Global evapotranspiration simulation research using a coupled deep learning algorithm with physical mechanisms. Sun, Y., Dong, Y., & Chen, Y. Irrigation and Drainage, 73(4):1373–1390, October, 2024.
Global evapotranspiration simulation research using a coupled deep learning algorithm with physical mechanisms [link]Paper  doi  abstract   bibtex   
Abstract Evapotranspiration (ET) and actual evapotranspiration (AET) serve as critical parameters in the water vapour exchange between terrestrial surfaces and the atmosphere. ET denotes the theoretical maximum evapotranspiration achievable under ideal conditions, whereas AET represents the actual evapotranspiration observed, factoring in the constraints imposed by available water resources. Precise estimation of AET is imperative for the optimization of water resource management and the advancement of sustainable development initiatives. In recent years, deep learning techniques have been extensively utilized in AET estimation. However, traditional deep learning models often lack the incorporation of essential physical constraints. We proceeded to enhance the loss function of the temporal convolutional network (TCN) by taking into account the physical relationships that exist among soil water content (SWC), potential evapotranspiration (PET) and AET, thereby introducing a novel physically coupled deep learning model (AET, SWC after kernel principal component analysis, PET, TCN and AKP‐TCN), and checked the rationality of the model with the FLUXNET 2015 dataset. These findings underscore that the AKP‐TCN model exhibits heightened sensitivity to peak fluctuations in AET under the imposition of physical constraints. This approach notably enhances the precision of AET simulations in areas marked by complex and variable climatic conditions, such as the Mediterranean climate zone and Oceania, achieving determination coefficient ( R 2 ) values surpassing the threshold of 0.900. Compared to traditional models, which include long short‐term memory (LSTM), convolutional neural networks (CNN) and TCN, the AKP‐TCN delivers substantial R 2 improvements of 16%, 16% and 9%, respectively. This advancement offers a novel perspective for coupling deep learning with physical mechanisms. , Résumé L'évapotranspiration (ET) et l'évapotranspiration réelle (AET) sont des paramètres essentiels de l'échange de vapeur d'eau entre les surfaces terrestres et l'atmosphère. L'ET représente l'évapotranspiration maximale théorique réalisable dans des conditions idéales, tandis que l'AET représente l'évapotranspiration réelle observée, en tenant compte de la limitation des ressources en eau disponibles. Une estimation précise de l'AET est essentielle pour optimiser la gestion des ressources en eau et faire progresser les initiatives de développement durable. Ces dernières années, les techniques d'apprentissage profond ont été largement appliquées pour l'estimation de l'AET. Cependant, les modèles traditionnels d'apprentissage profond ne tiennent généralement pas compte des contraintes physiques essentielles. Nous avons augmenté la fonction de perte du réseau convolutif temporel (TCN) en tenant compte des relations physiques qui existent entre la teneur en eau du sol (SWC), l'évapotranspiration potentielle (PET) et l'AET, introduisant ainsi un nouveau modèle d'apprentissage profond couplé physiquement (AET, SWC après l'analyse en composantes principales du noyau; PET, TCN, et AKP‐TCN) et vérifié la rationalité du modèle avec l'ensemble de données FLUXNET 2015. Ces résultats soulignent que le modèle AKP‐TCN présente une plus grande sensibilité aux fluctuations maximales de l'AET lorsque des contraintes physiques sont imposées. La méthode améliore significativement la précision des simulations d'AET dans les régions aux conditions climatiques complexes et variables, telles que la zone climatique méditerranéenne et l'Océanie, avec des valeurs de coefficient de détermination R 2 dépassant le seuil de 0,900. Par rapport aux modèles traditionnels qui comprennent la mémoire à long terme (LSTM), les réseaux neuronaux convolutifs (CNN) et les TCN, le R 2 de l'AKP‐TCN s'est amélioré de 16%, 16% et 9%, respectivement. Ces progrès offrent une nouvelle perspective sur le couplage de l'apprentissage profond avec les mécanismes physiques.
@article{sun_global_2024,
	title = {Global evapotranspiration simulation research using a coupled deep learning algorithm with physical mechanisms},
	volume = {73},
	issn = {1531-0353, 1531-0361},
	url = {https://onlinelibrary.wiley.com/doi/10.1002/ird.2942},
	doi = {10.1002/ird.2942},
	abstract = {Abstract
            
