DOI: https://doi.org/10.1038/s41598-024-81779-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39730562
تاريخ النشر: 2024-12-28
المؤلف: Arvin Samadi-Koucheksaraee وآخرون
الموضوع الرئيسي: تعلم الآلة وELM
نظرة عامة
تركز البحث على تحسين توقعات تدفق المياه، وهو أمر حيوي لإدارة الموارد المائية الفعالة والاستعداد للكوارث. يحدد القيود في تقنيات التعلم الآلي (ML) الحالية، مثل الحاجة إلى اختيار المتنبئين الأمثل والقدرة على التعميم عبر آفاق زمنية مختلفة. لمعالجة هذه القضايا، يقدم الدراسة نموذج هجين جديد، B-MVMD-WKELM-R-GBO، الذي يدمج تحليل الوضع المتغير متعدد المتغيرات (MVMD)، وXGBoost لاختيار الميزات، وآلة التعلم المتطرفة النواة (KELM)، والانحدار الجبهي (RR)، ومحسن قائم على التدرج (GBO). تم تطبيق هذا النموذج على حوض نهر تيرتل العلوي في داكوتا الشمالية، مما يظهر دقة تنبؤية عالية عبر عدة آفاق توقع، مع معاملات ارتباط (R) تصل إلى 0.997 وكفاءات ناش-سوتكليف (NSE) تبلغ 0.994.
تؤكد النتائج فعالية النموذج في إدارة عدم الاستقرار وتعقيد البيانات، فضلاً عن أدائه المتفوق مقارنة بالنماذج الحالية، كما يتضح من تصنيفات اتخاذ القرار متعددة المعايير (MCDM). بينما يظهر نموذج B-MVMD-WKELM-R-GBO وعدًا في توقع تدفق المياه، تعترف الدراسة بالقيود في فهم العلاقات المعقدة بين المتنبئين والنتائج. يُقترح البحث المستقبلي لاستكشاف التحسينات من خلال دمج ML مع النماذج العددية وتطبيق تقنيات مثل متوسط النموذج بايزي والتكرار. بشكل عام، يساهم هذا العمل في تقدم منهجيات النمذجة الهيدرولوجية، خاصة في سياق تغير المناخ.
طرق
في هذه الدراسة، تم تطوير نموذج هجين للتعلم الآلي، يُعرف باسم B-MVMD-WKELM-R-GBO، لتحليل العلاقات الديناميكية بين هطول الأمطار وتدفق المياه. تم تنفيذ النموذج باستخدام MATLAB R2022a وPython 3.9، وفقًا لعملية من خطوتين. في البداية، تم إجراء معالجة البيانات باستخدام XGBoost لاختيار الميزات وتحليل الوضع المتغير متعدد المتغيرات (MVMD). بعد ذلك، تم بناء النموذج الهجين من خلال دمج الانحدار الجبهي (RR)، والانحدار الخطي المدعوم محليًا (LWLR)، وآلة التعلم المتطرفة النواة (KELM)، وخوارزمية تحسين الجراد (GBO).
تم تنفيذ نموذج B-MVMD-WKELM-R-GBO على نظام Windows 10 مزود بمعالج Intel Core i7 و16 جيجابايت من الذاكرة العشوائية. تم تصميمه خصيصًا لتوقع تصريف نهر تيرتل العلوي لثلاث آفاق زمنية متميزة: 3 أيام (t + 3)، 7 أيام (t + 7)، و14 يومًا (t + 14). يتم توضيح المنهجية والتفاصيل الإجرائية للنموذج بشكل أكبر في الأقسام التالية من الورقة.
نتائج
تسلط نتائج الدراسة، كما هو موضح في الجداول 4 و5، الضوء على أداء نماذج مستقلة وهجينة مختلفة في توقع تدفق المياه عبر آفاق زمنية مختلفة: Q(t + 3)، Q(t + 7)، وQ(t + 14). تم استخدام مقاييس رئيسية مثل معامل الارتباط ($R$)، جذر متوسط مربع الخطأ (RMSE)، متوسط نسبة الخطأ المطلق (MAPE)، كفاءة ناش-سوتكليف (NSE)، مؤشر الاتفاق ($I_A$)، وعدم اليقين ($U_{95\%}$) لتقييم دقة النموذج. تفوق نموذج B-MVMD-WKELM-R-GBO باستمرار على الآخرين، محققًا قيم عالية لـ $R$ (0.996) وNSE (0.993) خلال التدريب لـ Q(t + 3)، مع RMSE منخفض (0.291) و$U_{95\%}$ (0.805). في المقابل، أظهرت النماذج الأخرى فعالية منخفضة، مما يشير إلى احتمال الإفراط في التكيف.
