Le professeur Sun Bo (Université des sciences et technologies de l'information de Nanjing) et ses collègues ont mené des recherches sur la prévision des eaux souterraines dans le Ningxia et ont découvert que deux modèles hybrides d'apprentissage automatique, à savoir le réseau neuronal multi-têtes attention-convolution-mémoire à long terme (MH) -CNN-LSTM) et l'unité récurrente multi-têtes d'attention-convolution-réseau neuronal (MH-CNN-GRU) - ont un grand potentiel dans la prévision de la profondeur des eaux souterraines dans la région du Ningxia. Les résultats ont récemment été publiés dans Atmospheric and Oceanic Science Letters. .

Dans cette étude, les facteurs liés aux eaux souterraines, tels que les précipitations, sont sélectionnés et deux modèles hybrides d'apprentissage profond, CNN-LSTM et CNN-GRU, sont combinés avec une attention multi-têtes. Ensuite, ils sont comparés au modèle de régression linéaire multiple, qui est un modèle statistique traditionnel.

De plus, l’algorithme d’optimisation du bousier (DBO) est utilisé pour améliorer encore la capacité de prédiction des modèles hybrides d’apprentissage profond en optimisant les paramètres. La carte de tente, la distribution T adaptative et la stratégie de recherche en spirale sont utilisées pour améliorer le DBO, et les résultats de prédiction des modèles avec le DBO amélioré et le DBO d'origine sont comparés.

Leurs performances prédictives sont meilleures que celles du modèle de régression linéaire multiple traditionnel. De plus, l’algorithme DBO peut encore améliorer la précision des prévisions du modèle. Par rapport au DBO d'origine, les modèles dotés du DBO amélioré fonctionnent mieux.

Les précipitations dans la région du Ningxia sont principalement concentrées en été, et donc les eaux souterraines de cette région augmentent considérablement en été par rapport aux trois autres saisons. À l’avenir, l’équipe de recherche se concentrera sur les eaux souterraines estivales de la région du Ningxia et étudiera les mécanismes physiques associés. Ensuite, la question de savoir si l'ajout de facteurs liés à ces mécanismes physiques peut améliorer considérablement les résultats de prédiction sera examinée plus en détail.