当前位置：首页 > news >正文

第32周：文献阅读

news 来源：原创 2025/9/21 14:23:33

摘要

Abstract

文献阅读

问题引入

研究问题

研究意义

研究方法

集成方法

随机森林（RF）

支持向量机（SVM）

简单循环神经网络（SimpleRNN）

长短期记忆网络（LSTM）

创新点

多模型比较与评估

数据驱动方法的应用

超参数优化与模型改进

研究过程

数据准备

模型选择

性能评估

实验结论

总结

摘要

本周阅读的文献是roundwater levels in the West Coast Aquifer System, South Africa，该文献围绕机器学习和深度学习在南非西海岸含水层系统地下水位预测的应用展开，再文章结构上，先在引言提出研究背景与目的，材料与方法详述研究区域、模型理论、数据处理及模型实现与评估方式，结果展示各项分析结果，讨论深入剖析并对比，结论总结成果与意义。其特点是结合多种模型、依靠实际数据驱动并强调模型可解释性。优势体现为能高精度预测复杂关系、适应复杂水文环境且可实时监测。该研究成果适用于当地水资源管理、灾害预警等场景，因为准确的地下水位预测能助力合理调配水资源、提前防范水患。效果比较显示，相比传统方法，此方法预测更精准。未来可通过优化模型结构、增加关键影响因素等改进，进一步提升预测性能和泛用性。

Abstract

The literature I read this week is' roundwater levels in the West Coast Aquifer System ', South Africa， This literature focuses on the application of machine learning and deep learning in predicting groundwater levels in the aquifer system on the west coast of South Africa. Structurally, the introduction presents the research background and purpose, and the materials and methods describe the research area, model theory, data processing, and model implementation and evaluation methods. The results display various analysis results, discuss in-depth analysis and comparison, and summarize the results and significance. Its characteristic is to combine multiple models, rely on actual data-driven approaches, and emphasize model interpretability. The advantages are reflected in the ability to predict complex relationships with high accuracy, adapt to complex hydrological environments, and enable real-time monitoring. This research result is applicable to local water resource management, disaster warning and other scenarios, as accurate groundwater level prediction can help to allocate water resources reasonably and prevent floods in advance. The comparative results show that compared to traditional methods, this method predicts more accurately. In the future, improvements such as optimizing model structure and adding key influencing factors can be made to further enhance predictive performance and universality.

文献阅读

问题引入

研究问题

该文献中的实验研究主要是评估机器学习和深度学习算法（包括随机森林、支持向量机、简单循环神经网络和长短期记忆网络）在预测南非西海岸含水层系统地下水位变化中的适用性和性能表现。研究的核心问题在于确定这些数据驱动的方法是否能够有效替代或补充传统的数值模型，并在管理含水层补给（MAR）实践中提供更准确的地下水位预测。

研究意义

为地下水位预测提供一种新的数据驱动方法，以应对传统数值模型在劳动强度、数据需求和计算复杂性方面的局限性。通过比较不同机器学习和深度学习算法的性能，研究结果将为水资源管理者提供科学依据，帮助他们更高效地实施管理含水层补给（MAR）策略，优化水资源管理，并提高对气候变化和人类活动影响的适应能力。此外，该研究还填补了南非在应用机器学习和深度学习进行地下水位预测方面的研究空白。

研究方法

集成方法

集成方法是一种机器学习技术，它通过结合多个学习算法来解决单一模型难以解决的问题，从而提高整体模型的性能。有两种方法：：bagging（自举汇聚法）和boosting（提升法）

bagging（自举汇聚法）

bagging，通过在原始数据集上进行多次重采样（通常是有放回抽样）来创建多个训练集，然后分别训练多个模型。所有模型的预测结果通常通过简单平均或多数投票法来合并。

boosting（提升法）

是一种逐步增强模型性能的方法。它开始于对所有训练样本赋予相同的权重，然后迭代地训练模型。在每一次迭代中，错误分类的样本将获得更高的权重，这迫使下一个模型更加关注之前被错误分类的样本。

对比：

Bagging通过减少模型的方差来提高性能，而Boosting则通过同时减少偏差和方差来实现。Bagging中的模型可以并行训练，而Boosting需要顺序训练模型，因为每个模型的训练依赖于前一个模型的结果。

随机森林（RF）

随机森林是一种集成学习的方法，它通过构建多个决策树来进行分类或回归问题。

核心思想：利用多个决策树的预测结果，通过投票或平均的方式来提高整体模型的准确性和鲁棒性。

首先，需要随机在原始数据集中随机选择数据形成子数据集；接着，每个数据都分别进行一次决策树预测，其中的节点分裂也是随机选择一部分的数据特征。

支持向量机（SVM）

支持向量机是一种二分类模型，它的目的就是构造一个“超平面”，并利用“超平面”将不同类别的样本做划分。同时使得样本集中的点到这个分类超平面的最小距离（即分类间隔）最大化。