بالنسبة للتوقعات متوسطة المدى (Q(t + 7))، حافظ نموذج B-MVMD-WKELM-R-GBO على أداء متفوق، بينما أظهر نموذج B-MVMD-Ridge-GBO أيضًا موثوقية على الرغم من انخفاض طفيف في $R$. مع تمدد أفق التوقع إلى Q(t + 14)، واجهت جميع النماذج تحديات، ومع ذلك استمر نموذج B-MVMD-WKELM-R-GBO في تقديم نتائج قوية، مع قيم $R$ وNSE تبلغ 0.996 و0.991، على التوالي، وRMSE أقل (0.304) وMAPE (16.694). تؤكد النتائج على مزايا النماذج الهجينة مقارنة بالأساليب المستقلة، خاصة في تحسين الدقة التنبؤية عبر أطر زمنية متغيرة.
مناقشة
في هذا القسم، يناقش البحث تطوير وتقييم نموذج هجين جديد، B-MVMD-WKELM-R-GBO، لتوقع تدفق المياه اليومي في نهر تيرتل العلوي، ND، استنادًا إلى بيانات الهيدروميتورولوجيا. تؤكد الدراسة على أهمية اختيار الميزات وتحليل الإشارة في تعزيز دقة النموذج. في البداية، تم استخدام خوارزمية XGBoost لتحديد الميزات المهمة ذات التأخير الزمني، مما أدى إلى اختيار المعلمات المدخلة المثلى لثلاث آفاق توقع: $Q(t + 3)$، $Q(t + 7)$، و$Q(t + 14)$. ثم تم استخدام تقنية تحليل الوضع المتغير متعدد المتغيرات (MVMD) لتفكيك هذه الميزات إلى وظائف الوضع الجوهري (IMFs)، مما حسّن قدرة النموذج على التقاط العلاقات المعقدة داخل البيانات.
تضمنت المرحلة الثانية من اختيار الميزات إعادة تطبيق خوارزمية XGBoost على المدخلات المفككة، مما أدى إلى مجموعة بيانات مصقولة حسنت الكفاءة الحسابية. أظهر النموذج الهجين، الذي يدمج آلة التعلم المتطرفة النواة (KELM) مع الانحدار الخطي المدعوم محليًا (LWLR) والانحدار الجبهي (RR)، أداءً تنبؤيًا متفوقًا مقارنة بالنماذج المستقلة. تم تحسين فعالية النموذج بشكل أكبر باستخدام محسن قائم على التدرج (GBO) لضبط المعلمات الفائقة. أشارت النتائج إلى أن نموذج B-MVMD-WKELM-R-GBO تفوق باستمرار على النماذج الهجينة والمستقلة الأخرى عبر جميع أطر التوقع، مما يظهر قوته وقدرته على التكيف في توقع تدفق المياه. تختتم الدراسة بأن هذا النهج الهجين يستفيد بفعالية من نقاط القوة لعدة منهجيات لتحسين دقة التوقع في سياقات هيدرولوجية معقدة.
DOI: https://doi.org/10.1038/s41598-024-81779-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39730562
Publication Date: 2024-12-28
Author(s): Arvin Samadi-Koucheksaraee et al.
Primary Topic: Machine Learning and ELM
Overview
The research focuses on enhancing streamflow forecasting, which is vital for effective water resource management and disaster preparedness. It identifies limitations in existing machine learning (ML) techniques, such as the need for optimal predictor selection and the ability to generalize across different time horizons. To address these issues, the study introduces a novel hybrid model, B-MVMD-WKELM-R-GBO, which integrates multivariate variational mode decomposition (MVMD), XGBoost for feature selection, kernel extreme learning machine (KELM), ridge regression (RR), and a gradient-based optimizer (GBO). This model was applied to the Upper Turtle River watershed in North Dakota, demonstrating high predictive accuracy across multiple forecasting horizons, with correlation coefficients (R) reaching up to 0.997 and Nash-Sutcliffe efficiencies (NSE) of 0.994.
