Улучшенное метаэвристиками глубокое обучение для прогнозирования месячного испарения поэванов при ограниченных климатических данных

Почему высыхание воды важно для повседневной жизни

Вода уходит из озёр, водохранилищ и сельскохозяйственных прудов каждый день посредством испарения, незаметно определяя, сколько воды остаётся для питья, выращивания пищи и защиты экосистем. Измерять и предсказывать эти потери кажется просто — достаточно следить за исчезновением воды в поэване — но на практике это трудно, особенно в районах с малым количеством погодных приборов. В этом исследовании изучается, как современные методы глубокого обучения, направляемые природно‑вдохновлёнными поисковыми стратегиями, могут прогнозировать месячное испарение поэванов, используя лишь несколько базовых климатических измерений, помогая сообществам планировать засухи, наводнения и сезонные изменения даже при скудных данных.

Наблюдая, как вода уходит из металлической поэванки

Инженеры и гидрологи часто используют «испарение поэванов» как практический способ оценить скорость потери воды с открытых поверхностей. Мелкая металлическая поэванка, заполненная водой, заменяет озёра, каналы и водохранилища. Тем не менее такие измерения подвержены отказам приборов, проблемам с обслуживанием и разрывам в записях. Косвенные формулы, связывающие испарение с климатическими переменными, такими как температура и солнечное излучение, также слабы, когда отсутствуют ключевые данные. Поскольку испарение реагирует сложно и нелинейно на погодные и ландшафтные условия, традиционные подходы могут ошибочно оценивать потери воды, особенно в регионах, где доступны лишь несколько базовых климатических переменных.

Обучение модели с памятью «читать» погоду

Авторы опираются на тип нейросетей глубокого обучения, называемый долгой кратковременной памятью (LSTM), предназначенный для нахождения закономерностей во временных рядах. LSTM работают как последовательность связанных «ячееk памяти», которые решают, что сохранить, что забыть и что передать дальше, что делает их хорошо приспособленными к отслеживанию меняющихся климатических условий месяц за месяцем. В этом исследовании модели используют только небольшой набор входов: минимальную и максимальную температуру воздуха и меру падающей солнечной энергии. Цель — предсказать, сколько воды испаряется из поэванки каждый месяц на протяжении многих лет, оставаясь при этом надёжными даже при ограниченной или неполной входной информации.

Позволяя простейшим и жуку‑навознику направлять поиск

Обучение LSTM требует выбора многих внутренних настроек — таких как скорость обучения, число скрытых единиц и скорость исключения (dropout) — которые сильно влияют на её точность. Вместо ручного подбора исследователи привлекают два новых био‑вдохновлённых «метаэвристических» оптимизатора: искусственный оптимизатор простейших (APO) и оптимизатор навозных жуков (DBO). Эти алгоритмы имитируют способы, которыми микроскопические простейшие добывают пищу, отдыхают и размножаются, и как навозные жуки катят, перенаправляют, крадут и прячут свои шарики с кормом. В математической форме их поведение превращается в гибкие стратегии поиска, которые сначала широко исследуют пространство параметров, а затем фокусируются на перспективных областях. Сочетая APO и DBO с LSTM, исследование создаёт две гибридные модели — LSTM‑APO и LSTM‑DBO — которые автоматически ищут комбинации гиперпараметров, дающие наиболее надёжные прогнозы испарения.

Тестирование моделей в ландшафте, формируемом муссоном

Команда оценивает эти методы на 40 годах данных с двух метеостанций на юго‑востоке Китая, в муссонном регионе озёр, рисовых полей и частых наводнений и засух. Они сознательно имитируют реальные ограничения, проверяя несколько стратегий разбиения данных, где от 70 до 80 процентов записи используется для обучения, а остальное — для тестирования. Также исследуются разные комбинации входов — только температура или температура плюс радиация — чтобы выяснить, насколько мало информации нужно моделям при сохранении хорошей производительности. Оценка проводится с помощью распространённых статистических показателей ошибок и качества подгонки, а также визуальных проверок — таких как диаграммы рассеяния, диаграммы Тейлора и «скрипичные» диаграммы — сравнивающих наблюдаемое и предсказанное испарение.

Более точные прогнозы благодаря природно‑вдохновлённой настройке

По всем станциям и схемам разбиения данных сети, усиленные APO и DBO, последовательно превосходили стандартный LSTM и более ранние гибриды с применением устоявшихся оптимизаторов. В наилучшем случае для первой станции модель LSTM‑APO сократила ключевые показатели ошибки почти вдвое и значительно улучшила соответствие между наблюдаемыми и предсказанными значениями испарения. На второй станции она снова уменьшила ошибки примерно на 40 % и повысила показатели прогностического мастерства. LSTM‑DBO также показал существенные улучшения — обычно снижая ошибки на 20–30 % — при этом обеспечивая более стабильные предсказания при разных конфигурациях тестов. Важный практический вывод состоит в том, что больше входов не всегда означает лучше: во многих случаях простые комбинации минимальной и максимальной температуры превосходили модели, которые также использовали идеализированную радиацию, подчёркивая, что тщательно подобранные, широко доступные переменные могут быть достаточными в сочетании с хорошо настроенной глубокой сетью.

Что это значит для управления водными ресурсами в меняющемся мире

Для неспециалистов вывод прост: сочетая временную нейросеть с продуманными, биологически вдохновлёнными поисковыми процедурами, можно прогнозировать скорость испарения с открытых поверхностей, используя лишь небольшое количество климатической информации. Модели LSTM‑APO и LSTM‑DBO не меняют физику испарения, но они точнее усваивают его типичное поведение в данном регионе, чем предыдущие инструменты, даже при ограниченных данных. Это может помочь принимать лучшие решения по эксплуатации водохранилищ, планированию орошения и подготовке к засухам в регионах с нехваткой данных. Авторы предлагают в дальнейшем проверять эти гибриды в режимах реального времени и в более широком спектре климатов, а также добавлять больше погодных деталей, таких как ветер и влажность. Тем не менее текущие результаты уже показывают, что «простейшие» и «навозные жуки» в коде могут помочь защитить очень реальные запасы воды на земле.

Цитирование: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Ключевые слова: испарение поэванов, глубокое обучение, метаэвристическая оптимизация, водные ресурсы, климатические данные