华北喀斯特泉流量预测的机器学习方法比较
信号处理
2020-07-28 v1 地球物理
摘要
喀斯特泉流量的定量分析通常依赖于具有固有不确定性的基于物理的模型。为了提高对泉流量波动机制以及降水与泉流量之间关系的理解，开发了三种机器学习方法，以减少基于物理的地下水模型的预测误差，模拟龙子祠泉喀斯特区域的流量，并基于1987至2018年的长时间序列降水监测和泉水流量数据预测泉流量变化。这三种机器学习方法包括两个人工神经网络（ANN），即多层感知机（MLP）和长短期记忆-递归神经网络（LSTM-RNN），以及支持向量回归（SVR）。引入了一种归一化方法进行数据预处理，以使这三种方法具有鲁棒性和计算效率。为了比较和评估这三种机器学习方法的能力，选择均方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）作为这些方法的性能指标。模拟表明，MLP将MSE、MAE和RMSE分别降至0.0010、0.0254和0.0318。同时，LSTM-RNN将MSE降至0.0010，MAE降至0.0272，RMSE降至0.0329。此外，SVR的MSE、MAE和RMSE分别下降了0.0910、0.1852和0.3017。结果表明，MLP的表现略优于LSTM-RNN，而MLP和LSTM-RNN的表现均显著优于SVR。此外，人工神经网络被证明是模拟和预测喀斯特泉流量的首选机器学习方法。
引用
@article{arxiv.2007.12951,
title = {Comparison of Machine Learning Methods for Predicting Karst Spring Discharge in North China},
author = {Shu Cheng and Xiaojuan Qiao and Yaolin Shi and Dawei Wang},
journal= {arXiv preprint arXiv:2007.12951},
year = {2020}
}