviometriche, undici stazioni di flusso fluviale e tre stazioni meteorologiche con sensori di pressione atmosferica, temperatura e umidità.

Le risorse idriche sotterranee1 sono tra le risorse più critiche per il sostentamento della vita2 per le comunità di tutto il mondo. I serbatoi acquiferi svolgono un ruolo cruciale nell’agricoltura irrigua3, nell’approvvigionamento idrico4,5 e nello sviluppo industriale6. Le misurazioni del livello delle acque sotterranee sono vitali per i sistemi di gestione delle acque7,8 poiché indicano disponibilità, accessibilità e possibili interruzioni9,10. Pertanto, una previsione accurata dei livelli delle acque sotterranee può anche fornire ai politici spunti per strategie di pianificazione e gestione delle risorse idriche che garantiscano lo sviluppo sostenibile in diverse regioni11,12. Questi sistemi sono solitamente integrati in aree specifiche attraverso pozzi collegati al serbatoio principale. Tuttavia, a causa della complessità e della non linearità della natura, come le fluttuazioni meteorologiche, la ricarica delle acque sotterranee e la velocità di scarico dei fiumi, varie topografie, attività umane come le operazioni di stoccaggio delle falde acquifere e cambiamenti nella pressione atmosferica, nelle precipitazioni, nella temperatura e nelle condizioni idrogeologiche e le loro interazioni possono influenzare profondamente le previsioni dei livelli delle acque sotterranee13,14.

Sono stati proposti numerosi approcci per modellare, simulare e prevedere i livelli delle acque sotterranee utilizzando modelli concettuali15, approcci alle differenze finite16 e agli elementi finiti17,18. Sebbene i modelli classici possano essere affidabili per le previsioni, sono necessari grandi volumi di dati. Inoltre, gli acquiferi hanno proprietà diverse, come le varie condizioni al contorno sottostanti le strutture geologiche, i tassi di diffusione dei mezzi porosi e la topografia che influenza i serbatoi. I modelli basati sulla fisica possono monitorare il condizionamento dell’acqua per prevedere le distribuzioni spaziotemporali19,20. Tuttavia, la complessità e i costi computazionali sono eccezionalmente elevati poiché la soluzione delle equazioni alle derivate parziali può richiedere diversi giorni. Pertanto, la progettazione di modelli di apprendimento automatico per simulare i livelli delle acque sotterranee che catturano le dinamiche non lineari dei serbatoi identificando modelli intrinseci nei dati delle serie temporali senza processi fisici sottostanti è fondamentale per i sistemi di gestione delle acque21,22,23,24. Le reti neurali informate dalla fisica sono state utilizzate anche per simulare il processo fisico che governa le falde acquifere25,26,27. Inoltre, sono stati compiuti progressi nei metodi basati sull'apprendimento profondo per la previsione delle acque sotterranee28,29, algoritmi genetici30,31, Support Vector Machine (SVM)32,33,34, rete convoluzionale (CNN) e convoluzionale temporale35,36, rete neurale ricorrente , unità ricorrenti con gate (GRU) e memoria a lungo termine (LSTM)37,38,39 e reti neurali a grafo basate su Wavenets40,41 per includere modelli spaziotemporali per la previsione delle acque sotterranee.

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>