Nouvelles

May 20, 2023

Multiformateur à ondelettes pour la prévision de séries chronologiques sur les eaux souterraines

Scientific Reports volume 13, Numéro d'article : 12726 (2023) Citer cet article 1 Détails d'Altmetric Metrics Développer des modèles précis pour le contrôle des eaux souterraines est primordial pour la planification et la gestion.

Rapports scientifiques volume 13, Numéro d'article : 12726 (2023) Citer cet article

1 Altmétrique

Détails des métriques

Le développement de modèles précis pour le contrôle des eaux souterraines est primordial pour la planification et la gestion des ressources vitales (eau) provenant des réservoirs aquifères. Des progrès significatifs ont été réalisés dans la conception et l’utilisation de modèles de prévision approfondie pour relever le défi de la prévision de séries chronologiques multivariées. Cependant, la plupart des modèles ont été initialement enseignés uniquement pour optimiser les tâches de traitement du langage naturel et de vision par ordinateur. Nous proposons le Wavelet Gated Multiformer, qui combine la force d'un transformateur vanille avec le Wavelet Crossformer qui utilise des blocs de corrélation croisée d'ondelettes internes. Le mécanisme d'auto-attention (Transformer) calcule la relation entre les points internes de la série chronologique, tandis que la corrélation croisée trouve des modèles de périodicité tendance. L'encodeur multi-têtes est canalisé via une porte de mélange (combinaison linéaire) de sous-encodeurs (Transformer et Wavelet Crossformer) qui envoient des signatures de tendance au décodeur. Ce processus a amélioré les capacités prédictives du modèle, réduisant l'erreur absolue moyenne de 31,26 % par rapport aux deuxièmes modèles de type transformateur les plus performants évalués. Nous avons également utilisé les cartes thermiques à corrélation croisée multifractales (MF-DCCHM) pour extraire les tendances cycliques de paires de stations à travers des régimes multifractaux en débruitant la paire de signaux avec des ondelettes de Daubechies. Notre ensemble de données a été obtenu à partir d'un réseau de huit puits pour la surveillance des eaux souterraines dans les aquifères brésiliens, de six stations pluviométriques, de onze stations de débit fluvial et de trois stations météorologiques équipées de capteurs de pression atmosphérique, de température et d'humidité.

Les ressources en eaux souterraines1 comptent parmi les actifs les plus essentiels au maintien de la vie2 pour les communautés du monde entier. Les réservoirs aquifères jouent un rôle crucial dans l’agriculture irriguée3, l’approvisionnement en eau4,5 et le développement industriel6. Les mesures du niveau des eaux souterraines sont vitales pour les systèmes de gestion de l'eau7,8 car elles indiquent la disponibilité, l'accessibilité et les perturbations possibles9,10. Par conséquent, une prévision précise des niveaux des eaux souterraines peut également fournir aux décideurs politiques des informations sur les stratégies de planification et de gestion des ressources en eau qui garantissent le développement durable dans différentes régions11,12. Ces systèmes sont généralement intégrés dans des zones spécifiques via des puits connectés au réservoir principal. Cependant, en raison de la complexité et de la non-linéarité de la nature, telles que les fluctuations météorologiques, la recharge des eaux souterraines et le débit des rivières, la topographie variée, les activités humaines telles que l'exploitation des réservoirs aquifères et les changements de pression atmosphérique, de précipitations, de température et de conditions hydrogéologiques distinctes et leurs interactions peuvent profondément affecter les prévisions des niveaux des eaux souterraines13,14.

De nombreuses approches ont été proposées pour modéliser, simuler et prédire les niveaux des eaux souterraines à l’aide de modèles conceptuels15, d’approches par différences finies16 et par éléments finis17,18. Bien que les modèles classiques puissent être fiables pour les prévisions, de grands volumes de données sont nécessaires. En outre, les aquifères ont des propriétés différentes, telles que diverses conditions aux limites sous-jacentes aux structures géologiques, les taux de diffusion des milieux poreux et la topographie affectant les réservoirs. Les modèles physiques peuvent suivre le conditionnement de l’eau pour prévoir les distributions spatio-temporelles19,20. Cependant, la complexité et les coûts de calcul sont exceptionnellement élevés puisque la résolution des équations aux dérivées partielles peut prendre plusieurs jours. Par conséquent, la conception de modèles d’apprentissage automatique pour simuler les niveaux d’eau souterraine qui capturent la dynamique non linéaire des réservoirs en identifiant des modèles intrinsèques dans les données chronologiques sans processus physiques sous-jacents est primordiale pour les systèmes de gestion de l’eau21,22,23,24. Des réseaux neuronaux fondés sur la physique ont également été utilisés pour simuler le processus physique régissant les aquifères25,26,27. En outre, des progrès ont été réalisés dans les méthodes basées sur l'apprentissage profond pour la prévision des eaux souterraines28,29, les algorithmes génétiques30,31, la machine à vecteurs de support (SVM)32,33,34, les réseaux convolutifs (CNN) et temporels35,36, les réseaux neuronaux récurrents. , unité récurrente fermée (GRU) et mémoire à long terme (LSTM)37,38,39, et des réseaux de neurones graphiques basés sur Wavenets40,41 pour inclure des modèles spatio-temporels pour la prévision des eaux souterraines.