Eine umfassende Studie über Deep Learning zur Vorhersage der Bodenfeuchtigkeit

Zusammenfassung. Die Bodenfeuchtigkeit spielt eine entscheidende Rolle im hydrologischen Kreislauf, aber die genaue Vorhersage der Bodenfeuchtigkeit stellt Herausforderungen aufgrund der Nichtlinearität des Wassertransports im Boden und der Variabilität der Randbedingungen dar. Deep Learning hat sich als vielversprechender Ansatz zur Simulation der Dynamik der Bodenfeuchtigkeit herausgestellt. In dieser Studie untersuchen wir 10 verschiedene Netzwerkstrukturen, um ihre Datenverwendungsmechanismen aufzudecken und das Potenzial des Deep Learnings zur Vorhersage der Bodenfeuchtigkeit zu maximieren, einschließlich drei grundlegender Merkmals-Extraktoren und sieben verschiedener hybrider Strukturen, von denen sechs zum ersten Mal für die Vorhersage der Bodenfeuchtigkeit angewendet werden. Wir vergleichen systematisch die Vorhersagefähigkeiten und Computerkosten der Modelle über verschiedene Bodenarten und -tiefen hinweg. Darüber hinaus nutzen wir die Interpretierbarkeit der Modelle, um Einblicke in ihr Funktionieren zu gewinnen und unser Verständnis von Deep Learning in der Dynamik der Bodenfeuchtigkeit zu vertiefen. Für die Vorhersage der Bodenfeuchtigkeit zeigen unsere Ergebnisse, dass die zeitliche Modellierungsfähigkeit von Long Short-Term Memory (LSTM) gut geeignet ist. Darüber hinaus helfen die verbesserte Genauigkeit, die durch Feature Attention LSTM (FA-LSTM) und das generative-adversarial-netzwerk-basierte LSTM (GAN-LSTM) erreicht wird, zusammen mit der Shapley (SHAP) additiven Erklärungsanalyse, uns die Effektivität der Aufmerksamkeitsmechanismen und die Vorteile des adversarialen Trainings bei der Merkmalsauswahl zu entdecken. Diese Ergebnisse liefern effektive Netzwerkdesignprinzipien. Die Shapley-Werte offenbaren auch unterschiedliche Ansätze zur Datenverwertung unter den verschiedenen Modellen. Die t-verteilte stochastische Nachbarn-Embedding (t-SNE) Visualisierung veranschaulicht Unterschiede in den kodierten Merkmalen über die Modelle hinweg. Zusammenfassend bietet unsere umfassende Studie Einblicke in die Vorhersage der Bodenfeuchtigkeit und hebt die Bedeutung des geeigneten Modelldesigns für spezifische Vorhersageaufgaben zur Bodenfeuchtigkeit hervor. Wir hoffen auch, dass diese Arbeit als Referenz für Deep Learning Studien zu anderen hydrologischen Problemen dient. Die Codes von 3 Maschinenlern- und 10 Deep Learning-Modellen sind Open Source.