The findings underscore the model’s effectiveness in managing non-stationarity and complexity in data, as well as its superior performance compared to existing models, as evidenced by multicriteria decision-making (MCDM) rankings. While the B-MVMD-WKELM-R-GBO model shows promise in streamflow prediction, the study acknowledges limitations in understanding the intricate relationships between predictors and outcomes. Future research is suggested to explore enhancements through the integration of ML with numerical models and the application of techniques like Bayesian model averaging and bootstrapping. Overall, this work contributes to advancing hydrological modeling methodologies, particularly in the context of climate change.
Methods
In this study, a hybrid machine learning model, designated as B-MVMD-WKELM-R-GBO, was developed to analyze the dynamic relationships between precipitation and streamflow. The model was implemented using MATLAB R2022a and Python 3.9, following a two-step process. Initially, data preprocessing was performed utilizing XGBoost for feature selection and Multivariate Variational Mode Decomposition (MVMD). Subsequently, the hybrid model was constructed by integrating Ridge Regression (RR), Locally Weighted Linear Regression (LWLR), Kernel Extreme Learning Machine (KELM), and Grasshopper Optimization Algorithm (GBO).
The B-MVMD-WKELM-R-GBO model was executed on a Windows 10 system equipped with an Intel Core i7 processor and 16 GB of RAM. It was specifically designed to forecast the discharge of the Upper Turtle River for three distinct time horizons: 3 days (t + 3), 7 days (t + 7), and 14 days (t + 14). The methodology and procedural details of the model are further elaborated in subsequent sections of the paper.
Results
The results of the study, as detailed in Tables 4 and 5, highlight the performance of various standalone and hybrid models in predicting streamflow at different time horizons: Q(t + 3), Q(t + 7), and Q(t + 14). Key metrics such as the correlation coefficient ($R$), root mean square error (RMSE), mean absolute percentage error (MAPE), Nash-Sutcliffe efficiency (NSE), index of agreement ($I_A$), and uncertainty ($U_{95\%}$) were employed to evaluate model accuracy. The B-MVMD-WKELM-R-GBO model consistently outperformed others, achieving high $R$ (0.996) and NSE (0.993) values during training for Q(t + 3), with low RMSE (0.291) and $U_{95\%}$ (0.805). In contrast, other models exhibited reduced efficacy, indicating potential overfitting.
For the medium-term forecast (Q(t + 7)), the B-MVMD-WKELM-R-GBO model maintained superior performance, while the B-MVMD-Ridge-GBO model also demonstrated reliability despite a slight decrease in $R$. As the prediction horizon extended to Q(t + 14), all models faced challenges, yet the B-MVMD-WKELM-R-GBO model continued to deliver robust results, with $R$ and NSE values of 0.996 and 0.991, respectively, and lower RMSE (0.304) and MAPE (16.694). The findings underscore the advantages of hybrid models over standalone approaches, particularly in enhancing predictive accuracy across varying timeframes.
Discussion
In this section, the research discusses the development and evaluation of a novel hybrid model, B-MVMD-WKELM-R-GBO, for forecasting daily streamflow in the Upper Turtle River, ND, based on hydrometeorological data. The study emphasizes the importance of feature selection and signal decomposition in enhancing model accuracy. Initially, the XGBoost algorithm was employed to identify significant time-lagged features, leading to the selection of optimal input parameters for three forecasting horizons: $Q(t + 3)$, $Q(t + 7)$, and $Q(t + 14)$. The Multivariate Variational Mode Decomposition (MVMD) technique was then utilized to decompose these features into Intrinsic Mode Functions (IMFs), which improved the model’s ability to capture complex relationships within the data.
The second phase of feature selection involved reapplying the XGBoost algorithm on the decomposed inputs, resulting in a refined dataset that enhanced computational efficiency. The hybrid model, integrating Kernel Extreme Learning Machine (KELM) with Locally Weighted Linear Regression (LWLR) and Ridge Regression (RR), demonstrated superior predictive performance compared to standalone models. The model’s efficacy was further optimized using a Gradient-Based Optimizer (GBO) to fine-tune hyperparameters. The results indicated that the B-MVMD-WKELM-R-GBO model consistently outperformed other hybrid and standalone models across all forecasting timeframes, showcasing its robustness and adaptability in streamflow prediction. The study concludes that this hybrid approach effectively leverages the strengths of multiple methodologies to improve forecasting accuracy in complex hydrological contexts.