首先，创造一个“超平面”方程，也就是上图中的线性方程表示；然后，在多维空间中任取一点，计算该点到超平面的距离；最后，根据距离将他们划分到不同的超平面。

简单循环神经网络（SimpleRNN）

循环神经网络是一类具有短期记忆能力的神经网络。在循环神经网络中，神经元不但可以接受其他神经元的信息，也可以接受自身的信息，形成具有环路的网络结构。是一类专门用于处理序列数据的神经网络。

可以看出，RNN的每个时间步的输入都包含两部分，一部分是输入层的当前输入数据、另一部分是隐藏层中前一时刻的隐藏状态。

核心代码

import numpy as npclass SimpleRNN:def __init__(self, input_size, hidden_size, output_size):# 初始化网络参数self.hidden_size = hidden_sizeself.W_xh = np.random.randn(input_size, hidden_size) * 0.01self.W_hh = np.random.randn(hidden_size, hidden_size) * 0.01self.W_hy = np.random.randn(hidden_size, output_size) * 0.01self.b_h = np.zeros((1, hidden_size))self.b_y = np.zeros((1, output_size))# 用于存储反向传播所需的中间值self.hidden_states = []self.inputs = []def forward(self, input_sequence):# 初始化隐藏状态h = np.zeros((1, self.hidden_size))self.hidden_states = [h]self.inputs = input_sequenceoutputs = []# 前向传播for x in input_sequence:h = np.tanh(np.dot(x, self.W_xh) + np.dot(h, self.W_hh) + self.b_h)y = np.dot(h, self.W_hy) + self.b_yself.hidden_states.append(h)outputs.append(y)return outputsdef backward(self, d_outputs, learning_rate=0.01):# 初始化梯度dW_xh = np.zeros_like(self.W_xh)dW_hh = np.zeros_like(self.W_hh)dW_hy = np.zeros_like(self.W_hy)db_h = np.zeros_like(self.b_h)db_y = np.zeros_like(self.b_y)# 反向传播dh_next = np.zeros((1, self.hidden_size))for t in reversed(range(len(self.inputs))):# 输出层的梯度dy = d_outputs[t]dW_hy += np.dot(self.hidden_states[t+1].T, dy)db_y += dy# 隐藏层的梯度dh = np.dot(dy, self.W_hy.T) + dh_nextdh_raw = (1 - self.hidden_states[t+1] ** 2) * dhdW_xh += np.dot(self.inputs[t].T, dh_raw)dW_hh += np.dot(self.hidden_states[t].T, dh_raw)db_h += dh_rawdh_next = np.dot(dh_raw, self.W_hh.T)# 更新参数self.W_xh -= learning_rate * dW_xhself.W_hh -= learning_rate * dW_hhself.W_hy -= learning_rate * dW_hyself.b_h -= learning_rate * db_hself.b_y -= learning_rate * db_y

长短期记忆网络（LSTM）

LSTM是一种特殊的RNN，能够学习长的依赖关系。

LSTM的第一步是决定我们要从细胞状态中丢弃什么信息。该决定由被称为“忘记门”的Sigmoid层实现。它查看(前一个输出)和(当前输入)，并为单元格状态(上一个状态)中的每个数字输出0和1之间的数字。1代表完全保留，而0代表彻底删除。

创新点

多模型比较与评估

研究同时评估了四种不同的机器学习和深度学习算法（随机森林、支持向量机、简单循环神经网络和长短期记忆网络），并比较了它们在地下水位预测中的表现。研究不仅关注单一性能指标，而是综合使用了均方误差（MSE）、平均绝对误差（MAE）和均方根误差（RMSE）等多种指标来全面评估模型性能，提供了更全面的性能分析。

数据驱动方法的应用

研究采用的数据驱动方法（机器学习和深度学习）能够直接从历史数据中学习地下水位变化的模式，而无需对复杂的物理过程进行详细建模。这种方法在数据稀缺的地区尤其具有优势，因为它减少了对详细地质和水文数据的依赖。

超参数优化与模型改进

研究采用了网格搜索和10折交叉验证来优化模型的超参数，确保模型在训练和测试阶段的性能达到最优。这种优化方法不仅提高了模型的鲁棒性和预测精度，还减少了过拟合和欠拟合的风险。

