Il professor Sun Bo (Università di scienza e tecnologia dell'informazione di Nanchino) e colleghi hanno condotto una ricerca sulla previsione delle acque sotterranee nel Ningxia e hanno scoperto che due modelli ibridi di apprendimento automatico, vale a dire il Multi-head Attention-Convolution Neural Network-Long Short Term Memory (MH) -CNN-LSTM) e la Multi-head Attention-Convolution Neural Network-Gated Recurrent Unit (MH-CNN-GRU) hanno un grande potenziale nella previsione della profondità delle acque sotterranee nell'area di Ningxia. I risultati sono stati recentemente pubblicati su Atmospheric and Oceanic Science Letters .

In questo studio vengono selezionati i fattori relativi alle acque sotterranee, come le precipitazioni, e due modelli ibridi di deep learning, CNN-LSTM e CNN-GRU, sono combinati con l’attenzione multi-head. Successivamente, vengono confrontati con il modello di regressione lineare multipla, che è un modello statistico tradizionale.

Inoltre, l’algoritmo di ottimizzazione dello scarabeo stercorario (DBO) viene utilizzato per migliorare ulteriormente la capacità di previsione dei modelli ibridi di deep learning ottimizzando i parametri. La mappa della tenda, la distribuzione T adattiva e la strategia di ricerca a spirale vengono utilizzate per migliorare il DBO e vengono confrontati i risultati di previsione dei modelli con il DBO migliorato e il DBO originale.

Le loro prestazioni predittive sono migliori rispetto al tradizionale modello di regressione lineare multipla. Inoltre, l'algoritmo DBO può migliorare ulteriormente l'accuratezza della previsione del modello. Rispetto al DBO originale, i modelli con il DBO migliorato hanno prestazioni migliori.

Le precipitazioni nell'area di Ningxia sono concentrate principalmente in estate, e quindi le acque sotterranee in questa regione aumentano notevolmente in estate rispetto alle altre tre stagioni. In futuro, il gruppo di ricerca si concentrerà sulle acque sotterranee estive nell’area di Ningxia e studierà i relativi meccanismi fisici. Successivamente, verrà esaminato ulteriormente se l'aggiunta di fattori legati a questi meccanismi fisici possa migliorare significativamente i risultati delle previsioni.