El profesor Sun Bo (Universidad de Ciencia y Tecnología de la Información de Nanjing) y sus colegas llevaron a cabo una investigación sobre la predicción de las aguas subterráneas en Ningxia y descubrieron que dos modelos híbridos de aprendizaje automático, a saber, la red neuronal de atención, convolución y memoria de largo plazo (MH) -CNN-LSTM) y la Unidad Recurrente Cerrada de Red Neuronal Convolucional de Atención de Múltiples Cabezales (MH-CNN-GRU)—tienen un gran potencial en la predicción de la profundidad del agua subterránea en el área de Ningxia. Los hallazgos se han publicado recientemente en Atmospheric and Oceanic Science Letters. .

En este estudio, se seleccionan los factores relacionados con el agua subterránea, como la precipitación, y se combinan dos modelos híbridos de aprendizaje profundo, que son CNN-LSTM y CNN-GRU, con atención de múltiples cabezales. Luego, se comparan con el modelo de regresión lineal múltiple, que es un modelo estadístico tradicional.

Además, el algoritmo de optimización del escarabajo pelotero (DBO) se utiliza para mejorar aún más la capacidad de predicción de los modelos híbridos de aprendizaje profundo mediante la optimización de parámetros. El mapa de tienda, la distribución T adaptativa y la estrategia de búsqueda en espiral se utilizan para mejorar el DBO, y se comparan los resultados de predicción de los modelos con el DBO mejorado y el DBO original.

Su rendimiento predictivo es mejor que el modelo tradicional de regresión lineal múltiple. Además, el algoritmo DBO puede mejorar aún más la precisión de la predicción del modelo. En comparación con el DBO original, los modelos con el DBO mejorado funcionan mejor.

Las precipitaciones en el área de Ningxia se concentran principalmente en verano y, por lo tanto, el agua subterránea en esta región aumenta significativamente en verano en comparación con las otras tres estaciones. En el futuro, el equipo de investigación se centrará en las aguas subterráneas de verano en el área de Ningxia y estudiará los mecanismos físicos relacionados. Luego, se examinará más a fondo si la adición de factores relacionados con estos mecanismos físicos puede mejorar significativamente los resultados de la predicción.