研究过程

数据准备

该实验研究从南非国家地下水档案（NGA）和HYDSTRA数据库中获取了2000年至2010年的地下水位、降雨量和温度数据，这些数据覆盖了南非西海岸含水层系统的关键区域。为了确保数据的可用性和模型训练的效率，该研究对数据进行了详细的预处理，包括将数据整合为时间序列格式、按时间顺序分割为训练集（2000-2009年，占比80%）和测试集（2010年，占比20%），并对数据进行了标准化处理以消除量纲影响并提高模型的收敛速度。

模型选择

本实验研究选择了随机森林（RF）、支持向量机（SVM）、简单循环神经网络（SimpleRNN）和长短期记忆网络（LSTM）四种模型在预测南非西海岸含水层系统地下水位变化方面的性能。通过比较平均绝对误差（MAE）和均方根误差（RMSE）指标，发现支持向量机（SVM）模型在预测精度上表现最佳，而长短期记忆网络（LSTM）模型表现最差。

性能评估

3个评估指标来衡量4个不同模型的性能，对比图如下：

对比分析：

1、随机森林（RF）在所有三个评估指标上都显示出较好的性能，特别是在MAE和RMSE指标上表现最佳，是预测地下水位的最佳模型。

2、简单循环神经网络（SimpleRNN）在所有三个评估指标上都表现最差，特别是在MSE和RMSE指标上，显示其在处理该数据集时的预测误差较大。

为了直观的看出预测结果的性能好坏，将文献中提到的4种不同模型预测出来的结果与真实值作比较，比较图如下：

对比分析：

1、从整体上来看，所有模型都能在一定程度上捕捉到地下水位的季节性变化趋势。

2、SVM和SimpleRNN模型在全年中提供了较为稳定的预测结果，而RF和LSTM模型在某些月份的预测性能有所下降。

以下表格总结了四种不同模型在预测地下水位（GWL）时的性能：

对比分析：

1、支持向量机（SVM）在MAE和RMSE两个指标上都表现最佳，是预测地下水位的最佳模型。

2、长短期记忆网络（LSTM）在MAE和RMSE两个指标上都表现最差，显示其在处理该数据集时的预测误差较大。

3、在本实验研究种，深度学习模型的性能不如传统机器学习

实验结论

对比分析：

1、降雨和温度的模式呈现出相反的季节性趋势，即在降雨量高的季节，温度较低；而在温度高的季节，降雨量较低。

2、月降雨量和温度都具有明显的季节性

分析完月降雨量和温度的年变化，接下来展示这两个变量和地下水位之间的关系，如下图：

上述两张关系图分别代表不同的年份——2000-2005年和2005-2010年

对比分析：

1、降雨量和地下水位之间普遍存在较强的正相关性，这表明降雨量的增加往往伴随着地下水位的上升。

2、温度与地下水位（GWL）之间普遍存在负相关性，这可能意味着温度升高时地下水位倾向于下降，这可能与蒸发量增加有关。

3、降雨量和温度之间存在正相关，印证了前面的猜想

补充分析：

1、2002年的降雨量与地下水位之间的相关性非常高（接近1），这可能反映了那一年降雨对地下水补给的显著影响。

2、2009年的降雨量与地下水位之间的相关性有所降低，这可能与那一年的特定气候条件有关。

上述结果分析，展现出降雨量和温度对于地下水位有极其重要的影响；在模型性能比较之后，发现传统的机器学习模型的性能要优于深度学习的，所以重点讨论RF、SVM两个传统方法。结合上述两点，展现以上两种传统方法（RF、SVM）对以上两个特征（降雨量和温度）的重要性。重要性展示如下：

随机森林作为一种集成学习方法，可能更能捕捉到降雨量和温度对地下水位的非线性影响，而支持向量机可能更侧重于找到最优的决策边界。

对比分析：

1、随机森林模型认为降雨量和温度都是预测地下水位的重要特征，且降雨量的影响更大。

2、支持向量机模型则认为这两个特征对预测地下水位的影响都不大，特别是温度的影响最小。

总结

这篇文献评估了随机森林、支持向量机、简单循环神经网络和长短期记忆网络四种模型在预测南非西海岸含水层地下水位的应用。研究显示，支持向量机模型在精度上表现最佳，而长短期记忆网络表现最差。该方法为干旱地区地下水位预测提供了一种高效、准确的新途径。未来研究可进一步优化模型，提高预测的准确性和可靠性。

摘要

Abstract

文献阅读

问题引入

研究问题

研究意义

研究方法

集成方法

随机森林（RF）

支持向量机（SVM）

简单循环神经网络（SimpleRNN）

长短期记忆网络（LSTM）

创新点

多模型比较与评估

数据驱动方法的应用

超参数优化与模型改进

研究过程

数据准备

模型选择

性能评估

实验结论

总结

相关文章：