ترجمه فارسی مقاله جایگزین‌های یادگیری ماشین برای مدل‌سازی هیدرولوژیکی کارآمد: بینش‌هایی از شبیه‌سازی‌های تصادفی تغذیه آبخوان مدیریت‌شده

چکیده

Process-based hydrologic models are invaluable tools for understanding the terrestrial water cycle and addressing modern water resources problems. However, many hydrologic models are computationally expensive and, depending on the resolution and scale, simulations can take on the order of hours to days to complete. While techniques such as uncertainty quantification and optimization have become valuable tools for supporting management decisions, these analyses typically require hundreds of model simulations, which are too computationally expensive to perform with a process-based hydrologic model. To address this gap, we propose a hybrid modeling workflow in which a process-based model is used to generate an initial set of simulations and a machine learning (ML) surrogate model is then trained to perform the remaining simulations required for downstream analysis. As a case study, we apply this workflow to simulations of variably saturated groundwater flow at a prospective managed aquifer recharge (MAR) site. We compare the accuracy and computational efficiency of several ML architectures, including deep convolutional networks, recurrent neural networks, vision transformers, and networks with Fourier transforms. Our results demonstrate that ML surrogate models can achieve under 10% mean absolute percentage error and yield order-of-magnitude runtime savings over processed-based models. We also offer practical recommendations for training hydrologic surrogate models, including implementing data normalization to improve accuracy, using a normalized loss function to improve training stability and downsampling input features to decrease memory requirements.

چکیده به فارسی (ترجمه ماشینی)

مدل های هیدرولوژیکی مبتنی بر فرآیند ابزارهای ارزشمندی برای درک چرخه آب زمینی و پرداختن به مشکلات منابع آب مدرن هستند.با این حال ، بسیاری از مدل های هیدرولوژیکی از نظر محاسباتی گران هستند و بسته به وضوح و مقیاس ، شبیه سازی ها می توانند سفارش ساعت ها را به روز انجام دهند.در حالی که تکنیک هایی مانند کمیت عدم اطمینان و بهینه سازی به ابزارهای ارزشمندی برای حمایت از تصمیمات مدیریتی تبدیل شده اند ، این تجزیه و تحلیل ها به طور معمول به صدها شبیه سازی مدل نیاز دارند ، که برای انجام با یک مدل هیدرولوژیکی مبتنی بر فرآیند بسیار گران قیمت هستند.برای پرداختن به این شکاف ، ما یک گردش کار مدل سازی ترکیبی را پیشنهاد می کنیم که در آن از یک مدل مبتنی بر فرآیند برای تولید مجموعه اولیه از شبیه سازی ها استفاده می شود و یک مدل جانشین یادگیری ماشین (ML) برای انجام شبیه سازی های باقی مانده مورد نیاز برای تجزیه و تحلیل پایین دست آموزش داده می شود.به عنوان یک مطالعه موردی ، ما این گردش کار را برای شبیه سازی جریان آب زیرزمینی متغیر اشباع شده در یک سایت شارژ آبخوان مدیریت شده آینده نگر (MAR) اعمال می کنیم.ما دقت و کارآیی محاسباتی چندین معماری ML ، از جمله شبکه های عمیق حلقوی ، شبکه های عصبی مکرر ، ترانسفورماتورهای بینایی و شبکه ها را با تبدیل های فوریه مقایسه می کنیم.نتایج ما نشان می دهد که مدل های جانشین ML می توانند زیر 10 ٪ میانگین خطای درصد مطلق و بازده پس انداز زمان عملکرد عکسبرداری را نسبت به مدلهای مبتنی بر فرآیند بدست آورند.ما همچنین توصیه های عملی را برای آموزش مدلهای جانشین هیدرولوژیکی ، از جمله اجرای عادی سازی داده ها برای بهبود دقت ، با استفاده از یک عملکرد از دست دادن نرمال برای بهبود ثبات آموزش و کاهش ویژگی های ورودی برای کاهش نیازهای حافظه ارائه می دهیم.