              Evapotranspiration (ET) and actual evapotranspiration (AET) serve as critical parameters in the water vapour exchange between terrestrial surfaces and the atmosphere. ET denotes the theoretical maximum evapotranspiration achievable under ideal conditions, whereas AET represents the actual evapotranspiration observed, factoring in the constraints imposed by available water resources. Precise estimation of AET is imperative for the optimization of water resource management and the advancement of sustainable development initiatives. In recent years, deep learning techniques have been extensively utilized in AET estimation. However, traditional deep learning models often lack the incorporation of essential physical constraints. We proceeded to enhance the loss function of the temporal convolutional network (TCN) by taking into account the physical relationships that exist among soil water content (SWC), potential evapotranspiration (PET) and AET, thereby introducing a novel physically coupled deep learning model (AET, SWC after kernel principal component analysis, PET, TCN and AKP‐TCN), and checked the rationality of the model with the FLUXNET 2015 dataset. These findings underscore that the AKP‐TCN model exhibits heightened sensitivity to peak fluctuations in AET under the imposition of physical constraints. This approach notably enhances the precision of AET simulations in areas marked by complex and variable climatic conditions, such as the Mediterranean climate zone and Oceania, achieving determination coefficient (
              R
              2
              ) values surpassing the threshold of 0.900. Compared to traditional models, which include long short‐term memory (LSTM), convolutional neural networks (CNN) and TCN, the AKP‐TCN delivers substantial
              R
              2
              improvements of 16\%, 16\% and 9\%, respectively. This advancement offers a novel perspective for coupling deep learning with physical mechanisms.
            
          , 
            Résumé
            
              L'évapotranspiration (ET) et l'évapotranspiration réelle (AET) sont des paramètres essentiels de l'échange de vapeur d'eau entre les surfaces terrestres et l'atmosphère. L'ET représente l'évapotranspiration maximale théorique réalisable dans des conditions idéales, tandis que l'AET représente l'évapotranspiration réelle observée, en tenant compte de la limitation des ressources en eau disponibles. Une estimation précise de l'AET est essentielle pour optimiser la gestion des ressources en eau et faire progresser les initiatives de développement durable. Ces dernières années, les techniques d'apprentissage profond ont été largement appliquées pour l'estimation de l'AET. Cependant, les modèles traditionnels d'apprentissage profond ne tiennent généralement pas compte des contraintes physiques essentielles. Nous avons augmenté la fonction de perte du réseau convolutif temporel (TCN) en tenant compte des relations physiques qui existent entre la teneur en eau du sol (SWC), l'évapotranspiration potentielle (PET) et l'AET, introduisant ainsi un nouveau modèle d'apprentissage profond couplé physiquement (AET, SWC après l'analyse en composantes principales du noyau; PET, TCN, et AKP‐TCN) et vérifié la rationalité du modèle avec l'ensemble de données FLUXNET 2015. Ces résultats soulignent que le modèle AKP‐TCN présente une plus grande sensibilité aux fluctuations maximales de l'AET lorsque des contraintes physiques sont imposées. La méthode améliore significativement la précision des simulations d'AET dans les régions aux conditions climatiques complexes et variables, telles que la zone climatique méditerranéenne et l'Océanie, avec des valeurs de coefficient de détermination R
              2
              dépassant le seuil de 0,900. Par rapport aux modèles traditionnels qui comprennent la mémoire à long terme (LSTM), les réseaux neuronaux convolutifs (CNN) et les TCN, le R
              2
              de l'AKP‐TCN s'est amélioré de 16\%, 16\% et 9\%, respectivement. Ces progrès offrent une nouvelle perspective sur le couplage de l'apprentissage profond avec les mécanismes physiques.},
	language = {en},
	number = {4},
	urldate = {2024-11-26},
	journal = {Irrigation and Drainage},
	author = {Sun, Yongxi and Dong, Yuru and Chen, Yanfei},
	month = oct,
	year = {2024},
	pages = {1373--1390},
}
Downloads: 0
About
Documentation
Keywords
Search
Users
Terms and Conditions of Use
Privacy Policy
Sitemap
© BibBase.org 2021